在目标检测中如何解决小目标的问题？ 8
导读 本文介绍了一些小目标物体检测的方法和思路。 在深度学习目标检测中，特别是人脸检测中，由于分辨率低、图像模糊、信息少、噪声多，小目标和小人脸的检测一直是一个实用和常见的难点问题。然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。 图像金字塔和多尺度滑动窗口检测 一开始，在深学习方法成为流行之前，对于不同尺度的目标，通常是从原始图像开始，使...
PyPy为什么能让Python比C还快？一文了解内在机制 4
对于研究人员来说，迅速把想法代码化并查看其是否行得通至关重要。Python 是能够实现这一目标的出色语言，它能够让人们专注于想法本身，而不必过度为代码格式等无聊的事情困扰。 但是，Python 有一个致命的缺点：速度比 C、C ++ 等语言慢很多。那么，构建一个 Python 原型测试想法之后，如何将其转变为快速且高性能的工具？通常来说，人们还要再进行一步工作：将 Python 代码手动转换为 C...
注意力机制是如何学习到模型所应注意的区域的？ 2
简单来说，注意力机制在没有标注的数据集中，仅凭着模型本身去学习所应注意的区域，这种方法的准确性靠谱吗？ 作者：知乎用户 https://www.zhihu.com/question/444712435/answer/1755066079 我打算从一个非常 toy 的模型说明为何跑着跑着，会出现区域集中先考虑一个玩具模型考虑样本 ，权重 ，以及均值为零的噪声 ，我们的 toy model 如下：...
Github上这款目标检测神器震撼来袭，真香！ 12
超越YOLOv5，1.3M超轻量，高效易用，目标检测神器已开源在Github。 不论是通用目标检测，还是行人、车辆检测； 不论是超高精度，还是超轻量超快速； 不论是学术科研大神，还是入门萌新； 这个目标检测领域的神器都能快速上手！那就是刚刚全面升级的PaddleDetection2.0！它全面兼顾高性能算法、便捷开发、高效训练及完备部署，也因此受到广大开发者的喜爱，连续登录Github全...
CVPR 2021 | 自适应激活函数ACON: 统一ReLU和Swish的新范式 17
论文地址：https://arxiv.org/pdf/2009.04759.pdf 论文代码：https://github.com/nmaac/acon 本文提出一种新的激活函数ACON (activate or not)，可以自适应地学习激活与否。 ReLU是最常见的激活函数，最近NAS搜到的Swish在各种SOTA网络结构中逐渐取代ReLU。有趣的是，我们发现虽然两者形式看起来很不一样，但Sw...
使用pytorch时，训练集数据太多达到上千万张，Dataloader加载很慢怎么办?
训练集全是16x16，32x32之类的小图，达到上千万张，训练时发现数据加载很慢很慢很慢！！！看了下CPU 内存 GPU使用情况，发现CPU使用率都跑到90%去了，GPU使用率却较低作者：MING YE 1）小图拼起来存放（降低读取次数）2）存bmp图（降低解码时间）3）1张32*32的图其实也就3K大，1000w也才不到29G，现在训练机器都是几百G的内存，直接载到内存里面，或者把把内存映射成磁...
抖音日活用户破 6 亿，推荐系统是怎么做到的？ 6
抖音是近几年人们最喜欢的自媒体平台，今天小编就带大家来分析一下，抖音的推荐系统为什么会这么牛？而这一切都可以使用python这个强大的工具来进行分析！
什么？Epoch 不仅过时，而且有害？ 8
有一天，一个调参侠在训练一个深度学习模型，要用到的两个数据集损失函数不同，数据集的大小还不是固定的，每天都在增加。 他有点发愁，这该怎么设置Epoch数呢？ 在纠结的过程中，他突然想到：干嘛非得定一个Epoch数？只要对每个Batch进行独立同分布抽样 (IID Sampling)不就得了。 为了验证这个想法，调参侠去看了很多论文。发现越来越多的人介绍他们的训练方法时，只说进行了多少个Iterat...
CVPR2021｜Anchor-free新玩法，一个head统一目标检测，实例分割，姿态估计三种任务 15
本文介绍一篇被CVPR 2021接收的工作，本文将目标检测、实例分割、姿态估计这些任务概括为位置敏感的视觉识别，并提出了一个名为位置敏感网络（LSNet）的统一解决方案。 论文：https://arxiv.org/abs/2104.04899 代码：https://github.com/Duankaiwen/LSNet 文章认为，目标检测，实例分割和姿态估计本质上都是识别物体，只是表征物体的形...
为什么机器学习算法难以优化？一文详解算法优化内部机制 14
损失线性组合是正确的选择吗？这篇文章或许能够给你答案。 在机器学习中，损失的线性组合无处不在。虽然它们带有一些陷阱，但仍然被广泛用作标准方法。这些线性组合常常让算法难以调整。在本文中，作者提出了以下论点： 机器学习中的许多问题应该被视为多目标问题，但目前并非如此； 「1」中的问题导致这些机器学习算法的超参数难以调整； 检测这些问题何时发生几乎是不可能的，因此很难解决这些问题。 有一些方法可以轻微缓...
-
2023-01-15
-
2023-01-14
-
2023-01-14
-
2023-01-14
-
2023-01-14
搜索当前分类