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

如何保护金字塔注册表不受测试更改的影响？

金字塔注册表是指在软件测试中使用的一种测试设计方法，它将测试用例分为不同的层次，从底层的单元测试到顶层的系统集成测试。保护金字塔注册表不受测试更改的影响是确保测试用例的稳定性和可靠性，以便在软件开发过程中进行有效的测试。

以下是一些方法和技术，可以帮助保护金字塔注册表不受测试更改的影响：

版本控制：使用版本控制系统（如Git）来管理测试用例和测试代码的变更。通过版本控制，可以追踪测试用例的修改历史，并且可以回滚到之前的版本，以保证测试用例的一致性。
自动化测试：使用自动化测试工具和框架来执行测试用例。自动化测试可以减少人为错误和测试用例的变更，提高测试的可靠性和一致性。
隔离环境：在进行测试时，使用隔离的测试环境，例如使用虚拟化技术创建独立的测试环境。这样可以避免测试对生产环境和其他测试环境的影响，保护金字塔注册表的稳定性。
冒烟测试：在进行更改后的测试之前，进行冒烟测试以验证测试环境的正确性。冒烟测试是一组基本的测试用例，用于验证系统的基本功能和稳定性。
定期回归测试：定期执行回归测试，以确保测试用例的稳定性。回归测试是在软件更改后重新执行的测试，以确保之前的功能和性能没有受到影响。
代码审查：进行代码审查，以确保测试用例的正确性和一致性。代码审查可以帮助发现潜在的问题和错误，并提供改进测试用例的建议。
文档和培训：编写详细的测试文档，并进行培训，以确保测试人员了解金字塔注册表的设计和使用方法。这样可以减少测试用例的误用和错误修改。

腾讯云相关产品和产品介绍链接地址：

版本控制：腾讯云CodeCommit（https://cloud.tencent.com/product/cc）
自动化测试：腾讯云云效（https://cloud.tencent.com/product/ce）
虚拟化技术：腾讯云云服务器（https://cloud.tencent.com/product/cvm）
冒烟测试：腾讯云云监控（https://cloud.tencent.com/product/monitoring）
回归测试：腾讯云云测试（https://cloud.tencent.com/product/cts）
代码审查：腾讯云CodeGuru（https://cloud.tencent.com/product/codeguru）
文档和培训：腾讯云知识库（https://cloud.tencent.com/product/knowledgebase）

相关搜索:Laravel保护路由不受非管理员用户的影响 RestTemplate:有没有办法保护jvm不受巨大响应的影响？不知道如何保护命令不受没有角色Discord.js的人的影响为什么CDATA不能保护我的javascript代码不受HTML验证器的影响？保护单元格不受连续发布的影响保护我的应用程序不受API响应的影响保护敏感postgres数据不受特权用户的影响保护电子交易不受此交易参与者之一的更改保护闪亮的numericInput不受负数影响在使用REST API时，如何保护用户的密码不受应用程序所有者的影响？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

EBU 金字塔和 JT NM Tested计划更新

本文来自VSF秋季会议2020的一篇演讲，演讲者是来自CBC/Radio-Canada的Felix Poulin和来自VRT的Willem Vermost。

01

你需要了解的前端测试“金字塔”

来自：开源中国社区链接：www.oschina.net/translate/the-front-end-test-pyramid-rethink-your-testing 原文：https://medium.freecodecamp.org/the-front-end-test-pyramid-rethink-your-testing-3b343c2bca51 如果您正在测试前端应用程序，则应该了解前端测试金字塔。在本文中，我们将看到前端测试金字塔是什么，以及如何使用它来创建全面的测试套件。前端测试金

08

如何跳过古董代码的坑

这是一个黑暗的暴风雨之夜。闪电每隔几分钟就会划破天空。在远处，你可以看到一大堆几年前写的代码。这些代码大部分都被作者遗忘了，甚至找不到作者。你小心翼翼地接近它，却不知道从哪里开始。你惴惴不安地决定从某一处开始，不知道你的勇敢会给团队带来什么样的灾难。

01

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

现有的深度卷积神经网络(CNNs)需要一个固定大小的输入图像(如224×224)。这一要求是“人为的”，可能会降低对任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了另一种池化策略，“空间金字塔池”，以消除上述要求。这种新的网络结构称为SPP-net，可以生成固定长度的表示，而不受图像大小/比例的影响。金字塔池对物体变形也有很强的鲁棒性。基于这些优点，SPP-net一般应改进所有基于cnn的图像分类方法。在ImageNet 2012数据集中，我们证明了SPP-net提高了各种CNN架构的准确性，尽管它们的设计不同。在Pascal VOC 2007和Caltech101数据集中，SPP-net实现了最先进的分类结果使用单一的全图像表示和没有微调。在目标检测中，spp网络的能力也很重要。利用SPP-net算法，只对整个图像进行一次特征映射计算，然后将特征集合到任意区域(子图像)，生成固定长度的表示形式，用于训练检测器。该方法避免了卷积特征的重复计算。在处理测试图像时，我们的方法比R-CNN方法快24-102×，而在Pascal VOC 2007上达到了更好或相近的精度。在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC)中，我们的方法在所有38个团队中目标检测排名第二，图像分类排名第三。本文还介绍了本次比赛的改进情况。

02

测试金字塔的奥秘和数学

它可能被称为“测试自动化金字塔”，但在大多数情况下看起来都像三角形一样可怕。如果使用吉萨大金字塔的尺寸和本文中讨论的数学方程式，您将最终对测试金字塔的每一层的作用和依赖性以及建立牢固基础的重要性有更深入的了解。

04

基础渲染系列（十五）——延迟光照

这是关于渲染的系列教程的第15部分。在上一部分中，我们添加了雾。现在，我们将创建自己的延迟光照。

01

测试金字塔的奥秘和数学

它可能被称为“测试自动化金字塔”，但在大多数情况下看起来都像三角形一样可怕。如果使用吉萨大金字塔的尺寸和本文中讨论的数学方程式，您将最终对测试金字塔的每一层的作用和依赖性以及建立牢固基础的重要性有更深入的了解。

00

CODING DevOps 系列第五课：微服务测试——微服务下展开体系化的微服务测试

这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。

02

你在测试金字塔的哪一层（上）

在准备将软件上线到生产环境之前需要进行测试。随着软件测试方式日趋成熟，软件开发团队的测试也在取代大量手动测试，逐渐实现自动化测试。通过自动化测试，开发团队可以在短短几分钟内就了解到软件是否存在问题，而不需要等待几天的时间。

01

微服务架构之「微服务测试」

微服务测试的痛点与挑战这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。微服务是一种架构模式，是面向服务型架构SOA的一种变体，提倡将单一应用程序逐渐还原划分成小的服务，服务间互相协调、互相配合，为用户提供最终价值。微服务架构风格就是一些小而自治的服务协同工作形成松耦合的系统。另外，我们需要尽量

01

Feature Selective Anchor-Free Module for Single-Shot Object Detection

提出了一种简单有效的单阶段目标检测模块——特征选择无锚定(FSAF)模块。它可以插入到具有特征金字塔结构的单阶段检测器中。FSAF模块解决了传统基于锚点检测的两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。FSAF模块的总体思想是将在线特征选择应用于多水平无锚分支的训练。具体来说，一个无锚的分支被附加到特征金字塔的每一层，允许在任意一层以无锚的方式进行盒编码和解码。在训练过程中，我们动态地将每个实例分配到最合适的特性级别。在推理时，FSAF模块可以通过并行输出预测与基于锚的分支联合工作。我们用无锚分支的简单实现和在线特性选择策略来实例化这个概念。在COCO检测轨道上的实验结果表明，我们的FSAF模块性能优于基于锚固的同类模块，而且速度更快。当与基于锚点的分支联合工作时，FSAF模块在各种设置下显著地改进了基线视网膜网，同时引入了几乎自由的推理开销。由此产生的最佳模型可以实现最先进的44.6%的映射，超过现有的COCO单单阶段检测器。

02

北大、北理工、旷视联手：用于图像语义分割的金字塔注意力网络

翻译 | 林椿眄出品 | 人工智能头条（公众号ID：AI_Thinker）近日，北京理工大学、旷视科技、北京大学联手，发表了一篇名为 Pyramid Attention Network for Semantic Segmentation 的论文。在这篇论文中，四位研究者提出了一种金字塔注意力网络 (Pyramid Attention Network，PAN)，利用图像全局的上下文信息来解决语义分割问题。与大多数现有研究利用复杂的扩张卷积 (dilated convolution) 并人为地设计解码器网

08

北大、北理工、旷视联手：用于图像语义分割的金字塔注意力网络

近日，北京理工大学、旷视科技、北京大学联手，发表了一篇名为 Pyramid Attention Network for Semantic Segmentation 的论文。在这篇论文中，四位研究者提出了一种金字塔注意力网络 (Pyramid Attention Network，PAN)，利用图像全局的上下文信息来解决语义分割问题。

02

微服务架构之「微服务测试」

这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。

02

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

03

深度优化局部拉普拉斯金字塔滤波器

基于局部拉普拉斯金字塔的Edge-aware滤波器是在2011年由Adobe 公司的研究员Sylvain Paris（大神级人物，写了很多文章）提出的，我在4年前曾经参考有关代码实现过这个算法，但是速度也是非常慢的，所以当时也没有继续做深入的研究，前段时间做另外一个算法时仔细的研究了下高斯和拉普拉斯金子塔的优化，因此又抽时间仔细的分析了算法的论文和代码，由于论文的理论部分还有一些我没有想清楚，因此在这里我只对研读过程中涉及的代码方面的优化做个解读。

04

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

02

学界 | 世界权威评测冠军：百度人脸检测算法PyramidBox

选自arXiv 机器之心编译近日，百度凭借全新的人脸检测深度学习算法 PyramidBox，在世界最权威的人脸检测公开评测集 WIDER FACE 的「Easy」、「Medium」和「Hard」三项评测子集中均荣膺榜首，刷新业内最好成绩。本文将通过论文简要介绍这一算法背后的技术。 1 引言人脸检测是各种人脸应用中的一项基本任务。Viola - Jones [1] 的开创性研究利用具有类哈尔特征的 AdaBoost 算法来训练级联的人脸与非人脸分类器。此后不断有人进行深入研究 [ 2，3，4，5，6，7

05

深度优化局部拉普拉斯金字塔滤波器。

基于局部拉普拉斯金字塔的Edge-aware滤波器是在2011年由Adobe 公司的研究员Sylvain Paris（大神级人物，写了很多文章）提出的，我在4年前曾经参考有关代码实现过这个算法，但是速度也是非常慢的，所以当时也没有继续做深入的研究，前段时间做另外一个算法时仔细的研究了下高斯和拉普拉斯金子塔的优化，因此又抽时间仔细的分析了算法的论文和代码，由于论文的理论部分还有一些我没有想清楚，因此在这里我只对研读过程中涉及的代码方面的优化做个解读。

03

目标检测——SPPNet【含全网最全翻译】「建议收藏」

论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 空间金字塔池化，大神何恺明于2014年写的paper: 论文地址：https://arxiv.org/pdf/1406.4729.pdf RCNN在2013年发表后，大佬在2014年提出了空间金字塔池化，性能和准确率都大幅提高，且在后面很多网络中都延续了这一思想。这篇文章比较长，我们也基于论文将其大体翻译了一下，伙伴们要耐心看呀！那么让我们一起开始学习吧！先放上大佬的照片来镇楼：

01

FPN详解

论文题目：Feature Pyramid Networks for Object Detection

04

【私人整理】空间金字塔池化网络SPPNet详解

之前的深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。为什么会降低精度呢？由于输入的图像大小固定，即数据维度固定，但是现实样本中往往很多样本是大小不一的，为了产生固定输入大小的样本，有两种主要的预处理措施：

06

检测器backbone和neck哪个更重要，达摩院新作有不一样的答案

【GaintPanda导语】这是关于GiraffeDet的论文详读，该论文提出以S2D Chain为组合模块，构建light backbone，再以Queen Fuse和Skip Connect构建GFPN作为颈部模块，与以往检测器的backbone>neck（FLOPS）的构建方式不同，GiraffeDet的neck在参数量和计算量上远超backbone。

02

一个鲁棒实时且无需校准的车道偏离警告系统

文章：A robust, real-time and calibration-free lane departure warning system

01

学界 | 金字塔注意力网络：一种利用底层像素与高级特征的语义分割网络

在卷积神经网络的近期发展中，根据其丰富的层级特征和端到端的可训练框架，像素级语义分割方面有了可观的进步。但是在编程高维度代表的过程中，原本像素级的环境背景中的空间分辨率会降低。如图 1 显示，FCN 基线无法在细节部分做出精准预测。第二排图片中，在牛旁边的羊被识别到错误分类之中；以及第一排图片中自行车的把手没有被识别成功。对此我们需要考虑两个具有挑战性的问题。

00

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

学界 | 美图云联合中科院提出基于交互感知注意力机制神经网络的行为分类技术 | ECCV 2018

以往注意机制模型通过加权所有局部特征计算和提取关键特征，忽略了各局部特征间的强相关性，特征间存在较强的信息冗余。为解决此问题，来自美图云视觉技术部门和中科院自动化所的研发人员借鉴 PCA（主成分分析）思想，提出了一种引入局部特征交互感知的自注意机制模型，并将模型嵌入到 CNN 网络中，提出一个端到端的网络结构。该算法在多个学术数据集和美图公司内部工业界视频数据集上的行为分类表现都非常出色。基于该算法思想的相关论文「Interaction-aware Spatio-temporal Pyramid Attention Networks for Action Classification」已被 ECCV2018 收录，下文将从背景、核心思想、效果和应用前景几个方面进行介绍。

02

ORSIm：A Novel Object Detection Framework in Optical Remote Sensing Imagery Using Spatial-Feature

近年来，随着星载成像技术的飞速发展，光学遥感图像中的目标检测受到了广泛的关注。虽然许多先进的研究工作都使用了强大的学习算法，但不完全特征表示仍然不能有效地、高效地处理图像变形，尤其是目标缩放和旋转。为此，我们提出了一种新的目标检测框架，称为光学遥感图像检测器(ORSIm检测器)，它集成了多种通道特征提取、特征学习、快速图像金字塔匹配和增强策略。ORSIm检测器采用了一种新颖的空频信道特征(SFCF)，它综合考虑了频域内构造的旋转不变信道特征和原始的空间信道特征(如颜色信道和梯度幅度)。随后，我们使用基于学习的策略对SFCF进行了改进，以获得高级或语义上有意义的特性。在测试阶段，通过对图像域中尺度因子的数学估计，实现了快速粗略的通道计算。对两种不同的机载数据集进行了大量的实验结果表明，与以往的先进方法相比，该方法具有优越性和有效性。

01

【腾讯TMQ】看图测试指南：图像识别在测试中的应用

00

软件测试|测试金字塔是什么，它的目的是什么，以及它包含哪些层次？

测试金字塔是2009年Mike Cohn在他的著作《Succeeding with Agile》一书正式提出的。他是一个类比的概念，形容每一层，或者说不同集成阶段测试覆盖率和知行效率之间的一个相对关系。

01

ECCV 2018 | 美图云联合中科院提出基于交互感知注意力机制神经网络的行为分类技术

深度卷积神经网络中，特征图里相邻空间位置的局部通道特征，往往由于它们的感受野重叠而具有很高的相关性。自注意机制模型通常利用每个局部特征内部元素的加权和（或其他函数）来获得其权重得分，此权重用于加权所有局部特征获取关键特征。尽管局部特征之间具有很高的相关性，但此权重计算并没有考虑到它们之间的相互作用。

03

谷歌大脑提出NAS-FPN：这是一种学会自动架构搜索的特征金字塔网络

作者：Golnaz Ghaisi、Tsung-Yi Lin、Ruoming Pang、Quoc V. Le

02

ICDAR 2019论文：自然场景文字定位技术详解

自然场景图像中的文字识别应用广泛，其中文字定位是最重要的一步，但技术上极具挑战。本文提出了一个高效的场景文本检测框架，取得了明显的效果提升。

03

测试金字塔是个是什么鬼？

我的女朋友是一名测试工程师，但她之前却不知道测试金字塔的概念，为此我曾经在家里的白板上画了一个图一层一层给她讲解过。我和同事在给团队面试测试和开发岗位时，也会必问到这个问题，想到可能有很多开发童鞋都不知道，这里我就用一篇推文给大家科普一下。

00

目标检测算法之FPN

前面已经讲解完了RCNN系列的三篇论文，目标检测项目也基本可以跑起来了。今天要讲的FPN也是Two Stage目标检测算法中非常值得推敲的论文，它进一步优化了Faster-RCNN，使得对小目标的检测效果更好，所以一起来看看吧。

02

详细解读GraphFPN | 如何用图模型提升目标检测模型性能？

特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。

02

ORB 特征

ORB 是 Oriented Fast and Rotated Brief 的简称，可以用来对图像中的关键点快速创建特征向量，这些特征向量可以用来识别图像中的对象。其中，Fast 和 Brief 分别是特征检测算法和向量创建算法。ORB 首先会从图像中查找特殊区域，称为关键点。关键点即图像中突出的小区域，比如角点，比如它们具有像素值急剧的从浅色变为深色的特征。然后 ORB 会为每个关键点计算相应的特征向量。ORB 算法创建的特征向量只包含 1 和 0，称为二元特征向量。1 和 0 的顺序会根据特定关键点和其周围的像素区域而变化。该向量表示关键点周围的强度模式，因此多个特征向量可以用来识别更大的区域，甚至图像中的特定对象。 ORB 的特点是速度超快，而且在一定程度上不受噪点和图像变换的影响，例如旋转和缩放变换等。

01

【工程应用六】继续聊一聊高效率的模板匹配算法（分水岭助威+蒙版提速）。

总是写很长的复杂的文章，目前发现真的有点无法静心去弄了，感觉写代码的动力要比写文章强大的多，所以，往后的文章还是写的剪短一点吧。

04

SIFT算法详解

如果你学习SIFI得目的是为了做检索，也许 OpenSSE 更适合你，欢迎使用。

04

目标检测算法之FPN（附FPN代码实现）

针对小目标检测网络，CV领域一般用的是特征金字塔。即将原图以不同的比例采样，然后得到不同分辨率的图像进行训练和测试，在多数情况下是有效的。但是特征金字塔的计算、内存和时间开销都非常大，导致在工程中应用是及其困难。FPN（即特征金字塔）提出了一个独特的特征金字塔网络来避免图像金字塔产生的超高计算量，同时可以较好的处理目标检测中的尺度变化问题，对于小目标检测具有很强的鲁棒性。

01

特征金字塔特征用于目标检测

前言：这篇文章主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。作者也在流行的Fast&Faster R-CNN上进行了实验，在COCO数据集上测试的结果现在排名第一，其中隐含的说明了其在小目标检测上取得了很大的进步。其实整体思想比较简单，但是实验部分非常详细和充分。摘要：特征金字塔是多尺度目标检测系统中的一个基本组成部分。近年来深度学习目标检测特意回避金字塔特征表示，因为特征金字塔在计算量和内存上很昂贵。所以作者利用了深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。

07

Spatial Attention Pyramid Network for Unsupervised Domain Adaptation

无监督域适配在各种计算机视觉任务重很关键，比如目标检测、实例分割和语义分割。目的是缓解由于域漂移导致的性能下降问题。大多数之前的方法采用对抗学习依赖源域和目标域之间的单模式分布，导致在多种场景中的结果并不理想。为此，在本文中，我们设计了一个新的空口岸注意力金字塔网络来进行无监督域适配。特别的，我们首先构建了空间金字塔表示来获得目标在不同尺度的内容信息。以任务指定的信息为引导，在每个尺度上，我们组合了密集的全局结构表示和局部纹理模式，有效的使用了空间注意力截止。采用这种方式，网络被强迫关注内容信息由区别力的地方来进行域适配。我们在各种由挑战性的数据集上进行了昂贵的实验，对目标检测、实例分割和语义分割进行了域适配，这证明了我们的方法比最佳的方法有了很大的提升。

03

方法论系列：用四个金字塔来说明金字塔原理

之前发表的一系列博客主要以技术原理及应用为主，很少发布“方法论”相关的内容；在日常工作中有一些好的方法论的加持，可以让工作内容更顺利的推进，达到事半功倍的效果。而日常工作中针对不同的工作任务所使用的方法论也有所不同；接下来将总结下工作中常用的方法论以及具体的使用场景。

02

目标检测FPN

《Feature Pyramid Networks for Object Detection》这篇文章主要是用来解决Faster RCNN物体检测算法在处理多尺度变化问题时的不足。Faster RCNN中无论是RPN网络还是Fast RCNN网络，都是基于单个高层特征。这种做法一个明显的缺陷是对小物体不友好。为了处理小物体，经典的方式是采用图像金字塔的方式在训练或测试阶段对图片进行多尺度变化增强，但是这样带来了极大的计算量。本文方法通过构造一种独特的特征金字塔来避免图像金字塔的计算量过高的问题，同时能较好的处理物体检测中的多尺度变化问题。

02

顶级高手常用的16个思维模型

“养成一个掌握多元思维模型的习惯是你能做的最有用的事情”，投资家、巴菲特的黄金拍档查理 · 芒格认为：“思维模型是你大脑中做决策的工具箱。你的工具箱越多，你就越能做出最正确的决策。”与您分享查理·芒格的12种思维模型，对做决策、定战略以及领导团队都将有所启发。

01

运营必读 |“用户金字塔模型”在社区产品中的重要性

我在给一些公司和业内做《用户运营工作的基本逻辑》这个分享的时候，提到过一个“用户金字塔模型”，当时只是简单的做了扩展。这个模型我觉得是所有运营工作者、产品工作者，乃至项目的总负责人都应该好好考虑的一个

02

【工程应用一】多目标多角度的快速模板匹配算法（基于NCC，效果无限接近Halcon中........)

愿意写代码的人一般都不太愿意去写文章，因为代码方面的艺术和文字中的美学往往很难兼得，两者都兼得的人通常都已经被西方极乐世界所收罗，我也是只喜欢写代码，让那些字母组成美妙的歌曲，然后自我沉浸在其中自得其乐。而今天，在清明之际，在踏青时节，我还是忍不住停下来歇歇脚，稍微共享一下最近一直研究的一个非常基础的算法和应用 - 多目标多角度的模板匹配。

06

实时Transformer：美团在单图像深度估计上的研究

SideRT: A Real-time Pure Transformer Architecture for Single Image Depth Estimation

03

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