hyperandy / hyperandy-gitalks Goto Github PK

https://wzj.plus/2020/12/18/nms/

手写NMS & soft-NMS1. NMS（非极大抑制）简介非极大抑制算法应用相当广泛，其主要目的是消除多余的框，找到最佳的物体检测位置。 其实现的**主要是将各个框的置信度进行排序，然后选择其中置信度最高的框A，将其作为标准选择其他框，同时设置一个阈值，当其他框B与A的重合程度超过阈值就将B舍弃掉，然后在剩余的框中选择置信度最大的框，重复上述操作。 实现参考faster rcnn源码

https://wzj.plus/2020/12/28/fasterrcnn/

faster rcnn相关详解1. cascade rcnn1.1 mismatch问题：在R-CNN中用到IoU阈值的有两个地方，分别是Training时Positive与Negative判定，和Inference时计算mAP。 training阶段，RPN网络提出了2000左右的proposals，这些proposals被送入到Fast R-CNN结构中，在Fast R-CNN结构中，首先

https://wzj.plus/categories/

https://wzj.plus/2020/12/21/multimodal/

1. multimodal 综述 2. 具体模型发展

https://wzj.plus/about/

幽窗小记——陈继儒 狐眠败砌，兔走荒台，尽是当年歌舞之地；露冷黄花，烟迷衰草，悉属旧时争战之场。盛衰何常，强弱安在，念此令人心灰。 宠辱不惊，闲看庭前花开花落；去留无意，漫随天外云卷云舒。 晴空朗月，何天不可翱翔，而飞蛾独投夜烛；清泉绿竹，何物不可饮啄，而鸱鸮偏嗜腐鼠。噫！世之不为飞蛾鸱鸮者，几何人哉！

https://wzj.plus/2020/12/19/lr/

LR推导1. 简介分类任务与回归任务的区别： 输出变量为连续变量的预测问题——回归任务； 输出变量为有限个离散变量的预测问题——分类任务； 逻辑回归的本质是通过回归的方法来解决分类任务，即通过回归预测概率，进而得到分类结果。 2. 相关概念几率：指一件事发生与不发生概率的比值。 对数几率： \begin{equation} logit(p) = log(\frac{p}{1-p}) \end

https://wzj.plus/2020/12/28/roi/#post-comment

ROI详解1. ROI pooling在Faster RCNN中用以将rpn生成的候选框region proposal，映射为固定大小的feature map 工作原理为： Conv layers使用的是VGG16，feat_stride=32(即表示，经过网络层后图片缩小为原图的1/32),原图800800,最后一层特征图feature map大小:2525 假定原图中有一region

https://wzj.plus/2020/12/28/cf/

协同过滤CF详解1. user CF（uCF）一般步骤： 构建用户-物品矩阵，将用户表示为物品的向量； 计算向量的相似度；常用相似度为： Jaccard相似系数 \begin{equation} J(A,B) = \frac{A\cap B}{A\cup B} \end{equation} cosine相似系数 \begin{equation} cos\theta = \frac{x_

https://wzj.plus/2020/12/28/bn/

BN(batch normalization)详解1. 公式normalization过程 整个过程：batch均值 -> 方差 -> 标准化（正太化）-> 尺度和偏差变换 -> 训练过程更新$\gamma$和$\beta$ 反向传播参数更新的方法： 2. 解决的问题解决问题：解决梯度消失和梯度爆炸问题，同时加快训练。 原理：以sigmoid为激活函数为例 当陷入两端