待改进：原始大图数据集不是COCO标注格式的，待更改成COCO标注原始数据集大图切割种类名和id的获取是直接赋值的，后续改成COCO标注格式时需要从数据集获取思想：使用滑动窗口切分大图，同时滑动时重叠一定数值，根据滑窗图像patch中目标包围框占原始包围框的比例选择保留标注与否。方法：对每一张大图生成实例图像标签和语义图像标签用于确定滑窗patch中的目标是否保留标注，如果占比太小，比如patch

证明命题：∀满足正态分布的随机变量X，Y，有X，Y不相关⇔X,Y独立\forall 满足正态分布的随机变量X，Y，有X，Y不相关\Leftrightarrow X,Y独立∀满足正态分布的随机变量X，Y，有X，Y不相关⇔X,Y独立如果X,YX,YX,Y独立，则必有X,YX,YX,Y不相关因为X,YX,YX,Y独立，那么有E(XY)=E(X)E(Y)E(XY)=E(X)E(Y)E(XY)=E...

简单小矩阵直接赋值初始化，将小矩阵赋值到大矩阵某个区域，访问多通道矩阵某个元素某个通道，将多个点组成一个矩阵。

没有免费的午餐定理(No Free Lunch Theorem),这个定理说明若学习算法LaL_a 在某些问题上比学习算法LbL_b 要好，那么必然存在另一些问题，在这些问题中LbL_b 比LaL_a 表现更好。这里说的表现好就是前面所说的泛化能力更强。然后出现了下面这个公式Eote(La|X,f)=∑h∑x∈χ−XP(x)I(h(x)≠f(x))P(h|X,La)E_{ote

没有免费的午餐定理(No Free Lunch Theorem),这个定理说明若学习算法LaL_a 在某些问题上比学习算法LbL_b 要好，那么必然存在另一些问题，在这些问题中LbL_b 比LaL_a 表现更好。这里说的表现好就是前面所说的泛化能力更强。然后出现了下面这个公式Eote(La|X,f)=∑h∑x∈χ−XP(x)I(h(x)≠f(x))P(h|X,La)E_{ote