前言本文转载于全面理解目标检测中的anchoranchor是一个晦涩难懂的东西，没有在哪篇论文中有明确的定义，也没有详细介绍它到底是什么，很多人在初次接触时非常头疼。在本文将详细介绍一下anchor。在本文将详细介绍一下anchor，主要包括以下内容：What：anchor是什么？Where：如何以及在何处对图像生成anchor以用于目标检测训练？When：何时可以生成anchor？Why：为什么

数据增强通常是依赖从现有数据生成新的数据样本来人为地增加数据量的过程。这包括对数据进行不同方向的扰动处理或使用深度学习模型在原始数据的潜在空间(latent space)中生成新数据点从而人为的扩充新的数据集。这里我们需要区分两个概念，即增强数据和合成数据：成数据：指在不使用真实世界图像的情况下人工生成数据，合成数据可由 GAN 或者现如今大火的 AGI 技术 Diffusion Model 产生

二值神经网络综述，和2015年--2022年间相关的论文&代码。

目标检测是指在图像或视频中分类和定位物体的任务。由于其广泛的应用，最近几年目标检测受到了越来越多的关注。本文概述了基于深度学习的目标检测器的最新发展。同时，还提供了目标检测任务的基准数据集和评估指标的简要概述，以及在识别任务中使用的一些高性能基础架构，其还涵盖了当前在边缘设备上使用的轻量级模型。在文章的最后，我们通过以图表的形式直观地在多个经典指标上比较了这些架构的性能。

最近几周忙着考试，一直没有写了，这样不好，还是得勤写才是。虽迟但到，祝大家新年快乐！新的一年咱们共同学习，共同进步。这就开始新年第一篇，攻克目标检测难点，虽然也是微信搬来的，但写的是真好，与君共勉！目录目标检测难点概述秘籍一，模型加速之轻量化网络1SqueezeNet：压缩再扩展2MobileNet：深度可分离2.1MobileNet V12.2MobileNetV22.3MobileNetV33

前言在前面的秘籍一：模型加速之轻量化网络和秘籍二，非极大值抑制与回归损失优化之路中，我们主要关注了轻量化网络，非极大值抑制算法、回归损失优化。但是要想获得较好的检测性能，检测算法的多尺度检测也极为重要。传统卷积网络通常采用从上到下的单行结构。对于大物体而言，其语义信息将出现在较深的特征图中；而对于小物体，其语义信息出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失。多尺度检测也是当今物

前言本文转载于（图解）神经网络之CNN与RNN的关系。文章主要是对CNN和RNN的理解，通过对比总结各自的优势，同时加深自己对这方面知识的理解，其中代码引用采用的是VQA模型中对图像和文本的处理。目录前言1、CNN介绍1.1 Why CNN for Image1.2 CNN架构图1.3 卷积层1.3.1 重要参数1.3.2 卷积计算1.3.3 卷积层与全连接层的关系1.4 池化层1.5 应用2、R

前言本文分别从数据方面和模型方面分析了导致模型训练不收敛或失败的原因，数据方面总结了四种可能的原因，模型方面总结了九种可能的问题。除此之外，本文介绍了每种潜在问题的产生后果或现象，并提供了常规做法。作者：风影忍着@知乎，转载自CV技术指南，文章仅用于学术分享文章：神经网络训练过程中不收敛或者训练失败的原因 - 知乎在面对模型不收敛的时候，首先要保证训练的次数够多。在训练过程中，loss并不是一直在

卷积核又称filter，过滤器。每个卷积核有长宽深3个维度；在某个卷积层中，可以有多个卷积核；下一层需要多少个feature map，本层就需要多少个卷积核。卷积核的长宽是人为指定的，长*宽 被称为 卷积核的尺寸。常用尺寸有1*1 ，3*3 ，5*5 。卷积核的深度与当前图像的深度相同（即通道数保持相同）。指定卷积核时，只需要指定长宽两个参数，其通道数会默认与当前作用图像的通道数相同。1*1卷积是

2021年和2022年的顶会论文与代码分享，包括有ECCV2022，CVPR2022，CVPR2021，ICCV2021，推荐系统相关（ACL、SIGIR、NeurIPS、RecSys、KDD、CIKM、WWW、IJCAI）