因为毕设做船只检测，应该就是用哨兵二号数据提取船只，所以阅读了很多这种文献。想做一个新的企划，叫做和我一起读文献（read with me!），分享最近读的所有文献，0代码，纯心得。后面几篇应该都是船只的文献阅读啦~大家可以根据思维导图上的论文名称来选自己感兴趣的。下面是画的思维导图。已经筛除了部分灌水论文。基本都是近5年的，基本都精读过。这么多篇读下来的感受是：深度学习YYDS！

非常初级的GEE入门教程！大白话！有手就行！附海面风速插值代码，克里金插值，时间插值。

目标检测的代码全集，按照时间顺序总结，各种经典的和不经典的都有。小目标检测终于来了！但这个是论文集，不是代码集或者包。大名鼎鼎的Transformer，这个包可以调用Deformable DETR。上面两个DETR的变种都对CUDA和GCC有要求。下文的格式就是：网址+内容介绍，让我们开始吧！基本你想到的方法都有了，同时也在持续更新！目标检测的论文集，按照时间顺序总结，截止至2020年全部。用来评

因为船只的尺寸特别小，只有几个像素，所以如果你copypaste的话会丢失很多背景信息，本来船只的识别就很靠背景信息，比如船尾迹之类的，如果你复制粘贴就没有背景信息了，就更难识别了，模型就不稳定了！这几天用mmdetection和mmrotate来做微小物体检测的时候，加了一个Rcopypaste的数据增强的trick，发现无论怎么调参，Loss和grad_norm训着训着就变成nan了，换什么l

简单来说：如果一个det的IOU大于阈值，那么就先认为它是True，但有可能nms那一步的时候，用score筛选得不是很好，以至于好几个det同时框在了一个gt上，所以那些框的不是很好的det即使大于了iou阈值，也要被划成fp；另外，对于那些小于iou阈值的det，就全部划成了fp。对于那些置信度本来就小于score的det，就认为是negetive，也就是fp和tp全部赋为0。如果需要计算fn

超级无敌详细的planetscope高分数据下载方式！超详细的数据介绍！免费！3m分辨率！自己的心得体会~

这里因为我想用多尺度的影像,所以就是ms,如果是单一尺度的话就是ss.虽然我也不是很理解为什么ms裁出来的也是一个尺度的.好奇怪.官网没有告诉我们的具体语法!比如下面这样,就修改了Label的地址.

几个月我一直搞不懂旋转目标检测到底相对于水平的目标检测改进在了哪里，直到我读到了这一篇文章：《基于计算机视觉的芯片缺陷检测方法研究》。一篇硕士论文，里面写得特别清楚，胜过我读过的所有blog。今天就分享给大家这一篇文章的这一部分的内容！原文说得非常详细了。省流：在算位置的loss的里面，加了一个算角度的偏移量。

本文解决这个问题：EEException: A mapped function's arguments cannot be used in client-side operations。这个坑，我踩了四天。但是它是没有循环的，因此我想对很多个时间或者很多个位置去做的时候，就得写一个循环套上去。好了问题来了。这个例子里面很多的getInfo，埋下了很多坑。

这样马上就看出问题了！而我是做微小物体检测的，所以很容易漏掉这些很小的样本！为了保守起见，我把le135和le90同样的地方也都注释掉了，不让他直接return。我换成了大一点的样本的数据集，发现就不会有这个问题。首先他会调用一个叫做dota.py的代码，因为我是dota的数据集类型，所以就调这个。但发现部分的标签不见了，比如下面这张图，红色所指的地方没有标出来。readlines的时候是没事的，