好久都没写论文相关的博客了，最近苦于调参。抽空看了一下这篇有新意的论文。将之前目标检测的通用范式：预测回归框的位置，变成直接预测目标的位置。论文框架简单，很管用。

第二篇：深度学习环境配置指南（Linux-ubuntu16.04）一、安装Anaconda：一、安装Anaconda：Anaconda的简介就不多说了，大家自行百度即可，这里说一下安装。首先下载Anaconda镜像，这里给出几个常用的镜像链接，大家对应着下载，查看。1、Anaconda官网（速度慢，不推荐）2、清华源镜像3、ubuntu系统内核下载（一般在误卸载ubuntu内核后才可能需要用到，血

目标检测+实例分割+姿态估计三合一：LSNet: Location-Sensitive Visual Recognition with Cross-IOU Loss论文笔记一、Abstract二、引言三、相关工作四、方法描述1、Location Sensitive Visual Recognition2、LSNet: A Unified Framework3、Cross IOU Loss4、Pyr

Dealing with Missing Modalities in the Visual Question Answer-Difference Prediction Task through Knowledge Distillation 论文笔记一、Abstract二、引言三、相关工作1、Answer Difference in VQA Datasets2、Generalized Knowled

第三篇：创建深度学习所需的虚拟环境（Windows or Linux-ubuntu16.04）利用Anaconda创建虚拟环境1、安装Anaconda2、换源2.1 pip换源2.1.1 Windows更换源：2.1.2 Linux更换源：2.2 Anaconda换源2.2.1 Windows更换源：2.2.2 Linux更换源：3、创建虚拟环境附注问：为什么要创建虚拟环境呢？答：如果不创建，在b

问题描述: 在用pythia 训练模型时，出现：2021-03-23T15:41:44 ERROR: /media/XXX/D20187A13362E67A/Run_python_module/mmf-0.3.1Traceback (most recent call last):File "tools/run.py", line 94, in <module>run()File "to

本文提出一个开放目标检测器 Grounding DINO，采用基于 Transformer 的 DINO 框架+预训练，能够检测任意输入类别或表达式对应的目标。开放目标检测的关键在于引入语言到一个闭集的检测器中，从而实现开放的概念泛化。于是本文提出将闭集的检测器划分为三个阶段并提出一种轻量化的融合方法，包含一个特征增强器，一个语言引导的 query 选择，一个跨模态的检测器用于跨模态融合。之前的工

这是一篇基于 Box 的弱监督实例分割文章，之前也分享过几篇（主页有，欢迎关注一下呗~），采用旧纸堆里面翻出来的能量函数来做弱监督。

解决torch.save(outputs, "xxx.pth"）时报运行内存不足的错误：kill - 9一、 问题描述二、原因分析三、解决办法四、结论附注：读取 **XX.pth、.th、npy、npz**等文件的方式一、 问题描述在利用Faster_RCNN批量提取proposal特征时，报运行内存不足。二、原因分析一般该问题在批量提取数据集特征时特别容易出现，原因例如采用了下列这种结构：res

这同样是一篇弱监督实例分割论文，出自上一篇博文（弱监督实例分割 Box-supervised Instance Segmentation with Level Set Evolution 论文笔记）原班人马再加一位作者，核心思想都差不多，利用能量函数来执行弱监督。大部分相同的东西，论文也提到是将会议转期刊了。