1.DFS（深度优先搜索）搜索思想在图问题中能以最直观的方式展现。深度优先搜索的步骤分为：递归下去。回溯上来。顾名思义，深度优先，则是以深度为准则，先一条路走到底，直到达到目标。这里称之为递归下去。否则既没有达到目标又无路可走了，那么则退回到上一步的状态，走其他路。这便是回溯上来。下面结合具体例子来理解。如图所示，在一个迷宫中，黑色块代表玩家所在位置，红色块代表终点，问是否有一条到终点的路径我们用

torchvision.transforms.functional.pad(img, padding, fill=0, padding_mode='constant')这个函数用于用指定的填充模式和填充值填充PIL图像。参数：img（PIL图像）-- 要填充的图像。padding（int或tuple）-- 各边的填充值。如果指定为int，表示所有边都按照这个值进行填充。如果指定为长为2...

原因1:梯度爆炸产生原因：学习率过大。解决方法：3. 数据归一化（减均值，除方差，或者加入normalization：BN，L2 norm等）。4. 更换参数初始化方法（对于CNN，一般用xavier或者msra的初始化方法）。5. 减小学习率，减小Batch size。6. 加入梯度截断（gradient clipping）。原因2:网络结构设计问题解决方法：加如BN层进行归一化。修改网络结构（

在图像里，目标检测是其中一个领域，最著名的是以矩形框作为目标检测区域，在图像中表达一个矩形框需要有坐标（top，left，bottom，right），即左上角坐标，右下角坐标。从而可以在给定的两个矩形中计算IOU值（交并比），小数点可以四舍五入保留4位。例如输入：（661，27，679，47）（662，27，682，47）接下来我们用Python来进行编程：def compute_iou...

首先，这篇文章是接着下面这篇文章进行补充的，大家可以先看这篇文章如何手动设计一个分类网络：深度学习框架_PyTorch_使用PyTorch编写卷积神经网络全流程(实例:CIFAR10图像分类)一.预训练模型简介卷积神经网络在图像识别，图像分割等领域取得了非常大的成功，出现了很多非常好的网络模型，比如ResNet、GoogLeNet等图像分类模型、Faster R-CNN、YOLO等目标检测模...

Soft-NMS论文链接Soft-NMS介绍针对原始NMS过于hard的问题，论文中提出了Soft-NMS进行解决。那原始的NMS有什么问题呢？我们先看下面的图：在上图中，检测算法本来应该输出两个框，但是原始的NMS算法可能会把score较低的绿框过滤掉（如果绿框和红框的IOU大于设定的阈值就会被过滤掉），导致只检测出一个object（一个马），显然这样object的recall就比较低了。而So

非匹配数据的图像转换Pix2Pix可以很好地处理匹配数据集的图像转换，但是在很多情况下匹配数据集是没有的或者说非常难收集到。在实际生活中，我们却可以很容易的拿到两个领域的大量非匹配数据。下图展示了匹配数据和非匹配数据的区别：CycleGAN就是解决非匹配数据集的图像转换的一种非常好用的网络。对于照片风格的转换，传统CNN网络是通过将某个画作中的风格叠加到原始图片上，如下图所示：上面的方...

如果我们在使用TensorRT时有一些操作并不支持，我们可以自行编写将其作为TensorRT的插件层，从而使得这些不能支持的操作能在TensorRT中使用。我们以上采样层为例，进行编写：首先我们要先定义一个继承自TensorRT插件基类的Upsample类：class Upsample : public IPluginExt然后我们要实现该类的一些必要方法，首先是2个构造函数，一个是传参数构建，另

PANet论链接PANet介绍这篇文章提出的Path Aggregation Network (PANet)整体上可以看做是在Mask RCNN上做多处改进，充分利用了特征融合：引入bottom-up path augmentation结构，充分利用网络浅特征进行分割。引入adaptive feature pooling使得提取到的ROI特征更加丰富。引入fully-connected fusio

GAN基础概念对抗生成网络（GAN）是一个教深度模型获取训练数据分布的一种框架，因此我们能够使用类似的分布来生成新的数据。首先我们进行一些符号定义。xxx表示图像数据。D(x)D(x)D(x)表示判别网络，它的输出表示数据xxx来自于训练数据而不是生成器的概率。这里输入D(x)D(x)D(x)是CHW大小为3×64×643\times64\times643×64×64的图像。直观地说，当xxx..