keras支持模型多输入多输出，本文记录多输出时loss、loss weight和metrics的设置方式。模型输出假设模型具有多个输出classify： 二维数组，分类softmax输出，需要配置交叉熵损失segmentation：与输入同尺寸map，sigmoid输出，需要配置二分类损失others：自定义其他输出，需要自定义损失具体配置model变量均为模型中网络层123inputs = [

1. 代码：https://github.com/polarisZhao/PFLD-pytorch2 环境：torchvision==0.4.0numpy==1.17.2torch==1.2.0opencv_python==4.1.0.25tensorboardX==1.8onnx-simplifier3.#include <opencv2\opencv.hpp>#include &l

1.CNN的特点以及优势改变全连接为局部连接，这是由于图片的特殊性造成的（图像的一部分的统计特性与其他部分是一样的），通过局部连接和参数共享大范围的减少参数值。可以通过使用多个filter来提取图片的不同特征（多卷积核）。CNN使用范围是具有局部空间相关性的数据，比如图像，自然语言，语音1.局部连接：可以提取局部特征。2.权值共享：减少参数数量，因此降低训练难度（空间、时间消耗都少了）。3.可以完

加州大学欧文分校的这项研究，让我们更期待未来更先进的彩色夜视仪。其实是很容易想到的图像增强手段，在一些军事大片中，士兵头戴夜视仪搜索前进似乎是少不了的场景。使用红外光在黑夜中观察的夜视系统通常将视物渲染成单色图像。图源：flir.com不过，在最近的一项研究中，加州大学欧文分校的科学家们借助深度学习 AI 技术设计了一新方法，有了这种方法，红外视觉有助于在无光条件下看到场景中的可见颜色。研究共同一

量化是将数值 x 映射到 y 的过程，其中 x 的定义域是一个大集合(通常是连续的)，而 y 的定义域是一个小集合（通常是可数的）。8-bit 低精度推理，是将一个原本 FP32 的浮点张量转化成一个 int8/uint8 张量来处理。先看一下浮点数和 8-bit 整数的完整表示范围。模型量化会带来如下两方面的好处：减少内存带宽和存储空间深度学习模型主要是记录每个 layer（比如卷积层/全连接层

二维卷积：操作二维卷积是一个相当简单的操作：从卷积核开始，这是一个小的权值矩阵。这个卷积核在 2 维输入数据上「滑动」，对当前输入的部分元素进行矩阵乘法，然后将结果汇为单个输出像素。一个标准的卷积卷积核重复这个过程知道遍历了整张图片，将一个二维矩阵转换为另一个二维矩阵。输出特征实质上是在输入数据相同位置上的加权和(权值是卷积核本身的值)。输入数据是否落入这个「大致相似区域」，直接决定了数据经过卷积

吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点。因此它不仅仅适合初学者了解深度学习，还适合机器学习从业者和研究者复习基本概念。这不仅仅是一份课程笔记，同时还是一套信息图与备忘录。深度学习基础1. 深度学习基本概念监督学习：所有输入数据都有确定的对应输出数据，在各种网络架构中，输入数据和输出数据的节点层都位于网络的

在工地现场，对于进场的钢筋车，验收人员需要对车上的钢筋进行现场人工点根，确认数量后钢筋车才能完成进场卸货。目前现场采用人工计数的方式，如图1-1中所示：图1-1 钢筋点跟现场场景上述过程繁琐、消耗人力且速度很慢（一般一车钢筋需要半小时，一次进场盘点需数个小时）。针对上述问题，希望通过手机拍照->目标检测计数->人工修改少量误检的方式（如图1-2）智能、高效的完成此任务：主要难点：（Ma

一：polygon2bbox二：maskImg2json三.保存四边形矩形框bbox标注信息四.保存不规则边框polygon标注信息五：将labelImg标注的xml BBox文件转成json文件六：voc中txt格式的，也转为json格式七：labelme标注的json文件，打印到原图image上八：labelme的json数据转换成coco数据读取所需的json文件前言：在做视觉图像处理中，尤

将图像或影片从低分辨率转化为高分辨率，恢复或补足丢失的细节（即高频信息），往往需要用到超分辨率技术。根据所用低分辨率图像的数量，超分辨率技术可分为单幅图像的超分辨率 (SISR) 和多幅图像的超分辨率 (MISR)。网友用 AI 技术给视频上色、插帧恢复了 1920 年北京市民生活记录影像SISR 利用一张低分辨率图像，达到图像尺寸增大或像素的增加的效果，从而获得一张高分辨率图像。MISR 则是借