生成对抗神经网络1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM2.GAN（无监督）（1）判别网络用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。（2）生成网络第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。（3）训练目标判别器训练：判别生成图片和真实图片的真假越来越准确。生成器训练：

深度学习目标跟踪1. 实质：通过卷积神经网络得到特征图，输出分类和位置。2. 目标跟踪的分类：① 单类多目标跟踪：MTCNN、Retinaface…② 多类多目标跟踪：RCNN、SPP-Net、Fast-RCNN/Faster-RCNN、SSD…（1） RCNN：通过聚类得到搜索框（强行缩放），在通过卷积提取特征，最后放入SVM进行分类。速度慢，准确率不高。（2） SPP-Net：主要使用了空间金

我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章，偶尔也会出一些应用/代码解读等相关的文章。文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。（文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。）微信公众号：AI炼丹术技术交流群可以从公众号上获取，可以备注是

我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章，偶尔也会出一些应用/代码解读等相关的文章。文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。（文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。）微信公众号：AI炼丹术技术交流群可以从公众号上获取，可以备注是

参考代码来源于 https://github.com/dbolya/yolact实例分割 yolact1. 环境配置首先将项目安装下来，或者git clone到自己本地。因为我这边跑的是yolact++（在data/config.py内设置），所以按官方要求是要安装DCNv2即执行下面代码。cd external/DCNv2python setup.py build develop这里因为我一开始

通过这个链接????进行复习学习。https://github.com/scutan90/DeepLearning-500-questions目标检测 two-stage目标检测（Object Detection）就是要从图像上找到目标。存在的难点主要有：同一种目标可能有不同外观、形状、姿态；同一张图片场景可能有不同的环境因素干扰（光照、遮挡、色差）；目标检测要检测目标在图像中的位置，目标可能会出

基于深度学习推荐系统1. 基础知识（1）one-hot编码带来的问题我们知道，当我们遇到标签类/离散/类别型的数据，我们通过会把它变成one-hot编码。但是这样会使得数据特别庞大而且稀疏。而广告计算和推荐算法很多数据的特征是非常多的，而且大部分会是离散的数据，这样一来数据的稀疏性就会变得非常大。因此，FM主要就是为了解决数据稀疏的情况下，特征怎样组合的问题。（2）因式分解机（FM）因式分解机是一

我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章。文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。（文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。）微信公众号：AI炼丹术技术交流群可以从公众号上获取，可以备注是咸鱼的博客上来的。????行人检测数据集

图片文字提取项目检测网络：CRAFT，基于字符区域感知的文本检测；CRAFT源码：https://github.com/clovaai/CRAFT-pytorch识别网络：crnn+seq2seq，编解码结构，文字识别；crnn+seq2seq源码：https://github.com/bai-shang/crnn_seq2seq_ocr_pytorch1. 写在最前面项目花了一个星期，基本上也是

模型压缩- 剪枝/量化/蒸馏/AutoML原因：深度学习计算复杂度高，参数冗余。解决方式：（1）线性或非线性量化。（2）结构或非结构剪枝。（3）网络结构搜索。（4）权重矩阵的低秩分解。（蒸馏）目的：优化精度、性能、存储……使得可以在一些场景和设备上进行相应模型的部署。1. 剪枝（1）剪枝位置的判定一般根据权重。权重越小，证明该神经元的作用越小。（2）剪枝的方式：删去网络层上的权重的向量/整个神经元