摘要： 异常检测 我们经常需要识别一些异常行为或者表现，比如 机器是否故障，产品是否合格，这类问题的特点就是 正常数据很多，异常数据很少，甚至根本没有； 解决这种问题的思路就是，把 训练样本中 一小部分数据认为是 异常数据，然后训练一个 非常紧凑的决策边界，把 大部分被认为是正常的样本 框起来，并以此边界作 阅读全文

摘要： paper 地址 https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/tkdd11.pdf 孤立森林，isolation forest，简称 iforest； 它由 周志华 老师提出，本质是一种 无监督算法，其主要用于异常点检测，在工业界有广泛 阅读全文

摘要： 本文是对论文的解读与思考 论文： Towards End-to-End Lane Detection: an Instance Segmentation Approach introduction 该论文提出了一种 端到端 的 实例分割方法，用于车道线检测； 论文包含 LaneNet + H-Net 阅读全文

摘要： 本文简要介绍一下 1x1 卷积核的作用 1. 改变通道数 2. 减少训练参数 3. 增加非线性 详情见参考资料 参考资料： https://mp.weixin.qq.com/s/HqCUgJ0C34GuTjxXw6UdYg CNN中神奇的1x1卷积 https://zhuanlan.zhihu.co 阅读全文

摘要： source data 我们称为源域，通常源域数据量很大； target data 我们称为目标域，通常数据量很小； 迁移学习是把 在 源域 上学到的东西 迁移到 目标域上； 迁移学习不仅可以用于 监督学习，也可以用于无监督学习； 保守训练 预训练的模型是非常经典的模型，大数据集下得到的泛化能力很强 阅读全文

摘要： 这里简单介绍一下 Shebang(#!) 的用法 基础用法 1. 只在 类 Unix 系统中有效，windows 中可以写，但无效 2. 必须写在文件 开头，第一行的前两个字符 3. shebang 指明了执行这个脚本文件的解释程序，或者说解释器 4. 如果 #! 之后的解释程序是一个可执行文件，那 阅读全文

摘要： 铺垫 在图像分割领域，全卷积网络 FCN 是非常经典的网络，而 U-Net 在医学图像分割方面表现的更加突出； FCN vs U-Nnet 相同点：二者都采用了 encode 和 decode 的经典思路，也就是 AutoEncode 的思路； 这种思路起初被用于 图像压缩和去噪，后来被用到图像分割 阅读全文

摘要： 图像分割，也可以称为 语义分割，图像语义分割， 它是指像素级的分类，即图像上每个像素的类别，如属于 人还是兽，从而进行区域分割； FCN VS CNN 网络结构 CNN 是图像级的分类，很多地方把他们混在一起讲了一大堆，个人觉得没必要，本文只讲重要的，废话请百度； 全卷积网络，Full Convol 阅读全文

摘要： mtcnn 的 ohem 思想很简单，就是把每个 batch 样本的 loss 排序，选取前 一定比例 的 loss 作为 该 batch 的 loss； 我们可以这么理解，只选大 loss，小 loss 被弃用，相当于 小 loss 为 0，0 进行反向传播时自然不用再算了； 本文重点在解读 oh 阅读全文

摘要： MTCNN，multi task convolutional neural network，多任务卷积神经网络； 它同时实现了人脸检测和关键点识别，关键点识别也叫人脸对齐； 检测和对齐是很多其他人脸应用的基础，如人脸识别，表情识别； 网络特点： 1. 级联网络 2. 在线困难样本选择 online 阅读全文