开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为回归结果创建数据框表

是指在进行回归分析时，将回归结果整理成一个数据框表格的过程。这个表格通常包含了回归系数、标准误差、显著性水平、置信区间等统计指标，以及每个自变量的名称和对应的系数值。

在云计算领域，可以使用云原生技术和相关工具来实现为回归结果创建数据框表的功能。以下是一个可能的实现方案：

前端开发：使用HTML、CSS和JavaScript等技术，设计和开发一个用户界面，用于展示回归结果数据框表。
后端开发：使用一种后端编程语言（如Python、Java、Node.js等），编写后端代码来处理数据和生成数据框表。可以使用统计分析库（如NumPy、Pandas、Statsmodels等）来进行回归分析，并将结果整理成数据框表的形式。
数据库：可以使用关系型数据库（如MySQL、PostgreSQL等）或者NoSQL数据库（如MongoDB、Redis等）来存储回归结果数据。可以将回归结果数据保存在数据库中，以便后续查询和使用。
服务器运维：使用服务器运维技术，确保后端代码和数据库的正常运行。可以使用容器化技术（如Docker、Kubernetes等）来部署和管理后端应用程序和数据库。
云原生：可以使用云原生技术和平台（如Kubernetes、OpenShift等），将整个应用程序和相关组件部署在云上，实现弹性扩展和高可用性。
网络通信和网络安全：确保前后端之间的通信安全和数据传输的可靠性。可以使用HTTPS协议、SSL证书等来加密通信，并采取防火墙、访问控制等措施来保护系统安全。
音视频和多媒体处理：如果回归结果中包含音视频或多媒体数据，可以使用相应的音视频处理库和工具（如FFmpeg、OpenCV等）来处理和展示这些数据。
人工智能：可以使用人工智能技术（如机器学习、深度学习等）来进行回归分析，并提高预测准确性。可以使用相应的机器学习框架和库（如TensorFlow、PyTorch等）来实现。
物联网：如果回归结果涉及到物联网设备的数据，可以使用物联网平台和相关技术（如MQTT、CoAP等）来接收和处理这些数据。
移动开发：可以开发移动应用程序，用于展示和查询回归结果数据框表。可以使用移动开发框架（如React Native、Flutter等）来实现跨平台的移动应用程序。
存储：可以使用云存储服务（如腾讯云对象存储COS、阿里云对象存储OSS等）来存储回归结果数据和相关文件。
区块链：区块链技术可以用于确保回归结果数据的不可篡改性和可信性。可以使用区块链平台和相关工具（如Hyperledger Fabric、Ethereum等）来实现。
元宇宙：元宇宙是一个虚拟的数字世界，可以用于展示和交互回归结果数据框表。可以使用虚拟现实（VR）和增强现实（AR）技术，将回归结果可视化并与用户进行交互。

腾讯云相关产品和产品介绍链接地址：

云原生：腾讯云原生应用平台（https://cloud.tencent.com/product/tke）
数据库：腾讯云数据库（https://cloud.tencent.com/product/cdb）
服务器运维：腾讯云服务器（https://cloud.tencent.com/product/cvm）
网络通信和网络安全：腾讯云安全产品（https://cloud.tencent.com/product/saf）
音视频和多媒体处理：腾讯云音视频处理（https://cloud.tencent.com/product/mps）
人工智能：腾讯云人工智能（https://cloud.tencent.com/product/ai）
物联网：腾讯云物联网（https://cloud.tencent.com/product/iot）
移动开发：腾讯云移动开发（https://cloud.tencent.com/product/mad）
存储：腾讯云对象存储（https://cloud.tencent.com/product/cos）
区块链：腾讯云区块链（https://cloud.tencent.com/product/baas）
元宇宙：腾讯云元宇宙（https://cloud.tencent.com/product/mu）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

线性回归的结果解释 I：变量测度单位变换的影响

执行回归命令前，明确变量的单位至关重要。下式为一个简单的企业CEO工资决定方程，salary 是以1000元为单位的CEO年度工资水平，roe为CEO所在公司前三年的平均资本权益报酬率（return on equity），由净收入占共同权益的比重定义，例如，roe=10表示平均资本权益报酬率为10%。

MADlib——基于SQL的数据挖掘解决方案（18）——回归之稳健方差

Robust Variance模块中的函数用于计算线性回归、逻辑回归、多类逻辑回归和Cox比例风险回归的稳健方差（Huber-White估计）。它们可用于计算具有潜在噪声异常值的数据集中数据的差异。此处实现的Huber-White与R模块“sandwich”中的“HC0”三明治操作完全相同。

01

目标检测算法之Fast-RCNN

接着昨天介绍的RCNN，我们知道RCNN需要把每一个可能有目标的候选框搜索出来，然后把每个候选框传入CNN提取特征，每一张图片要产生大约2K个候选框，而每个框对应的图像都要传入CNN，这个时间开销肯定是很难承受的。基于RCNN这个致命问题，Fast-RCNN出现了。

01

YOLOv8原创改进：提出一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好 | 2023.12.29收录

💡💡💡本文改进：一种新的Shape IoU方法，该方法可以通过关注边界框本身的形状和尺度来计算损失，解决边界盒的形状和规模等固有属性对边界盒回归的影响。

01

计量经济学课程论文踩坑日记 – 学金融的文史哲小生

excel数据表使用了过多的计算函数，如SUM,AVG等，如果有跨表连接，也会报错。

02

超越GIoU/DIoU/CIoU/EIoU | MPDIoU让YOLOv7/YOLACT双双涨点，速度不减！

。实验结果表明，将MPDIoU损失函数应用于最先进的实例分割（如YOLACT）和目标检测（如YOLOv7）模型，在PASCAL VOC、MS COCO和IIIT5k数据集上优于现有的损失函数。

05

News Co-Occurrences：关注同时出现在新闻中的股票

量化投资与机器学公众号 QIML Insight——深度研读系列是公众号今年全力打造的一档深度、前沿、高水准栏目。

01

logistic回归

Logistic回归虽然名字叫”回归” ，但却是一种分类学习方法。使用场景大概有两个：第一用来预测，第二寻找因变量的影响因素。

01

「R」gtsummary 用表格玩转数据汇总

项目地址：https://github.com/ddsjoberg/gtsummary[1]

03

关注难易样本分布 Focaler-IoU | 提升边界框回归在目标检测中的应用性能！

目标检测是计算机视觉的基本任务之一，其目的是在图像中定位并识别物体。根据是否生成 Anchor 点，目标检测方法可以分为Anchor-based和 Anchor-Free两大类。Anchor-based算法包括FasterR-CNN，YOLO系列，SSD和 RetinaNet。Anchor-Free的检测算法包括CornerNet，CenterNet 和 FCOS。在这些检测器中，边界框回归损失函数作为定位分支的重要组成部分，起着不可替代的作用。

01

Focaler-IoU开源 | 高于SIoU+关注困难样本，让YOLOv5再涨1.9%，YOLOv8再涨点0.3%

目标检测是计算机视觉的基本任务之一，其目的是在图像中定位并识别物体。根据是否生成 Anchor 点，目标检测方法可以分为Anchor-based和 Anchor-Free两大类。Anchor-based算法包括FasterR-CNN，YOLO系列，SSD和 RetinaNet。 Anchor-Free的检测算法包括CornerNet，CenterNet 和 FCOS。在这些检测器中，边界框回归损失函数作为定位分支的重要组成部分，起着不可替代的作用。

01

全新训练及数据采样&增强策略、跨尺度泛化能力强，FB全景分割实现新SOTA

全景分割网络可以应对很多任务（目标检测、实例分割和语义分割），利用多批全尺寸图像进行训练。然而，随着任务的日益复杂和网络主干容量的不断增大，尽管在训练过程中采用了诸如 [25,20,11,14] 这样的节约内存的策略，全图像训练还是会被可用的 GPU 内存所抑制。明显的缓解策略包括减少训练批次大小、缩小高分辨率训练图像，或者使用低容量的主干。不幸的是，这些解决方法引入了其他问题：1) 小批次大小可能导致梯度出现较大的方差，从而降低批归一化的有效性 [13]，降低模型的性能；2）图像分辨率的降低会导致精细结构的丢失，这些精细结构与标签分布的长尾目标密切相关；3）最近的一些工作[28,5,31] 表明，与容量较低的主干相比，具有复杂策略的更大的主干可以提高全景分割的结果。

01

YOLOv8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023

摘要：边界框回归（BBR）已广泛应用于对象检测和实例分割，是对象定位的重要步骤。然而，当预测框与真实框具有相同的长宽比，但宽度和高度值完全不同时，大多数现有的边界框回归损失函数无法优化。为了解决上述问题，我们充分挖掘水平矩形的几何特征，提出了一种基于最小点距离的新型边界框相似度比较度量MPDIoU，它包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离、宽高偏差，同时简化计算过程。在此基础上，我们提出了一种基于 MPDIoU 的边界框回归损失函数，称为 LMPDIoU 。实验结果表明，MPDIoU 损失函数适用于在 PASCAL VOC、MS COCO 和 IIIT5k 上训练的最先进的实例分割（例如 YOLACT）和对象检测（例如 YOLOv7）模型优于现有的损失函数。

03

目标检测框回归问题

目标检测模型训练的时候有两个任务，框分类（框里是什么）和框回归（框在哪），本文主要讲第二点。

03

YOLOv8改进：Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU） | 2023.11

本文独家改进：Inner-IoU引入尺度因子 ratio 控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合

03

R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析

经济时间序列的分析通常需要提取其周期性成分。这篇文章介绍了一些方法，可用于将时间序列分解为它们的不同部分。它基于《宏观经济学手册》中Stock和Watson（1999）关于商业周期的章节，但也介绍了一些较新的方法，例如汉密尔顿（2018）替代HP滤波器，小波滤波和经验模态分解。

01

干货！关于目标检测你需要看的9篇论文

目标检测是计算机视觉的核心任务之一。本期SFFAI15邀请了两位目标检测的一线科研人员，已有多篇顶会一作的张士峰和开源PyTorchCV的尤安升，同大家一起探讨目标检测的研究前沿以及一系列经典方法的实现细节。

01

RecursiveDet | 超越Sparse RCNN，完全端到端目标检测的新曙光

本文首发于【集智书童】，白名单账号转载请自觉植入本公众号名片并注明来源，非白名单账号请先申请权限，违者必究。

03

一种关注于重要样本的目标检测方法！

在目标检测中训练模型时，样本间往往有差异性，不能被简单地同等对待。这次介绍的论文提出了一种重要样本的关注机制，在训练过程中帮助模型分辨哪些是重要的样本，从而优化整个训练过程。

03

CVPR 2021 | 微软提出"解构式关键点回归"，刷新COCO自底向上多人姿态检测记录！

编者按：在拥挤的人群的场景下，由于人群过于密集，重合程度太高，所以每个人的位置难以用人体检测框表示，而传统的一些自下而上的人体姿态估计算法也很难检测到人物的关键点。因此，微软亚洲研究院提出了用直接回归坐标的方法设计多人姿态检测模型，其结果超过了此前的关键点热度图检测并组合的方法，并且在 COCO 和 CrowdPose 两个数据集上达到了目前自底向上姿态检测的最好结果。相关工作“DEKR: Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression”已被 CVPR 2021 收录。

02

致敬ATSS | Dynamic ATSS再造ATSS辉煌！！！

目标检测是计算机视觉中的一个基本问题，它可以同时分类和定位图像或视频中的所有目标。随着深度学习的快速发展，目标检测取得了巨大的成功，并被应用于许多任务，如目标跟踪、图像分类、图像分割和医学图像分析。

04

数据分析：微信红包金额分配的秘密

“微信红包”是腾讯公司开发的社交软件——微信的一个附加功能。它可以在一对一聊天当中发送，也可以在群聊中发送。在群聊当中，可以一次性发送多于1个的红包，每个群成员可以领取至多1个，先领先得，发完为止（如果红包数多于群成员数，则会有剩余）。腾讯公司宣称，在这一情况下，每个红包的金额是随机分配的；也即，在红包数目足够的情况下，每位群成员得到的金额的期望值相等。

02

Double-Head：检测头上再创新，提升精度（附原论文下载）

论文地址：https://arxiv.org/pdf/1904.06493.pdf

02

【从零开始学Mask RCNN】二，Mask RCNN框架整体把握

这一节将从代码库里面的demo.ipynb笔记本入手，来整体理解一下Mask RCNN的网络架构。

02

数据分析:微信红包金额分配的秘密

本文首发于思考者iThink （微信ID：iThink_1），大数据经授权转载。如需转载，请与首发公众号联系授权事宜。

03

Double-Head:重新思考检测头，提升精度（附原论文下载）

论文地址：https://arxiv.org/pdf/1904.06493.pdf

01

回归分析（stata实例详细解答过程）[通俗易懂]

现有某电商平台846条关于婴幼儿奶粉的销售信息，每条信息由11个指标组成。其中，评价量可以从一个侧面反映顾客对产品的关注度。请对所给数据进行以下方面的分析，要求最终的分析将不仅仅有益于商家，更有益于宝妈们为宝贝选择适合自己的奶粉。

02

R语言画森林图展示Logistic回归分析的结果

之前的推文参考《R语言实战》介绍了R语言做Logistic回归分析的简单小例子，R语言做Logistic回归的简单小例子今天的推文继续，介绍一些Logistic回归分析结果的展示方法。在文献中，我们常常看到以表格的形式展示各种回归结果（如Logistic回归，多重线性，Cox回归等），比如2019年发表在 Environment International 上的论文 Exposure of metals and PAH through local foods and risk of cancer in a

01

Excel 实例:单因素方差分析ANOVA统计分析

如果看不到此选项，则可能需要先安装Excel的分析工具包。这是通过选择 Office按钮> Excel选项> Excel 中的加载项或从Excel 开始的Excel版本中的文件>帮助|选项>加载项，然后单击窗口底部的“ 转到”按钮来完成的。接下来，在出现的对话框中选择“ 分析工具库”选项，然后单击“ 确定” 按钮。然后，您将能够访问数据分析工具。

00

CVPR 2022 | 华南理工提出VISTA：双跨视角空间注意力机制实现3D目标检测SOTA，即插即用

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权本文提出了 VISTA，一种新颖的即插即用多视角融合策略，用于准确的 3D 对象检测。为了使 VISTA 能够关注特定目标而不是一般点，研究者提出限制学习的注意力权重的方差。将分类和回归任务解耦以处理不平衡训练问题。在 nuScenes 和 Waymo 数据集的基准测试证明了 VISTA 方法的有效性和泛化能力。该论文已被CVPR 2022接收。第一章简介 LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物

02

不一样的Nomogram，关于网页计算器的一切！

今天为大家分享一篇2019年12月发表在Lung Cancer（中科院分区二区， IF=4.6）上的基于SEER数据库的nomogram文章。文中利用自己医院的数据进行外部验证，套路简单易模仿，逻辑清晰，当然也有自己的一些特点，最后根据预测结果建立了一个在线的nomogram分析（动态nomogram），便于临床应用，接下来小编详细讲解一下。

05

CVPR 2022 | 华南理工提出VISTA：双跨视角空间注意力机制实现3D目标检测SOTA，即插即用

机器之心专栏作者：邓圣衡、梁智灏、孙林、贾奎本文提出了 VISTA，一种新颖的即插即用多视角融合策略，用于准确的 3D 对象检测。为了使 VISTA 能够关注特定目标而不是一般点，研究者提出限制学习的注意力权重的方差。将分类和回归任务解耦以处理不平衡训练问题。在 nuScenes 和 Waymo 数据集的基准测试证明了 VISTA 方法的有效性和泛化能力。该论文已被CVPR 2022接收。第一章简介 LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物体的精确 3D 信息。

01

CVPR 2022 | 即插即用！华南理工开源VISTA：双跨视角空间注意力机制实现3D目标检测SOTA

LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物体的精确 3D 信息。因此，基于 LiDAR 的 3D 目标检测引起了广泛关注。许多 3D 目标检测算法通过将无序和不规则的点云进行体素化，随后利用卷积神经网络处理体素数据。然而，3D 卷积算子在计算上效率低下且容易消耗大量内存。为了缓解这些问题，一系列工作利用稀疏 3D 卷积网络作为 3D 骨干网络来提取特征。如图 1 所示，这些工作将 3D 特征图投影到鸟瞰图 (BEV) 或正视图 (RV) 中，并且使用各种方法从这些 2D 特征图生成对象候选 (Object Proposals)。

03

10行代码搞定【滚动回归】

对于任意一天t，在[t - n, t]的区间内进行回归。如果数据一共有N天，那么就会得到N - n个数据点

02

如何用spss做一般（含虚拟变量）多元线性回归

回归一直是个很重要的主题。因为在数据分析的领域里边，模型重要的也是主要的作用包括两个方面，一是发现，一是预测。而很多时候我们就要通过回归来进行预测。关于回归的知识点也许不一定比参数检验，非参数检验多，但是复杂度却绝对在其上。回归主要包括线性回归，非线性回归以及分类回归。本文主要讨论多元线性回归（包括一般多元回归，含有虚拟变量的多元回归，以及一点广义差分的知识）。请大家不要觉得本人偷奸耍滑，居然只有一个主题，两个半知识点。相信我，内容会很充实的。对于线性回归的定义主要是这样的：线性回归，是基于最小

FCOS : 找到诀窍了，anchor-free的one-stage目标检测算法也可以很准 | ICCV 2019

论文: FCOS: Fully Convolutional One-Stage Object Detection

00

AAAI2020 Oral | 华科提出TANet：提升点云3D目标检测的稳健性

上周四，华中科技大学白翔教授组的刘哲为我们介绍他们的 AAAI Oral 论文《TANet: Robust 3D Object Detection from Point Clouds with Triple Attention》，本文对此论文进行了详细解读。该研究提出了新型三元注意力模块和 Coarse-to-Fine Regression，实现了检测性能和稳健性的提升。

02

ECCV 2020 | 布法罗大学&快手提出基于Transformer的3D手势估计

本文将分享来自布法罗大学的黄麟以及快手西雅图实验室的谈建超等人在ECCV的工作。由于3D手势本身高度非线性的动态特性以及关节点之间复杂的结构关联和依赖，使得3D手势估计问题至今难以完美解决。该团队以经典的序列转换模型Transformer为基础并采用非自回归结构化解码机制来帮助从3D点云中重建合理的3D手势。

03

线性回归的结果解释 II：函数形式变化的影响

因变量（Y）与自变量（X）间的线性关系并非一般性特征，引入非线性（nonlinearities）关系很有必要。在应用研究中，最常见的非线性关系通常有两种：

R|生存分析-结果整理

根据上面的生存分析的介绍可以大概的了解了生存分析的概念和原理以及KM曲线的绘制。但是生存分析中COX回归的结果不容易直接输出，本文简单的介绍一种自定义函数，批量并且规则的输出结果的方式。

04

数据报告分享|SPSS基于多元回归模型的电影票房预测

本文通过利用回归模型对电影的票房（以及放映场数，观影人数）进行了研究，确定了决定电影的票房的重要因素。并讲述、论证了预测电影的票房是电影投资的至关重要的环节。通过对电影票房预测技术的发展和探讨，深度剖析了电影票房预测这个研究课题（点击文末“阅读原文”获取完整代码数据）。

01

『人脸识别系列教程』0·MTCNN讲解

背景介绍：人脸检测，解决两个问题：1)识别图片中有没有人脸？2)如果有，人脸在哪？因此，许多人脸应用(人脸识别、面向分析)的基础是人脸检测。大多数人脸检测采用的流程为两阶段： 1) 找出所有可能是人脸的候选区域 2) 从候选区域中选择出最可能是人脸的区域本文的主角MTCNN，大致是这种套路，也集成了其优缺点为：准和慢。 MTCNN人脸检测是2016年的论文提出来的，MTCNN的“MT”是指多任务学习(Multi-Task)，在同一个任务中同时学习”识别人脸“、”边框回归“、”人脸关键点识别“。相比2015年的CVPR(边框调整和识别人脸分开做)的结构，MTCNN是有创新的。从工程实践上，MTCNN是一种检测速度和准确率都还不错的算法，算法的推断流程有一定的启发性，在这里给大家分享。（以下用“MTCNN”代指这个算法）本文以Q&A的方式，与你分享一些经验和思考。先列出本文会回答的问题列表：

02

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection

任意方向的目标广泛出现在自然场景、航拍照片、遥感图像等，任意方向的目标检测受到了广泛的关注。目前许多旋转检测器使用大量不同方向的锚点来实现与ground truth框的空间对齐。然后应用交叉-联合(IoU)方法对正面和负面的候选样本进行训练。但是我们观察到，选择的正锚点回归后并不能总是保证准确的检测，而一些阴性样本可以实现准确的定位。这说明通过IoU对锚的质量进行评估是不恰当的，进而导致分类置信度与定位精度不一致。本文提出了一种动态锚学习(DAL)方法，利用新定义的匹配度综合评价锚的定位潜力，进行更有效的标签分配过程。这样，检测器可以动态选择高质量的锚点，实现对目标的准确检测，缓解分类与回归的分歧。在新引入的DAL中，我们只需要少量的水平锚点就可以实现对任意方向目标的优越检测性能。在三个遥感数据集HRSC2016、DOTA、UCAS-AOD以及一个场景文本数据集ICDAR 2015上的实验结果表明，与基线模型相比，我们的方法取得了实质性的改进。此外，我们的方法对于使用水平边界盒的目标检测也是通用的。

01

数据报告分享|SPSS基于多元回归模型的电影票房预测

本文通过利用回归模型对电影的票房（以及放映场数，观影人数）进行了研究，确定了决定电影的票房的重要因素。并讲述、论证了预测电影的票房是电影投资的至关重要的环节。通过对电影票房预测技术的发展和探讨，深度剖析了电影票房预测这个研究课题。

00

excel数据分析工具库系列三|回归分析

今天跟大家分享excel数据分析工具库系列三——回归分析！主要内容有：相关系数协方差矩阵回归相关系数：原数据区域是我用randbetween函数生成的随机数：打开数据分析——相关系数，在

07

基于局部脑血流量和工作记忆表现预测2年内血压变化

贝叶斯推荐你关注思影科技来自美国匹兹堡大学精神病与心理学部的J.Richard Jennings等人在Hypertension杂志上发文指出，基于ASL成像的局部脑血流量指标，结合工作记忆量表分析，可以预测被试在2年内的血压变化。随年龄增长，高血压和认知衰退往往共同出现，高血压可能会严重影响大脑并可能会导致中风。对动物实验的研究表明多种神经因子参与了高血压的形成，而对人类的研究发现在平均年龄50岁时，血压（BP）与脑容量，脑血流量（CBF）和白质完整性强相关，因此利用这类相关可以将一些大脑参数作为B

06

amos路径分析结果怎么看_路径分析图怎么解读

草堂君在前面几篇文章中，介绍了AMOS软件的操作、分析原理、结构方程模型和各种拟合指标含义等内容，大家可以点击下面的文章链接回顾，也可以从公众号导航栏获取AMOS分析技术（导航页）回顾：

02

非线性回归nls探索分析河流阶段性流量数据和评级曲线、流量预测可视化

本文档通过一些探索性数据分析来制定河流的评级曲线和流量预测。目的是利用 (1) 在底部安装单元的定期部署期间测量的瞬时流量和 (2) 来自长期部署在河流中的水位数据记录器的瞬时深度测量，以创建和更新评级曲线。额定曲线将用于计算 HOBO 压力传感器部署期间（大约 1 年）的流量。所得数据将用于创建和验证河流 10-15 年期间的回归和 DAR 流量估计。

01

人脸算法系列（二）：RetinaFace论文精读

大家好，今天给大家分享一篇人脸算法领域非常知名的paper，RetinaFace(RetinaFace: Single-stage Dense Face Localisation in the Wild)。同时也在文末附上开源项目的链接。跟着我一起读这篇论文，希望论文的思路能够对你有所启发，如果觉得有用的，帮我分享出去，谢啦！

06

Graphpad Prism9.5激活免费版下载+安装教程！Mac+Win版！

GraphPad Prism在2022年12月7日发布了Prism 9.5版本。主要更新内容：

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭