Batchnorm解决的问题：机器学习领域有个很重要的假设：IID独立同分布假设，就是假设训练数据和测试数据是满足相同分布的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。那BatchNorm的作用是什么呢？BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同的分布。如果ML系统实例集合<X,Y>中的输入值X的分布老是变，这不符合IID假设

215. 数组中的第K个最大元素在未排序的数组中找到第k个最大的元素。请注意，你需要找的是数组排序后的第 k 个最大的元素，而不是第 k 个不同的元素。示例 1:输入: [3,2,1,5,6,4] 和 k = 2输出: 5...

参考自：https://blog.csdn.net/Mr_health/article/details/82667538原文中，writeXml(anno_new_dir, new_img_name, W, H, D, gt_new)的代码缩进有问题，无法保存新的xml。针对HBB格式的标注样本进行扩增。HBB格式下目标被标注为xmin，ymin，xmax，ymax。下面脚本中支持...

目录1. 分组卷积(Group Convolution)1.1 分组卷积与普通卷积的区别1.2 分组卷积的用途2. 深度分离卷积(Depthwise Convolution)原文链接：https://www.cnblogs.com/shine-lee/p/10243114.html本文主要介绍减少参数量、计算量的卷积形式：Group Convolution(分组卷积)Depthwise Convo

目录1）Mosaic增强2）Mixup增强3）Cutout增强3）CutMix增强前言传统的镜像、旋转、缩放、调整亮度、对比度、高斯噪声这里不详细讲解。主要讲一下现在几种火爆的数据增强方式。1）Mosaic增强将4张图片缩放，然后拼接到一起。Mosaic增强的主要优点：丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更

三、YOLOv31、网络结构图备注：图参考自 另一位作者文章resnetblock块(绿色)：由若干个残差单元串联;res_unit残差单元(红色)：由两个卷积单元和一个shortcut链接组成;DBL卷积单元(橙色)：一个卷积核后面加BN和leaky-relu组成；yolo v3结构：输入尺寸：416*416*3，主干网络：使用Darknet-53，检测头：由3个检测分支的FPN结构组成，分别为

1、INT8量化过程一个训练好的深度学习模型，其数据包含了权重（weights）和偏移（biases）两部分，在其进行前向推理（forward）时，中间会根据权重和偏移产生激活值（activation）。INT8的量化原理简单介绍：TensorRT在进行INT8量化时：1）对权重直接使用了最大值量化)；2）对偏移直接忽略；3）对前向计算中的激活值的量化是重点；对激活值进行INT8量化采用饱和量化：

1、卷积核为什么是奇数的？2、卷积核的平移不变性和卷积是如何获取到绝对位置信息？3、卷积神经网络复杂度分析3.1时间复杂度(计算量)计算量只看输出特征图尺寸，因为输出特征图上每个点都是卷积核在输入特征图上一次卷积运算得到。3.2 空间复杂度(模型参数量)也就是卷积核的参数量，与特征图的尺寸无关。4、线性回归5、正则化...

目录1. 分组卷积(Group Convolution)1.1 分组卷积与普通卷积的区别1.2 分组卷积的用途2. 深度分离卷积(Depthwise Convolution)原文链接：https://www.cnblogs.com/shine-lee/p/10243114.html本文主要介绍减少参数量、计算量的卷积形式：Group Convolution(分组卷积)Depthwise Convo

多尺度训练这个问题应该是可以分为两个方面:一个是图像金字塔，一个是特征金字塔吧。1、人脸检测的MTCNN就是图像金字塔，使用多种分辨率的图像送到网络中识别，时间复杂度自然就很高，毕竟每幅图都要用多种scale去检测。2、像FPN特征金字塔网络，是在多个feature map上面识别的话，但是是一次图像输入完成的，所以只是识别时间会稍微长一些，时间复杂度并不会增加吧。3、faster r...