GAN网络经常会见到或用到，但感觉对其理解不够深入，写此博客记录一下，方便今后查阅。

感觉这个游戏以后可以做可视化的图形用户界面，所以改进一下，先记下来。CRAPS又称花旗骰，是美国拉斯维加斯非常受欢迎的一种的桌上赌博游戏。该游戏使用两粒骰子，玩家通过摇两粒骰子获得点数进行游戏。简单的规则是：玩家第一次摇骰子如果摇出了7点或11点，玩家胜；玩家第一次如果摇出2点、3点或12点，庄家胜；其他点数玩家继续摇骰子，如果玩家摇出了7点，庄家胜；如果玩家摇出了第一次摇的点数，玩家胜；其他点数

R-CNN：Region with CNN feature内容总结于 b站霹雳吧啦Wz博主，讲的很好，这里做简要总结。

文章的动机与GFL类似，都是基于目标检测中分类与定位的相关性低，低分类得分数但高定位精度的预测框可能会被nms掉这一问题。本文试图统一分类得分与回归质量，并设计了更强的bbox表达方式和优化方法。......

coco数据集的评价指标的计算还是比较复杂的，代码写的也比较凝炼，最近要计算目标检测的混淆矩阵，我看mmdet的计算方式比较奇怪，本着P和R等计算方法要与coco官方对齐的目的，特地写此笔记对coco官方的计算方式进行深入理解。coco计算不同map有很多变量：iou阈值，目标的面积范围，最大检测框数量等。coco首先使用cocoEval.evaluate() 函数进行匹配计算，然后使用cocoE

mindspore实现单阶段目标检测模型TOOD

目标检测算法最难理解的，设计最复杂的就是正负样本分配和损失函数这块了，这两者将很大程度决定网络的训练效果，因此开帖对yolo系列做一总结，重点也在这两者，吸收他人优秀博客内容，进行整理。.........

在目标检测领域，单阶段算法精度第一次超过双阶段，就是RetinaNet。

目标检测的两个任务，分类和位置回归，本帖将经典的位置回归损失函数总结如下，按发表时间顺序。L1最低点是不可导的，所以势必不会收敛到最低点，可能会在最优解附近震荡。而L2损失容易在离群点产生梯度爆炸的问题。smooth L1则集两者的优点于一身。提出IoU loss的论文：不论是L2还是smooth L1 loss都没有考虑到四个点的关联性和尺度不变性，这个是比较致命的缺点，当两对预测框与GT框的I

在v2中，作者基于v1中回归任务的离散概率分布估计，对回归任务进行质量评估，以帮助NMS时保留到回归质量最好的边界框。其直观的原理是这样的：估计的离散概率分布越平滑，那不确定性越高，网络对得到的框的质量是表示怀疑的，概率分布越尖锐，表示确定性很高，网络很笃定回归得到的边界框。