摘要：
复现Dynamic Curriculum Learning for Imbalanced Data Classification 这篇paper思路很清晰 主要的复现是两个loss函数 阅读全文
摘要：
对于分类问题的评测 评价指标通常有５个，分别是ma,acc,pre,recall,f1 ma：一个既关注正样本，又关注负样本的评测指标 正样本recall ＋ 负样本recall / 2, acc: 只关注正样本，但是属于pre和recall的结合体 acc=TP / PUT U:取并集，虽然我觉得 阅读全文
摘要：
初始化是相当重要的，一定不能乱写， 因为首先初始化由于学习率比较小的原因，导致这个层的weight改变的会很慢， 其次，初始化如果不对，很可能不只是下降慢，可能是全盘皆输 17:40:18 从上述公式可以看出，由于学习率很小，所以w基本不变，再加上w内部如果都设为１，则w更新之后也基本一样，如果是这 阅读全文
摘要：
关于Deep Imbalanced Attribute Classification usingVisual Attention Aggregation 文章的复现 这篇文章的创新点： １ 一个新的混合attention，这个结构应该很不错，即采用普通正面attention与channel atte 阅读全文
摘要：
batchnorm层的作用是什么？ batchnorm层的作用主要就是把结果归一化， 首先如果没有batchnorm ，那么出现的场景会是： 过程模拟 首先batch-size=32,所以这个时候会有32个图片进入resnet. 其次image1进入resnet50里面第２个卷积层,然后得出一个结果 阅读全文
摘要：
卷积层得参数： in * kernelw * kernel *c: 可以理解为全连接，我们可以把一个饼状图当做一个节点， 如果把一个饼，也就是一个kernel*kernel(例：2*2)当做一个节点，那么这个参数层也就是 in * 1 * out 那么这个所谓的in * 1 *out 不就是全连接里 阅读全文
摘要：
防止过拟合 可以通过 １ 增加augmentation(flip imgaug) 2 增加pooling(因为没有参数) ３ 增加l2正则化 lr正则化，就是l2范数，所以增加了l2范数loss会变成这样 loss = L + lmda/2 * ||w|| l2范数就是1**2+2**2+3**2+ 阅读全文
摘要：
评测reID的指标，也就是以图搜图的能力，也就是在数据库检索的能力，主要就是用两个指标 一个是map 另一个是cmc,也就是rank1,rank5,rank10.... 但是一般我们看的主要就是 map和rank1 对于用户来说，想看的指标优先程度： rank1 > map > rank5 理由如下 阅读全文
摘要：
attention就是一个门，sigmoid是if elif 几很多门，能进去的也有很多门，而softmax类似于switch for，即很多门里面只能进入一个门 决定通路与闭路，一张图片１０＊１０，可能关注的点就是中间的一部分和左下角的一部分，那么中间的一部分就是通路，sigmoid输出尽量为１， 阅读全文
摘要：
Conv的计算公式 1 conv: (x-k+2*p)/s + 1 = 新的conv 的长度与宽度 2 maxpooling/avgpooling: (x-k)/s + 1 =新的pool长度与宽度大小 参数计算量： 1 包括卷积层参数量（weights+bias）:主要，但是参数量本身却很小 2 阅读全文