Path Aggregation Network for Instance Segmentation

用于实例分割的路径聚合网络

会议: CVPR 2018

论文地址：https://arxiv.org/abs/1803.01534

github: https://github.com/ShuLiu1993/PANet

[TOC]

摘要

信息在神经网络中的传播方式至关重要。本文提出了路径聚合网络 (PANet)，旨在提升基于候选框的实例分割框架中的信息流。具体来说，我们通过自底向上的路径增强，将低层中的精确定位信号引入整个特征层次，从而缩短了低层和顶层特征之间的信息路径。我们提出了自适应特征池化，将特征网格和所有特征级别连接起来，使每个特征级别中的有用信息可以直接传播到后续的候选框子网络中。我们创建了一个互补分支，用于捕获每个候选框的不同视角，从而进一步提高掩码预测的精度。这些改进易于实现，且计算开销微小。我们的 PANet 在 COCO 2017 挑战赛的实例分割任务中取得了第一名，并在没有使用大批次训练的情况下，在目标检测任务中取得了第二名。它也是 MVD 和 Cityscapes 上的最先进技术。代码地址: https://github.com/ShuLiu1993/PANet

查看全文 >>

文章页 >>

桩检测算法-自监督学习

桩检测算法

总体流程

  1. 基于规则的桩检测
    • 采用基于规则的方法检测桩，检测时不区分桩类别。这一步保证绝对的准确率（100%），较高的召回率（>60%）。
  2. 生成桩检测数据集
    • 使用规则检测的结果作为标注生成桩检测数据集【pile_v0.1】。
  3. 模型训练
    • 使用YOLO算法在桩检测数据集上训练一个初步的桩检测模型【model_v0.1】。
  4. 自监督训练
    • 使用训练好的模型对基于规则无法检测的图纸进行检测，将置信度较高的结果加入到训练集继续训练。
查看全文 >>

文章页 >>

python-gRPC实战

python-gRPC实战

前言

RPC：远程过程调用（Remote Procedure Call）的缩写，即在不同设备进行远程方法调用，隐藏了底层网络技术。随着微服务的兴起而兴起。

gRPC：谷歌开源的一套RPC框架，基于http2.0，采用protocol buffer的语法(检查proto)，通过proto语法可以定义好要调用的方法、和参数以及响应格式，可以很方便地完成远程方法调用，而且非常利于扩展和更新参数。

grpc框架

查看全文 >>

文章页 >>

pytorch 常用的学习率调整策略 [lr_scheduler]

PyTorch 常用的学习率调整策略 [lr_scheduler]

[TOC]

参考地址：https://zhuanlan.zhihu.com/p/538447997

官方文档：https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate

0. 基础

导入

1
from torch.optim import lr_scheduler

常用的学习率策略

  • StepLR
  • LambdaLR

基础代码

1
2
3
4
5
6
7
8
9
10
import torch
import numpy as np
from torch.optim import SGD
from torch.optim import lr_scheduler
from torch.nn.parameter import Parameter

# 随机创建一组模型参数
model = [Parameter(torch.randn(2, 2, requires_grad=True))]
# 使用SGD优化器，学习率设为0.1
optimizer = SGD(model, lr=0.1)
查看全文 >>

文章页 >>

希腊字母、拉丁字母、Markdown、拼写与读音中英对照表

大写 小写 中文名 英文 英语音标注音 大写Markdown 小写Markdown 意义
A\Alpha α\alpha 阿尔法 Alpha /'ælfə/ \Alpha \alpha 角度、系数、角加速度、第一个、电离度、转化率
B\Beta β\beta 贝塔/毕塔 Beta /'bi:tə/ 或 /'beɪtə/ \Beta \beta 磁通系数、角度、系数
Γ\Gamma γ\gamma 伽玛/甘玛 Gamma /'gæmə/ \Gamma \gamma 电导系数（小写）、角度、比热容比
Δ\Delta δ\delta 德尔塔/岱欧塔 Delta /'deltə/ \Delta \delta 变化量、焓变、熵变、屈光度、变动、方程判别式（大写）、允许误差（小写，统计学）
E\Epsilon ϵ\epsilon　ε\varepsilon 伊普西隆/埃普斯棱 Epsilon /'epsɪlɒn/ \Epsilon \epsilon　\varepsilon 对数之基数、介电常数
Z\Zeta ζ\zeta 泽塔/Z塔 Zeta /'zi:tə/ \Zeta \zeta 系数、方位角、阻抗、相对粘度、原子序数
H\Eta η\eta 伊塔/诶塔 Eta /'i:tə/ \Eta \eta 迟滞系数；机械效率（小写）
Θ\Theta θ\theta 西塔\非塔 Theta /'θi:tə/ \Theta \theta 温度、相位角
I\Iota ι\iota 约塔\埃欧塔 Iota /aɪ'əʊtə/ \Iota \iota 微小、一点儿
K\Kappa κ\kappa 卡帕\堪帕 Kappa /'kæpə/ \Kappa \kappa 介质常数、绝热指数
Λ\Lambda λ\lambda 兰姆达\拉姆达 Lambda /'læmdə/ \Lambda \lambda 波长（小写）、体积、导热系数
M\Mu μ\mu 米欧/谬/穆 Mu /mju:/ \Mu \mu 磁导系数、微（百万分之一）、动摩擦系（因）数、流体动力黏度、货币单位、放大因数（小写）、正态分布中的位置参数（小写）
N\Nu ν\nu 拗/奴/纽 Nu /nju:/ \Nu \nu 磁阻系数、流体运动粘度、光波频率、化学计量数
Ξ\Xi ξ\xi 克西/可西/赛 Xi 希腊 /ksi/　英美 /ˈzaɪ/ 或 /ˈsaɪ/ \Xi \xi 随机变量、（小）区间内的一个未知特定值
O\Omicron ο\omicron 欧米克隆/欧 (阿~) 米可荣 Omicron /əuˈmaikrən/ 或 /ˈɑmɪˌkrɑn/ \Omicron \omicron 高阶无穷小函数
Π\Pi π\pi 派 Pi /paɪ/ \Pi \pi 圆周率=圆周÷直径=3.1416、π(n)表示不大于n的质数个数
P\Rho ρ\rho 柔/若 Rho /rəʊ/ \Rho \rho 密度;电阻系数（小写）、柱坐标和极坐标中的极径
Σ\Sigma σ\sigma 西格玛 Sigma /'sɪɡmə/ \Sigma \sigma 总和（大写），表面密度、跨导（小写）、正应力
T\Tau τ\tau 陶/套/驼 Tau /tɔ:/ 或 /taʊ/ \Tau \tau 时间常数、切应力、2π（两倍圆周率）
Υ\Upsilon υ\upsilon 玉普西隆/宇 (阿~) 普西龙 Upsilon /ˈipsɪlon/ 或 /ˈʌpsɪlɒn/ \Upsilon \upsilon 位移
Φ\Phi ϕ\phiφ\varphi 斐/弗爱/弗忆 Phi /faɪ/ \Phi \phi　\varphi 磁通量、角、透镜焦度、热流量、电势、空集（大写）
X\Chi χ\chi 凯/柯义 Chi /kaɪ/ \Chi \chi 统计学中有卡方(X2\Chi^2)分布
Ψ ψ\psi 赛/普赛/普西 Psi /psaɪ/ \Psi \psi 角速；介质电通量（静电力线）；角 ；波（ψ\psi）函数
Ω ω\omega 奥米伽/欧米伽/欧枚嘎 Omega /'əʊmɪɡə/ 或 /oʊ'meɡə/ \Omega \omega 欧姆、电阻（大写）、角速度（小写）、交流电的电角度、化学中的质量分数、角

文章页 >>

Generative Adversarial Networks

Generative Adversarial Networks(GAN神经网络)

[TOC]

摘要

本文提出了一个新的基于对抗的网络框架，主要包含两个模型。一个是生成模型G，用于获取整个数据分布；另一个是判别模型D，用于判别数据是来自真实数据还是生成数据。生成模型尽可能让判别模型犯错。判别模型试图找到一个函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。

查看全文 >>

文章页 >>

SpringMVC

官方文档：https://docs.spring.io/spring-framework/docs/current/reference/html/web.html#spring-web

基于Spring实现的MVC轻量级Web框架

SSM: mybatis+Spring+SpringMVC

MVC三层架构

Java基础：认真学习，老师带，入门快

  • JavaSE

  • JavaWeb

框架：研究官方文档，锻炼官方文档，锻炼自学能力，锻炼笔记能力，锻炼项目能力

SpringMVC + Vue + SpringBoot + SpringCloud + Linux

SSM = JavaWeb项目

Sping: IOC和AOP

SpringMVC：SpringMVC的执行流程！

SpringMVC: SSM框架整合！

MVC：模型（dao, service）, 视图（jsp），控制器（Servlet）

查看全文 >>

文章页 >>

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

想了解咱，请换个途径