一、联合训练算法这种算法可以把这两种的数据集混合到一起。使用一种分层的观点对物体进行分类，用巨量的分类数据集数据来扩充检测数据集，从而把两种不同的数据集混合起来。联合训练算法的基本思路：同时在检测数据集和分类数据集上训练物体检测器（Object Detectors），用检测数据集的数据学习物体的准确位置，用分类数据集的数据来增加分类的类别量、提升鲁棒性。二、YOLO V2的架构1. backbon

一、数据增强对于单一图片，除了经典的 几何畸变 和 光照畸变 外，还创新地使用了图像遮挡（Random Erase, Cutout, Hide and Seek, Grid Mask, MixUp）技术；对于多图组合，作者混合使用了 CutMix 与 Mosaic 技术。除此之外，还使用了 Self-Adversarial Training(SAT) 来进行数据增强。1. 图像遮挡Random E

文章目录1. 考虑使用另外一种学习率策略2. 在 DataLoader 中使用多个 workers 和 pinned memory3. 最大化 batch size4. 使用自动混合精度5. 开启 cudnn benchmarking6. 注意 CPU 和 GPU 之间频繁的数据传输7. 使用 gradient/activation 检查点8. 使用梯度累加9. 对于多个GPU使用分布式数据并行1

一、图像分类性能评估指标（概念介绍）Top-1 & Top5： 这两个标准主要用于图像分类任务中Top-1 error rate： 对一张图片，若概率最大的是正确答案，则认为分类正确，否则错误；用 argmax 从网络输出取到的预测 index 与真实 index 的准确率。Top-5 error rate： 对一张图片，若概率前五的预测中包含正确答案，则认为分类正确，否则错误；二、问题分

Linux 使用ps -ef | grep pythonps aux | grep pythonkillall python平台使用dlp delete -i 进程号# 结束任务dlp quota group# 查看资源dlp wait group# 排队详情-x: 不使用某个节点-s: 指定使用某个节点