code: https://github.com/obss/sahi概要：这篇论文提出了一种名为切片辅助超推理（SAHI） 的通用框架，通过切片辅助微调 和切片辅助推理 两种方法，显著提升了小目标检测的性能。其核心贡献在于：无需修改现有检测器结构，即可通过图像切片与重叠推理策略有效增强小目标的检测能力，并在VisDrone和xView数据集上实现了最高达14.5%的平均精度提升。该方法已集成至主流

遇到的问题在利用pycocotools库中的评估函数cocoeval时，遇到bug:linspace object of type <class ‘numpy.float64’> cannot be safely interpreted as an integer.解决方法not use numpy 1.18, use numpy version < 1.18;modify co

【代码】PCD可视化（C++）

code:https://github.com/xingyizhou/CenterNet2文章目录1.概要2.相关工作2.1 One-Stage Detectors2.2 Two-Stage Detectors2.3 Anchor Free && DETRTwo-Stage检测的概率解释4 检测器的选择4.1 RetinaNet4.2 CenterNet4.3 ATSS4.4 GF

MedYOLO 是基于 YOLOv5 的3D医学图像目标检测模型。优点：轻量、高效，适用于医学图像中的器官和病变检测。问题：在原论文中，MedYOLO 在LIDC（肺结节检测）和BraTS（脑肿瘤检测）数据集上表现不佳，尤其是大模型配置完全无法训练。

MedYOLO 是基于 YOLOv5 的3D医学图像目标检测模型。优点：轻量、高效，适用于医学图像中的器官和病变检测。问题：在原论文中，MedYOLO 在LIDC（肺结节检测）和BraTS（脑肿瘤检测）数据集上表现不佳，尤其是大模型配置完全无法训练。

这个ROS melodic工作区是在Ubuntu 18.04上创建的。在这里，我已经在几个moveit相关的项目，如挑选，放置，浇注任务为多机械手系统使用moveit任务构造器(MTC)。

paper: https://arxiv.org/abs/2001.04086code: https://github.com/Jia-Research-Lab/GridMask概述作者首先回顾了数据增强（Data augmentation）方法，指出当前方法有三类：spatial transformation, color distortion, 以及 information dropping。

要理解嵌入，我们必须首先了解机器学习模型的基本要求。具体来说，大多数机器学习算法只能将低维数值数据作为输入。在下面的神经网络中，每个输入特征都必须是数字。这意味着在推荐系统等领域，我们必须将非数字变量（例如项目和用户）转换为数字和向量。我们可以尝试用产品 ID 来表示商品；然而，神经网络将数字输入视为连续变量。这意味着较高的数字“大于”较低的数字。它还将相似的数字视为相似的项目。这对于“年龄”这样

mixupmixup是基于邻域风险最小化（Vicinal Risk Minimization, VRM）原则的数据增强方法，使用线性插值得到新样本数据。在邻域风险最小化原则下，根据特征向量线性插值将导致相关目标线性插值的先验知识，可得出简单且与数据无关的mixup公式：其中（xn，yn）是插值生成的新数据，(xi,yi) 和 (xj，yj)是训练集中随机选取的两个数据，λ的取值满足贝塔分布...