Read Data: 0628 Publication: Title: Dynamic Head: Unifying Object Detection Heads with Attentions Participants: Xiyang Dai Yinpeng Chen Bin Xiao Dongdong Chen Mengchen Liu Lu Yuan Lei Zhang Aim: 如何提高目标检测头的性能已成为现有目标检测工作
1. 摘要 在使用非常小（3×3）的卷积核情况下，作者对逐渐增加网络的深度进行了全面的评估，通过设置网络层数达 16-19 层，最终效果取得了显著提升。 2. 介绍 近来，卷积神经网络在大规模图像识别领域取得了巨大的成功，这一方面归功于大规模公开数据的出现，另一方面则是计算能力的提升。在 Al
一、解决问题 传统的基于语法的方法，是通过符号分割、符号识别和结构分析来识别数学公式。许多HMER的DNN模型把HMER作为一个图像到序列的问题，如Image-2-Markup、WAP、Pattern generation strategies和paired adversarial learning。 这些方法通常将识别文本标准化到某个固定的高
Read Data:0602 Publication: CVPR 2020 Title: AANet: Adaptive Aggregation Network for Efficient Stereo Matching Participants: Haofei Xu Juyong Zhang Aim: 目前最好的立体匹配模型基本都用3D卷积，计算复杂度高且占用大量存储空间，本论文的目的就是完全替
气象资料同化 本文来自：http://pan.baidu.com/s/1o6v2xKI《WRF数值预报模式气象资料的同化处理与对比分析》 气象资料同化（radar)常规观测资料作为天气分析和预报的主要依据，得到了广泛的应用，也是数值模式同化的最基本的资料。由于常规观测资料时空分辨率较低，因此常常不能很好的
Multi-Scale Positive Sample Refinement for Few-Shot Object Detection 来源：https://arxiv.org/abs/2007.09384 ECCV2020 简介 尺度不变性在一般的有监督的目标检测器中得到广泛研究，对于少样本目标检测（FSOD）的影响特别大，在样本数量有限的情况下，尺度问题更复杂。如下图所示，样
（一）相关slam方案的优缺点 基于RGB-D和双目方法： 直接获取精度较高的深度信息；定尺度，不能使用尺度变化范围大的场景。 基于单目相机： 由于尺度不确定，需要通过平移运动获取深度信息；但由于尺度不确定，可以灵活应用于尺度范围变化大的场景。 基于特征点： 只用到了环境中许多信息的一小部分
数据预处理需要根据数据本身的特性进行，有不同的格式和不同的要求，有缺失值的要填，有无效数据的要剔，有冗余维的要选，这些步骤都和数据本身的特性紧密相关。数据预处理大致分为三个步骤：数据的准备、数据的转换、数据的输出。数据处理是系统工程的基本环节，也是提高算法准确度的有效
RFBNet，是一篇没有公式，通俗易懂，图文并茂，格式优雅的好文，文中提出了RFB，是一个可以集成至其他检测算法的模块，从论文的fig2、3、4、5中也很容易理解，就是受启发于人类视觉感知系统，提出的RFBNet基于SSD的backbone，结合了Inception、虫洞卷积的思想，来尽量模拟人类的视觉感知，最终实验结果也非
锂离子电池的快充性能对下一代储能系统至关重要。对于传统的石墨负极，低的工作电位（< 0.2 V）导致锂金属的沉积引起的安全隐患，限制了其在快充锂离子电池体系中的应用。钛酸锂具有高的工作电压（1.55 V），规避了石墨负极低电位下析锂的安全问题，然而，其高工作电
【手撕算法】AC显著性检测算法 算法原理 论文名称： Salient Region Detection and Segmentation AC算法同样是计算每个像素的显著值，但却不是基于全局对比度，而是基于一定尺度的感知单元的。而且整个AC算法是融合了多个不同尺度的感知单元计算的显著值得到的最终显著图。 如上
前文再续，书接上一回。上文说到，在做研究中，定义合适的空间尺度是一个很关键的指标参数，因为地理学第二定律（存疑？）的空间异质性告诉我们，在不同观察尺度上，往往会得到不同的观测结果：横看成岭侧成峰，远近高低各不同。不识庐山真面目，只缘身在此山中。——苏轼《题西林壁》所以在空间分析中，对空
特征匹配（Feature Match) 是计算机视觉中很多应用的基础，比如说图像配准，摄像机跟踪，三维重建，物体识别，人脸识别。 首先通过几张图片来指出什么是特征匹配，以及特征匹配的过程。 图像一：彩色圆圈为图像的特征点 图像二： 图像一与图像二的匹配： 概念理解： 什么是特征，什么是特征描述，什
1 SIFT特征提取分析 SIFT（Scale-invariant feature transform)是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果。 算法描述： SIFT特征不只具有尺度不变
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun 转自：http://blog.csdn.net/zddblog/article/details/7521424 对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。 1、SIFT综述 尺度不变特征转换(Scale-invaria
sift原理 角点检测具有旋转不变性 但不具有尺度不变性 当图像放大后 在使用同样的窗口 就检测不到了 sift所查找的关键点是一些十分突出 不会因光照 仿射变换和噪音等因素而变化的点。 1. 高斯模糊成功地去除了图像中的噪点，强调了图像的重要特征 2. 高斯差分金字塔 建
paper: https://arxiv.org/abs/2103.09460 code: https://github.com/megvii-model/YOLOF 目录 Abstract1. Introduction2. Related Work3. Cost Analysis of MiMo Encoders4. Method4.1. Limited Scale Range4.2. Imbalance Problem on Positive Anchors4.3. YOLOF 5.Exp
目录 1 问题定义2 资料收集-数据源3 资料收集-资料取得3.1 无线网络讯号3.2 公共运输整合信息流通服务- 各站点进出站人数 4 资料收集-数据类型5 资料前处理-向量空间模型转换5.1 GPS5.2 图文件 6 遗漏值处理7 数据前处理-资料正规化8 数据前处理-属性选择9 资料分析-分类1
1.锚框设计的种类 ①Faster RCNN 模型利用 RPN(RegionProposal Networks，候选区域网络)生成候选检测框时，对于最小尺度为 128*128 的 Anchor，其候选框平均大小要超过 100*100，也就是设置的最小 Anchor 都要比待检测的小目标大很多，但如果为了检测小目标考虑将输入图像放大来匹配 Anchor
在上一次的博客中我们介绍了短时傅里叶变换,小波函数,尺度函数,离散小波变换.详情请看: 小波变换(一) 这次我们把把整个变换说完,顺便介绍一下他的硬件实现(一维) 尺度函数族 众所周知,小波变换的双正交基就来自与小波函数和尺度函数,而他们通过scale和平移来得到的小波函数族和
由于编码器部分的解码器结构的分辨率不断降低，分类问题得到了很好的解决。然而，这种架构不能有效地生成用于目标检测(同时识别和定位)所需的强多尺度特征。 SpineNet和之前的主干网络有什么不同？ 一个特征的存在可能需要高分辨率来检测，而它的确切位置不需要以同样高的精度来确定
前戏 最近出了真的很多论文，各种SOTA。比如前天po的商汤等提出：统一多目标跟踪框架，今天po的人群计数（Crowd Counting），又称人群密度估计。下次应该会po一篇目标检测方向的SOTA论文。 注意最新的论文，Amusi就不详细解读了（可能自己也不会）。更主要的是论文这玩意，还是要自己去品才有滋味。或
问题引入卷积神经网络的中经常用到池化这么一个操作，那么池化操作有哪些方法呢？问题解答池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减少网络参数的同时还可以防止过拟合现象。池
CVPR2019原论文：Uncertainty Guided Multi-Scale Residual Learning-using a Cycle Spinning CNN for Single Image De-Raining 开源代码（pytorch框架）：https://github.com/rajeevyasarla/UMRL–using-Cycle-Spinning 1.主要工作： 提出了不确定性引导的多尺度残差学习(UMRL)网络。
Scale Match for Tiny Person Detection-微小人物检测的尺度匹配 我的总结：Abstract1. Introduction2. Related Work3. Tiny Person Benchmark3.1. Benchmark description3.2. Dataset Challenges 4. Tiny Person Detection4.1. Scale Match4.2. Monotone Scale Match (MSM)
