（上下文信息反映了各个类别的目标在图像中的联合先验概率密度分 布，即哪些类别的目标可能同时出现，哪些类别的目标则不太可能同时出现。锚框（先验框）：RPN预置了九种尺寸（三种面积128×128，256×256，512×512，每种面 积又包含三种长宽比1:1，1:2，2:1）的锚框在图像上滑动来寻找目标。目标检测层为每个边界框计算一个置信度（置信度包含两个方面，一是这个边界框含有目标的可能性大小，二

论文发现孪生网路可以在1没有负样本2没有大批量3没有动量编码器 （只通过禁止梯度回传）的情况下学习到特征表示。文章中最重要的概念是Stop-gradient梯度停止/禁止梯度回传。层：BN有助于训练优化，这与监督学习中BN的作用类似；损失函数：SimSiam的有效性不依赖于对称损失，只是论文设计的对称损失函数更加有效。去除sg，果然崩溃导致了退化解，后续作者还用实验证明退化解是“崩溃”导致的。，总

（2）投影时，当要改变某个像素的颜色值时，首先检查该像素对应当前多边形上点的深度值是否大于该像素原来的深度值（保存在该像素所对应的Z缓冲器的单元中）。如果大于，说明当前多边形更靠近观察点，用它的颜色替换像素原来的颜色，同时保存深度值。但需要一个额外的 Z 缓冲器，的每个像素处都要计算深度值，计算量大。在原有的帧缓存（存储各个像素的颜色信息）的基础上，再加一个Z缓冲器（深度缓存）。彩色光照模型：上面

然后把p5上采样，得到256*50*76，这个p5上采样结果加上res4的1*1卷积结果，得到256*50*76，再来个3*3卷积得到p4。如此一来，FPN的输出即为：[p2: 256*200*304, p3: 256*100*152, p4: 256*50*76, p5: 256*25*38, p6: 256*13*19]。这两个都是用在rpn之后的。图像中存在不同大小的目标，而不同的目标具有不

之前的VQA存在的问题：只能获取训练集中的知识，而无论怎样扩大数据集，也无法完全覆盖现实世界；在这种方法中训练的神经网络能力有限，我们希望学习的信息 量远远超过了这种能力。文本表示是通过在大型文本语料库上预先训练的词嵌入（将词汇映射到实数向量）来获得的。将同一个场景的不同图像转换到同样的坐标系统中的过程，这些图像可以来自不同时间，不同视角，不同传感器……一个高度整合的、具有复杂功能的视觉项目。根据

预训练使用224*224的图像训练ImageNet，预训练好后使用预训练网络的前20个卷积层+平均池化层+全连接层，（其他论文说明：在预训练的网络中同时添加卷积层和连接层可以提高性能）再加4层卷积和2层全连接(随机初始化权重)去训练检测任务，输入大小为448×448。利用图像的宽和高对box的宽和高做归一化，使其介于0和1之间(box的宽高/原图像的宽高)。（3）此外，小的bbox的偏差应当比大的