practical_sharp的博客

pytorch特征图 可视化 清测有效，Mark一下。引用自 https://my.oschina.net/u/4300877/blog/4693569# -*- coding: utf-8 -*-"""Created on Tue Oct 27 09:25:51 2020@author: LX"""#%%特征可视化import matplotlib.pyplot as pltimport cv2import numpy as npfrom PIL import Imagefro

CoupleNet: Coupling Global Structure with Local Parts for Object Detection学习CoupleNet，这个网络结构就是使用全局上下文和局部上下文进行融合，检测。在最近的一些论文中我也看到过这么的操作，但是他们的出发点都应该是来自于这一篇论文。所以学习CoupleNet是如何进行检测，如何进行局部上下文和全局上下文的融合的至关重要。学习CoupleNet主要抓住以下问题：CoupleNet是基于RFCN进行改进的，首先要掌握F

Coordinate Attention for Efficient Mobile Network Design这是一篇基于SE和CBAM的改进注意力机制。性能比SE和CBAM要好一些。SE模块只是在通道上施加了权重，而忽略了位置信息。本文中，提出一种novel的注意力机制，使用两个1D的pooling捕捉水平和垂直方向的注意力特征编码。话不多说了。直接上图。懂的人都懂：(a)是SE模块，(b)是CBAM模块©是本文提出的CA模块。很明显看出，CA模块和前二者的区别在于将一个2D的p.

Libra R-CNN: Towards Balanced Learning for Object Detection2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)这篇文章的点子很好，作者认为设计比较sota的目标检测模型的架构固然重要。但是在目标检测的实践中，发现检测性能通常受到训练过程中的不平衡的限制，这通常包括三个级别——样本级别、特征级别和目标级别。所以作者通过为了减轻这种不平衡所带来的负面

论文题目：Selective Kernel Networks发表于 CVPR 2019论文地址：https://arxiv.org/pdf/1903.06586.pdf作为一下对比，这里再附上SEnet的结构图：总结：SK注意力机制和SE注意力机制的不同之处：SE注意力只是在通道上施加MLP学习权重，来体现每个权重之间的重要性差异；SE注意力机制只需要用到一个全局池化和两个全连接层；SK注意力机制是SE注意力机制的升级版，特色之处体现在通过网络自己学习来选择融合不同感受野的特征图信息；

NMS非最大值抑制算法，诞生至少50年了。在经典的两阶段目标检测算法中，为了提高对于目标的召回率，在anchor阶段会生成密密麻麻的anchor框。所以在后处理的时候，会存在着很多冗余框对应着同一个目标。因此NMS就是后处理中去除冗余框的必不可少的步骤。NMS算法的具体流程：输入 boxes，scores， iou_thresholdstep-1：将所有检出的output_bbox按cls score划分（如pascal voc分20个类，也即将output_bbox按照其对应的cls

ACNet是什么？[1]X. Ding, Y. Guo, G. Ding etal.“ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks” in ICCV 2019推荐博客：https://blog.csdn.net/practical_sharp/article/details/114671943Overview of ACNet. For example,

在2016年ECCV的一篇论文中，讲述到了full pre-activation ResNet。其改进的ResNet164结构比original结构的error降低0.5%K. He, X. Zhang, S. Ren, and J. Sun, “Identity mapping in deep residual networks,” in ECCV 2016图中的weight层代表的就是卷积层操作，BN和relu分别是批正则化和激活函数original Residual Unit Pytorch

Multi-branch convolutional networks这是在学习阅读Selective Kernel Networks论文中出现的related work。从来没接触过，没了解过。今天学习记录一下。Highway networksR. K. Srivastava, K. Greff, and J. Schmidhuber. Highway networks. arXiv preprint arXiv:1505.00387, 2015.highway network是主要讲的是什么呢

[1]Squeeze-and-Excitation Networks论文地址：https://arxiv.org/abs/1709.01507代码地址：https://github.com/moskomule/senet.pytorch/blob/master/senet论文发表于CVPR 2018，同时提交于IEEE TPAMI 2019结构图一个全局avg pooling得到11C的向量，然后通过一个MLP感知机得到进行线性变换的11C向量。 再通过一个Sigmod函数进行激活。各

昨天学习了CBAM模块和ACNet。今天就想试一下CBAM模块的效果，所以编写了代码在MNIST数据集上做分类任务，但是看不出什么差别，而且没加CBAM模块的效果反而好一些。我觉得原因可能是因为数据集太小了没法做到这一点，改天在VOC数据集上试一试效果看看如何。今天先把实验结果报道一下，学习率，epoch次数和batch_size的大小完全保持不变先上Pytorch代码import torchimport torch.nn as nnimport torch.nn.functional as

ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks论文地址：https://arxiv.org/pdf/1908.03930.pdf论文收录于2019 IEEE/CVF International Conference on Computer Vision (ICCV)代码地址：https://github.com/ShawnDing1994/ACNetAs des

CBAM: Convolutional Block Attention Module本篇文章录用于ECCV2018：CBAM：卷积块注意模块论文地址：https://arxiv.org/pdf/1807.06521.pdf非官方代码实现：https://github.com/Youngkl0726/Convolutional-Block-Attention-Module/blob/master/CBAMNet.py摘要：本文提出了卷积attention模块，一种简单而有效的前馈卷积神经网络

Arbitrary-Oriented Ship Detection Based on Rotation Region Locating Networks in Large Scale Remote Sensing Images论文地址：https://sci-hub.se/10.1109/ICIVC47709.2019.8981006论文发表2019 IEEE 4th International Conference on Image, Vision and Computing声明一下这不是很好的会

Effective Fusion Factor in FPN for Tiny Object Detection论文地址：https://arxiv.org/pdf/2011.02298.pdf论文发表于 2021 WACV摘要这里是引用

HyperNet论文地址：https://arxiv.org/pdf/1604.00600.pdf录用：CVPR 2016摘要到目前为止，RCNN，Fast RCNN以及Faster RCNN系列的算法出炉，使得目标检测的精度和召回率不断提升。然而小尺寸目标检测和精确定位的问题仍然没有很好的得到解决，主要原因是由于特征映射的粗糙。本文中，作者提出一个HyperNet，以联合处理区域提案的生成和目标检测。HyperNet的核心是主要基于一个精心设计的Hyper Feature，它首先聚合层次特征映射

Focal Loss for Dense Object Detection论文地址：https://arxiv.org/pdf/1708.02002.pdf何凯明 ICCV 2017 best student paper论文核心：提出了一种用于单阶段目标检测算法的聚焦损失函数论文的出发点读完本论文后，这里我自己总结一下。论文的出发点总结了当前两阶段目标检测算法和单阶段目标检测算法的优缺点。两阶段目标检测算法：第一阶段能过滤掉无关背景，第二阶段更精细化包围框回归，所以两阶段目标检测算法精确度

RRPNAbstract与以往基于分段的框架不同，我们的框架具有使用基于区域的方法预测文本行方向的能力；因此，建议可以更好地适应文本区域，并且远程文本区域可以很容易地纠正，并且更方便文本阅读。 新的组件，如RROI池层和旋转建议的学习，被纳入基于区域建议的体系结构[20]，这确保了文本检测与基于分割的文本检测系统相比的计算效率。我们还提出了改进具有任意方向的区域提案的新策略，以改进2次性能的任意面向文本检测。我们将我们的框架应用于三个真实世界的文本检测数据集，即MSRA-TD500[21]、ICDAR201

一元线性回归一元线性模型非常简单，假设我们有变量 xix_ixi​ 和目标 yiy_iyi​，每个 i 对应于一个数据点，希望建立一个模型y^i\hat{y}_iy^​i​ 是我们预测的结果，希望通过 y^i\hat{y}_iy^​i​ 来拟合目标 yiy_iyi​，通俗来讲就是找到这个函数拟合 yiy_iyi​ 使得误差最小，即最小化梯度梯度在数学上就是导数，如果是一个多元函数，那么梯度就是偏导数。比如一个函数f(x, y)，那么 f 的梯度就是(∂f∂x, ∂f∂y) (\fra

由于我安装的Anaconda是4.4的，一些命令什么的没有得使用之前的命令。这里有几个命令，熟悉一下：activate//4.4之后的版本 conda activate创建一个虚拟环境conda create -n data_analysis python=3.6 anaconda//conda create -n env_name python=version anaconda激活虚拟环境activate data_analysis退出虚拟环境deactivate data

Anaconda这个软件真的是反复无常，我前前后后安装下载了好多次才配置成功。官网镜像：我选择的是Anaconda3-4.4.0-Windows-x86_64.exeAnaconda官网下载地址：https://repo.anaconda.com/archive/清华镜像下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/下载完成之后，开始安装(避坑)对于下载好的安装文件，要先避免几个坑参考博客https://blog.csdn.