摘要： 这里我们先理解一下AP的概念 AP的概念主要是根据ROC曲线的面积来求取的，ROC曲线的面积又是根据准确率和召回率来获得的 准确率的说明: 被判断为正样本中，实际被判断为正确的正样本的个数 召回率的说明:实际的正样本中，被判断为正确的正样本的个数 以上图为例 当阈值在0.9时，判断为正样本的个数时1 阅读全文

摘要： centerNet的 创新点: 这是一种不需要使用anchor的网络结构，网络的输出使用的由3个head层所决定，第一个输出类别数，第二个输出中心点位置，第三个输出偏置项 (hm): Sequential( (0): Conv2d(64, 64, kernel_size=(3, 3), stride 阅读全文

摘要： 使用torch.onnx.export来进行模型的构造 import torch import torch.nn as nn import torch.nn.functional as F import torch.onnx import netron class model(nn.Module): 阅读全文

摘要： MobileNetV1 亮点1：mobileNetV1使用的是一种新的网络结构, 这种网络结构的特点是使用3x3的分组卷积层进行单通道的特征提取，然后使用1x1的卷积对通道进行特征融合 图示说明: 左边是改进前的网络结构，右边是改进后的网络结构，由一个3x3的分组卷积和一个1x1的卷积构成 上述网络 阅读全文

摘要： 1.本文的亮度一: 首次提出了Focal loss 1.解决正负样本分布不均匀，常见的思想是引入一个权重因子α ，α ∈[0,1]，当类标签是1(前景)，权重因子是α ，当类标签是-1(背景)时，权重因子是1-α 。同样为了表示方便，用αt表示权重因子，那么此时的损失函数被改写为：一般使用at等于0 阅读全文

摘要： c++中使用enum class 来构造枚举体, C中使用的是enum 来构造枚举体, 枚举体可以指定类型 enum class jun1 { xiaohong, xiaoming, } enum class jun:int { siling, junzhang, shizhang, }; int 阅读全文

摘要： 1.使用 is_lvalue_reference 进行左值引用判断, is_rvalue_reference(右值引用判断) #include<iostream> #include<type_traits> #include<string> int main1() { int i(10); int 阅读全文

摘要： 1.atuo 自动分配属性，但是不能区分常量, decltype可以区分常量 const vector<int> myint{1, 2, 3, 4, 5}; auto inta = myint[0]; inta = 20; decltype(myint[0]) intd = 1; intd = 2; 阅读全文

摘要： 1.日期拆分 由于日期是固定格式的,如1994/01/08 因此使用regex_match 可以进行结果的匹配 int main3() { //1999 12 25 regex reg("^(\\d{4})/(0?[1-9]|1[0-2]])/(0?[1-9]|[1-2][0-9]|3[0-1])$ 阅读全文

摘要： 正则匹配中的基础符号 ^开头()组[]或,{}几次$结尾 1.regex_match(匹配) 判断当前的结构体是否符合正则匹配规则 #include<iostream> #include<regex> using namespace std; //regex_match 匹配 //regex_sea 阅读全文