残差网络学习心得残差网络介绍为什么残差网络有如此好的表现？残差网络介绍ResNets是由残差块构建的，首先先解释一下什么是残差块。这是一个两层神经网络在L层进行激活。计算过程是从a[l]开始，首先进行线性激活 。根据这个等式，通过a[l]算出z[l+1]即a[l]乘以权重矩阵再加上偏差因子，然后通过非线性Relu激活得到a[l+1]。随后我们再进行线性激活，从下面等式可以得出z[l...

在目标检测中，为了与NMS兼容，一个好的检测器应该能够预测具有较高分类得分和精确位置的box。然而，如果所有的训练样本都被同等处理，两个头部之间就会出现错位：类别得分最高的位置通常不是回归对象边界的最佳位置。这种失调会降低检测器的性能，特别是在高IoU指标下。soft label assignment是通过加权损失以软标签的方式处理训练样本，试图增强cls和reg头之间的一致性。

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

我们在做具体的项目时，经常需要我们改变基础网络，但手头上的数据有限，所以想高质量的完成项目，我们需要使用预训练模型。这里我介绍一种方法能够在改变基础网络的同时加载预训练模型。1.在原有backbone中增加层并载入pretrained modelclass ResNet(nn.Module):def __init__(self, block, layers, num_classes...

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。

前缀和是数据结构与算法中比较重要的知识，前缀和经常可以结合哈希表解决很多有意思的问题。为了方便学习，在这里总结leetcode中出现的前缀和问题。525. 连续数组给定一个二进制数组 nums （只含有0，1）, 找到含有相同数量的 0 和 1 的最长连续子数组，并返回该子数组的长度。示例 1:输入: nums = [0,1]输出: 2说明: [0, 1] 是具有相同数量0和1的最长连续子数组。示

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，