首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

计算机视觉最新进展概览(2021年5月30日到2021年6月5日)

现有的旋转目标检测器大多继承自水平检测范式,因为后者已经发展成为一个成熟的领域。 然而,由于当前回归损失设计的局限性,尤其是对于大纵横比的目标,这些检测器难以在高精度检测中突出表现。 本文从水平检测是旋转物体检测的一种特殊情况出发,从旋转与水平检测的关系出发,将旋转回归损失的设计从归纳范式转变为演绎方法。 在动态联合优化过程中,估计的参数会以自适应和协同的方式相互影响,因此如何调节旋转回归损失中的耦合参数是一个关键的挑战。 具体来说,我们首先将旋转的包围框转换为二维高斯分布,然后计算高斯分布之间的Kullback-Leibler Divergence (KLD)作为回归损失。 通过对各参数梯度的分析,我们发现KLD(及其导数)可以根据对象的特性动态调整参数梯度。 它将根据长宽比调整角度参数的重要性(梯度权重)。 这种机制对于高精度检测是至关重要的,因为对于大纵横比物体,轻微的角度误差会导致严重的精度下降。 更重要的是,我们证明了KLD是尺度不变的。 我们进一步证明了KLD损失可以退化为流行的 损失用于水平检测。

03

算法导论第十四章 数据结构的扩张

一、概要   我们在教科书上所学的所有数据结构都是最常规、最精简的数据结构,即便如此,基本上所有能遇上的问题都能用这些数据结构来解决。但是有一些特殊的问题,需要对现有的数据结构进行些许改造才能应付,这种改造是很细微的,且改造所添加的信息必须能被该数据结构上的常规操作所更新和维护。比如在链表上添加一个数据域来记录结点的位置、在一棵二叉搜索树上添加一个指针域来记录结点的后继指针,等等。   本章介绍两种通过扩张红黑树构造出的数据结构,一种是动态顺序统计树;另一种是区间树。然后介绍了如何扩张现有数据结构的一个通用

07
领券