安装docker，首先要确保是centos7版本docker安装第一步：Uninstall old versions如果老版本的docker或者docker-engine被安装，我们需要卸载他们，连同与其关联的其他依赖。$ sudo yum remove docker \docker-client \docker-client-latest \docker-common \dock...

论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf论文：YOLOv3: An Incremental ImprovementYOLO系列的目标检测算法可以说是目标检测史上的宏篇巨作，接下来我们来详细介绍一下YOLO v3算法内容，v3的算法是在v1和v2的基础上形成的，所以有必要先回忆： 一文看懂YOLO v2，一文看懂YOLO v2..

目标检测与图像分类不同，目标检测不仅要对检测出来的目标框正确分类，同时，还需要考虑目标框与target是否贴合。首先我们需要知道几个常见指标：TP (True Positive):iou>0.5的检测框数量。在上图中，绿色的框表示GT，其中cat 0.9的红色框就是TP。FP (False Positive):iou<=0.5的检测框。cat 0.3的红色框与GT的IOU小于0.5所以

2023年，YOLO系列已经迭代到v8，v8与v5均出自U神，为了方便理解，我们将通过与v5对比来讲解v8。想了解v5的可以参考文章。

我们在分类任务中经常用ROC曲线与AUC来衡量分类器的好坏。在理解之前，我首先介绍一下混淆矩阵。混淆矩阵在二分类问题上，真实类别分为：F：反例；T：正例；预测类别：P：正例；N：反例。真正例TP(true postive)：样本真实类别为1，学习模型预测的类别也为1假正例FP(false postive)：样本真实类别为0，学习模型预测的类别为1真反例TN(true negative)：样本真实类

1.输入图像经过CNN的backbone获得32倍下采样的深度特征；2.将图片给拉直形成token，并添加位置编码送入encoder中；3.将encoder的输出以及Object Query作为decoder的输入得到解码特征；4.将解码后的特征传入FFN得到预测特征；5.根据预测特征计算cost matrix，并由匈牙利算法匹配GT，获得正负样本；6.根据正负样本计算分类与回归loss。前两章，

在学习pytorch过程中，突然想拥有属于自己的网络结构，于是便自己选择了一个比较简单的resnet18进行改造，并用其对蚂蚁和蜜蜂进行分类，比较一下没有经过预训练的resnet18好还是自己改造的resnet_diy好。在开始撸代码之前，为了方便大家自己设计网络，我把resnet的pytorch实现详细的解读一遍。ResNetResNet 解决了 deep NN 的两大问题：1. deep...

风格迁移Neural Style Transfer (NST) 是深度学习一个非常有趣的应用，如下图所示，它将“content” image © 与“style” image (S)融合成“generated” image (G)。生成的G有C的内容与S的风格组合而成。...

AttGAN：Facial Attribute Editing by Only Changing What You Want(2017 CVPR)文章简介本文研究面部属性编辑任务，其目的是通过操作单个或多个感兴趣的属性(如头发颜色、表情、胡须和年龄)来编辑面部图像。Dataset: CeleAContribution:移除了严格的attribute-independent约束，仅需要通...

PCA是一种数据降维的方法。当我们在处理一些高维且冗余数据时，可以使用PCA对数据进行降维，去除冗余信息，提高运行速度。如上图所示，左边3D图像，存在大量冗余数据，我们把这样的数据转移到2D可以更加清晰的观察数据本身，同时降低计算复杂度。1.PCA原理详解如果我们要对上图二维空间的特征点做特征降维，那怎样的降维结果对我们来说是好的呢？其实，二维特征降维就是找坐标系投影，如图可以看到红色箭头与黄色箭