08 2018 档案
摘要：论文：Working hard to know your neighbor’s margins: Local descriptor learning loss 为什么介绍此文：这篇2018cvpr文章主要是从困难样本入手，提出的一个loss，简单却很有效，在图像匹配、检索、Wide baseline
阅读全文
摘要：论文Learning Spread-out Local Feature Descriptors 为什么介绍此文：引入了一种正则化手段，结合其他网络的损失函数，尤其是最新cvpr 2018的hardnet（Working hard to know your neighbor’s margins: Lo
阅读全文
摘要：解读论文：Learning Local Image Descriptors with Deep Siamese and Triplet Convolutional Networks by Minimising Global Loss Functions 为什么要总结这么一篇旧的论文？因为里面一些方法
阅读全文
摘要：深度剖析 | 可微分学习的自适配归一化 (Switchable Normalization) 作者：罗平、任家敏、彭章琳编写：吴凌云、张瑞茂、邵文琪、王新江 转自：知乎。原论文参考arXiv:1806.10779和代码Github。 导读：归一化技术已经成为深度学习系统必不可少的重要组成部分，对优化
阅读全文
摘要：一. ROC曲线概念 二分类问题在机器学习中是一个很常见的问题，经常会用到。ROC (Receiver Operating Characteristic) 曲线和 AUC (Area Under the Curve) 值常被用来评价一个二值分类器 (binary classifier) 的优劣，Sk
阅读全文
摘要：1. 总述 Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。 2. 损失函数形式 Focal loss是在交叉熵损失函数基础上进行的修改，首先回顾二分类交叉上损失： 是经过激活函数
阅读全文
