windows 10编译安装detectron2（0.2.1）目前官方git上暂不提供win10配置detectron2框架过程，记录一下配置过程。win10环境下编译安装detectron2（0.2.1）基础环境anaconda3 pytorch1.6 python 3.6 cuda10.2 vs2019

这篇文章主要要解决的问题是目标检测中尺寸变化问题。使用了非常简单干净的办法在标准的COCO benchmark上，使用ResNet101单模型可以得到MAP 48.4的结果。

windows 10编译安装detectron2（0.2.1）目前官方git上暂不提供win10配置detectron2框架过程，记录一下配置过程。win10环境下编译安装detectron2（0.2.1）基础环境anaconda3 pytorch1.6 python 3.6 cuda10.2 vs2019

在采集和标记足够的异常数据不可行的情况下，无监督异常检测和定位是实际应用的关键。 现有的基于表示的方法大多采用深度卷积神经网络提取正常样本图像特征，并通过非参数分布估计方法表征对应的分布。 异常分数是通过测量测试图像的特征与估计分布之间的距离来计算的。 然而，目前的方法不能有效地将图像特征映射到易于处理的基分布上，并且忽略了局部和全局特征之间的关系，而这些特征对识别异常非常重要。 为此，我们提出了

few-shot-object-detection代码实验过程一、基础配置1、代码下载https://github.com/wz940216/few-shot-object-detection2、windows10配置安装detectron2https://blog.csdn.net/qq_35030874/article/details/116915874?spm=1001.2014.3001.