论文背景引言（Introduction）特征金字塔网络FPNFPN网络建立Anchor锚框生成规则实验代码解读参考资料本篇文章是论文阅读笔记和网络理解心得总结而来，部分资料和图参考论文和网络资料论文背景FPN(featurepyramidnetworks)是何凯明等作者提出的适用于多尺度目标检测算法。原来多数的objectdetection算法（比如fasterrcnn）都是只采用顶层特征做预测，但我们知道低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而本文不一样的地方
论文背景引言（Introduction）特征金字塔网络FPNFPN网络建立Anchor锚框生成规则实验代码解读参考资料本篇文章是论文阅读笔记和网络理解心得总结而来，部分资料和图参考论文和网络资料论文背景FPN(featurepyramidnetworks)是何凯明等作者提出的适用于多尺度目标检测算法。原来多数的objectdetection算法（比如fasterrcnn）都是只采用顶层特征做预测，但我们知道低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而本文不一样的地方
ROIPooling和ROIAlign的区别MaskR-CNN网络结构骨干网络FPNanchor锚框生成规则实验参考资料MaskRCNN是作者KaimingHe于2018年发表的论文ROIPooling和ROIAlign的区别UnderstandingRegionofInterest—(RoIAlignandRoIWarp)MaskR-CNN网络结构MaskRCNN继承自FasterRCNN主要有三个改进：featuremap的提取采用了FPN的多尺度特征网络ROIPooling改进为ROIAlign在RPN后面，增加了采用FCN结构的mask分割分支网络结构如下图所示：可以看出，MaskRC
ROIPooling和ROIAlign的区别MaskR-CNN网络结构骨干网络FPNanchor锚框生成规则实验参考资料MaskRCNN是作者KaimingHe于2018年发表的论文ROIPooling和ROIAlign的区别UnderstandingRegionofInterest—(RoIAlignandRoIWarp)MaskR-CNN网络结构MaskRCNN继承自FasterRCNN主要有三个改进：featuremap的提取采用了FPN的多尺度特征网络ROIPooling改进为ROIAlign在RPN后面，增加了采用FCN结构的mask分割分支网络结构如下图所示：可以看出，MaskRC
我们在上一篇博客《数值优化：经典一阶确定性算法及其收敛性分析》中主要介绍了单机数值优化中一些经典的一阶确定性算法，本篇文章我们将会介绍二阶确定性算法和对偶方法。1牛顿法1.1算法描述牛顿法[1]的基本思想是将目标函数在当前迭代点处进行二阶泰勒展开，然后最小化这个近似目标函数，即\[\underset{w\in\mathcal{W}}{\text{min}}f(w)\approx\underset{w\inW}{\text{min}}f(w^t)+\nablaf(w^t)^T(w-w^t)+\frac{1}{2}(w-w^t)^T\nabla^2f(w^t)(w-w^t)\]此处\(\nabla
我们在上一篇博客《数值优化：经典一阶确定性算法及其收敛性分析》中主要介绍了单机数值优化中一些经典的一阶确定性算法，本篇文章我们将会介绍二阶确定性算法和对偶方法。1牛顿法1.1算法描述牛顿法[1]的基本思想是将目标函数在当前迭代点处进行二阶泰勒展开，然后最小化这个近似目标函数，即\[\underset{w\in\mathcal{W}}{\text{min}}f(w)\approx\underset{w\inW}{\text{min}}f(w^t)+\nablaf(w^t)^T(w-w^t)+\frac{1}{2}(w-w^t)^T\nabla^2f(w^t)(w-w^t)\]此处\(\nabla
摘要：养成二阶思维的习惯是一个漫长、痛苦的过程，但坚持下来，总会收获很大。本文分享自华为云社区《二阶思维》，作者：元闰子。事情往往不是你想象的那样，有时候，看似解决了问题，却在不经意间，引发了更严重的后果。帮助我们思考、决策、解决问题的最有效方法是，运用二阶思维。什么是二阶思维？一阶思维是单纯而肤浅的，几乎人人都能做到；二阶思维则是深邃、复杂而迂回的，能做到的人少之又少。——霍华德·马克斯我们的每一个行动都会导致一个后果，而每个后果，都会有进一步导致其他的后果。由行动直接导致的后果，我们称为一阶后果（First-OrderConsequences）；由一阶后果导致的，二阶、三阶…后果，这里，我
摘要：养成二阶思维的习惯是一个漫长、痛苦的过程，但坚持下来，总会收获很大。本文分享自华为云社区《二阶思维》，作者：元闰子。事情往往不是你想象的那样，有时候，看似解决了问题，却在不经意间，引发了更严重的后果。帮助我们思考、决策、解决问题的最有效方法是，运用二阶思维。什么是二阶思维？一阶思维是单纯而肤浅的，几乎人人都能做到；二阶思维则是深邃、复杂而迂回的，能做到的人少之又少。——霍华德·马克斯我们的每一个行动都会导致一个后果，而每个后果，都会有进一步导致其他的后果。由行动直接导致的后果，我们称为一阶后果（First-OrderConsequences）；由一阶后果导致的，二阶、三阶…后果，这里，我
FasterRCNN网络概述ConvlayersRPN网络Anchors生成RPN网络训练集positive/negative二分类RPN生成RoIs(ProposalLayer)RPN网络总结ROIHead/FastR-CNNRoipoolingROIHead训练ROIHead测试概念理解四类损失三个creator参考资料本文为学习笔记，部分内容参考网上资料和论文而写的，内容涉及FasterRCNN网络结构理解和代码实现原理。FasterRCNN网络概述backbone为vgg16的fasterrcnn网络结构如下图所示，可以清晰的看到该网络对于一副任意大小PxQ的图像，首先缩放至固定大小M
FasterRCNN网络概述ConvlayersRPN网络Anchors生成RPN网络训练集positive/negative二分类RPN生成RoIs(ProposalLayer)RPN网络总结ROIHead/FastR-CNNRoipoolingROIHead训练ROIHead测试概念理解四类损失三个creator参考资料本文为学习笔记，部分内容参考网上资料和论文而写的，内容涉及FasterRCNN网络结构理解和代码实现原理。FasterRCNN网络概述backbone为vgg16的fasterrcnn网络结构如下图所示，可以清晰的看到该网络对于一副任意大小PxQ的图像，首先缩放至固定大小M
