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。
红框里的代码很重要，没有这句话，三角形就打印不出来，打印的只是许多连起来的‘*’。
这个繁荣的行业，只要你自己不水，可以衣食无忧，努努力还能buffer加成，成为别人眼里很酷的那种人，没多少行业如程序员起薪高，也没多少行业如程序员涨薪快，没多少行业如程序员这般智力密集，身边都是挺聪明的人，有的还很有趣，也没多少职场如程序员职场这般少讲政治只讲方案，这是一种相对轻松的活法。
现在可以在空地放水桶，位置 i 的水桶可以服务 i - 1, i + 1 位置的房屋
作为网络安全初学者，会遇到采用Go语言开发的恶意样本。因此从今天开始从零讲解Golang编程语言，一方面是督促自己不断前行且学习新知识；另一方面是分享与读者，希望大家一起进步。前文介绍了Golang的顺序控制语句和条件控制语句。这篇文章将详细讲解循环控制语句和流程控制，包括for、break、continue、goto及相关编程练习。
金字塔学习法：让你了解自己学习的认知层级，这个我也给小孩教过。我认为也是技术人学习不可缺的一种方法。具体详情如下
其实学编程关键是学习其思想，如果你精通了一门，再去学其他的时候也很容易上手。C不会过时的，尤其是在unix、linux操作平台上，学好C是必须的。
论文: FoveaBox: Beyound Anchor-Based Object Detection
金字塔特征表示是解决目标检测中尺度变化挑战的常见做法。然而，不同特征尺度的不一致是基于特征金字塔的single-shot检测器的主要限制。在这项工作中，研究者提出了一种新颖的数据驱动的金字塔特征融合策略，称为自适应空间特征融合 (ASFF)。它学习了空间过滤冲突信息以抑制不一致性的方法，从而提高了特征的尺度不变性，并引入了free inference overhead。
Anchor-free检测方法分为anchor-point类别和key-point类别两种，相对于key-point类别，anchor-point类别有以下有点：1) 更简单的网络结构 2) 更快的训练和推理速度 3) 更好地利用特征金字塔 4) 更灵活的特征金字塔选择，但anchor-point类别的准确率一般比key-point类别要低，所以论文着力于研究阻碍anchor-point类别准确率的因素，提出了SAPD(Soft Anchor-Point Detecto)，主要有以下两个亮点：
据说垂直搜索现在很热，那么什么是垂直搜索呢，下面是我的几点认识，欢迎大家讨论。
我们许多工程师都患有常见的疾病：害怕写作。这通常始于学校，在那里我们被告知我们没有“语言天赋”。这是无稽之谈。写作是一门手艺，它的原则是可以学习的。
在Three.js中，一个可见的物体是由几何体和材料构成的。在这个教程中，我们将学习如何从头开始创建新的网格几何体，研究Three.js为处理几何对象和材质所提供的相关支持。
DPM算法由Felzenszwalb于2008年提出，是一种基于部件的检测方法，对目标的形变具有很强的鲁棒性。目前DPM已成为众多分类、分割、姿态估计等算法的核心部分，Felzenszwalb本人也因此被VOC授予"终身成就奖"。
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.
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：
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。
摘要：小目标检测仍然是一个尚未解决的挑战，因为很难仅提取几个像素大小的小目标信息。尽管在特征金字塔网络中进行尺度级别的相应检测可以缓解此问题，但各种尺度的特征耦合仍然会损害小目标检测的性能。本文提出了扩展特征金字塔网络（EFPN，extended feature pyramid network），它具有专门用于小目标检测的超高分辨率金字塔层。具体来说，其设计了一个模块，称为特征纹理迁移（FTT，feature texture transfer），该模块用于超分辨率特征并同时提取可信的区域细节。此外，还设计了前景-背景之间平衡（foreground-background-balanced）的损失函数来减轻前景和背景的面积不平衡问题。在实验中，所提出的EFPN在计算和存储上都是高效的，并且在清华-腾讯的小型交通标志数据集Tsinghua-Tencent 100K和微软小型常规目标检测数据集MS COCO上产生了最好的结果。
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。
RCNN首次将卷积操作引入检测领域用于提取特征，然而现有的深度卷积网络需要输入固定尺寸的图片，这个需求可能会导致对于任意scale/size的图片的识别精确度下降。【深度卷积神经网络由卷积层和全连接层组成，卷积层对于任意大小的图片都可以进行卷积运算提取特征，输出任意大小的特征映射，而全连接层由于本身的性质需要输入固定大小的特征尺度，所以固定尺寸的需求来自于FC层，即使对输入图片进行裁剪、扭曲等变换，调整到统一的size，也会导致原图有不同程度失真、识别精度受到影响】SPPNet提出了**“空间金字塔池化”**消除这种需求，不管图像大小是多大，在整张图片上只需要计算一次，就可以得到整幅图像的特征图，经过池化都会输出一个固定长度的表征。
经典的two stage检测网络有：faster RCNN和SSD，它们用于做bbox regression的模型各有不同，faster RCNN是VGG，feature map经过不断地下采样，最后的feature map送入RPN层，这样不断地下采样使得小检测框的像素非常小，无法进行训练的到，得到很好的结果。而SSD则是分别对不同尺寸的feature map进行bbox regression，这就导致尺寸较大的feature map没有高级语义，对于全局语义没有很好地提取，无法判断出物体的位置和大小，同样对小检测框没有很好的检测效果。FPN则解决了这个问题。
论文地址：https://arxiv.org/pdf/1912.02424.pdf
MSE(Mean Square Error)均方误差，MSE是真实值与预测值的差值的平方然后求和平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。MAE(Mean Absolute Error)平均绝对误差。是绝对误差的平均值。可以更好地反映预测值误差的实际情况。
在深度学习目标检测中，特别是人脸检测中，由于分辨率低、图像模糊、信息少、噪声多，小目标和小人脸的检测一直是一个实用和常见的难点问题。然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。
近年来，深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名，并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大的性能。该网络设计了一堆小卷积滤波器，使网络结构非常简单，但网络有一些定位错误。
本文提出了一种训练有素、多尺度、可变形的目标检测零件模型。在2006年PASCAL人员检测挑战赛中，我们的系统在平均精度上比最佳性能提高了两倍。在2007年的挑战赛中，它在20个类别中的10个项目中都取得了优异的成绩。该系统严重依赖于可变形部件。虽然可变形部件模型已经变得相当流行，但它们的价值还没有在PASCAL挑战等困难的基准测试中得到证明。我们的系统还严重依赖于新方法的甄别培训。我们将边缘敏感的数据挖掘方法与一种形式主义相结合，我们称之为潜在支持向量机。隐式支持向量机与隐式CRF一样，存在非凸训练问题。然而，潜在SVM是半凸的，一旦为正例指定了潜在信息，训练问题就变成了凸的。我们相信，我们的训练方法最终将使更多的潜在信息的有效利用成为可能，如层次(语法)模型和涉及潜在三维姿态的模型。
读书的时候，有人觉得自己写作能力较弱，等到工作就可以躲开这件事。事实是，工作中需要写作的时间只会多、不会少。 你是文科、理科还是工科背景，都不是先入为主判断写作水平的标准。文字是否能入大家的眼，大多与你写得是否清晰、有条理更相关。 写作、汇报、思考问题都需要有一定的逻辑，这方面比较好用的方法是金字塔原理。转来一篇好文，讲解一下金字塔原理的组织方式和应用。 版权信息｜文 luoluoatbj 来源：她理财 《金字塔原理》麦肯锡的经典培训教材。 学习金字塔原理的目标是，整理自己的思路，清晰地思考、写作、汇
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。
前言 VR技术是目前最受关注的前沿科技之一，受到了各家互联网公司的青睐，但这并不是首次。实际上，VR在发展史上经历了三次热潮。第一次热潮发生在上个世纪60年代，出现了第一个计算机图像驱动的头戴式显示设备以及头部位置跟踪系统，是VR发展历史上的一个重要里程碑。第二次热潮发生在上个世纪90年代，3D游戏的上市使得VR技术关注度剧增，但由于当时VR技术尚不成熟，游戏画质差价格高，因而这一次的VR热潮就此消退。到2014年，Facebook公司收购Oculus后，VR热潮再度袭来，Facebook创始人在中国发展高
论文名称：TensorMask: A Foundation for Dense Object Segmentation
目标的多尺度变化在目标检测中是一个很重要的问题，利用特征层多尺度(或anchor多尺度)是一种有效的解决方案。Anchor box用于将所有可能的Instance box离散为有限数量的具有预先定义的位置、尺度和纵横比的box。Instance box和Anchor box基于IOU重叠率来匹配。当这种方法集成到特征金字塔的时候，大的anchor通常和上部的特征相映射，小的anchor通常和下部的特征相映射，如下图所示。这是基于启发式的，即上层特征图有更多的语义信息适合于检测大的目标，而下层特征图有更多的细粒度细节适合于检测小目标。然而，这种设计有两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。在训练过程中，每个实例总是根据IoU重叠匹配到最近的锚盒。而锚框则通过人类定义的规则(如框的大小)与特定级别的功能映射相关联。因此，为每个实例选择的特性级别完全基于自组织启发式。例如,一个汽车实例大小50×50像素和另一个类似的汽车实例规模60×60像素可能分配到两个不同的特征层,而另一个40×40像素大小的实例可能被分配到和50x50相同的特征层,如下图所示。
机器之心专栏 作者：李俊 近日，CVPR 2017获奖论文公布，引起了业内极大的关注。但除了这些获奖论文，还有众多精彩的论文值得一读。因此在大会期间，国内自动驾驶创业公司 Momenta 联合机器之心
1.金字塔原理的四个基本原则：结论先行：每篇文章只有一个中心思想，并放在文章的最前面；以上统下：每一层次上的思想必须是对下一层次思想的总结概括；归类分组：每一组中的思想必须属于同一逻辑范畴；逻辑递进：每一组中的思想必须按照逻辑顺序排列。
01懒人学RCNN.mp4 02懒人学FastRCNN.mp4 03懒人讲FasterRCNN之简介.mp4 04懒人学FasterRCNN之融合.mp4 05懒人讲FasterRCNN之RPN.mp4 06懒人讲FPN之引言.mp4 07懒人讲FPN之深入浅出FPN.mp4 08懒人讲FPN之FasterRCNN实践.mp4 09懒人学MaskRCNN之介绍.mp4
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
不知道你有没有这样一些困惑，面试的时候对于一个知识点总是答不好，给老板汇报的时候总是讲不好，晋升答辩的时候总是讲不清楚过去一年自己的贡献，撩妹的时候总是拿捏不到重点，咳咳。
每个物体，我们总可以用一些词语或部件来描述它，比如人脸的特征：两个眼睛、一个鼻子和一个嘴巴。对于图像而言，我们需要计算机去理解图像，描述图像就需要计算机去取得图像的特征，对图像比较全面的描述即一个二维矩阵，矩阵内的每个值代表图像的亮度。有时候我们需要让计算机更简化的来描述一个图像，抓住一些显著特征，这些特征要具有一些良好的性质，比如局部不变性。局部不变性一般包括两个方面：尺度不变性与旋转不变性。
各位同学们大家好，我是老尚 最近很多同学一直在后台留言问我 零基础web前端开发到底该怎么学呢？ 没有思路呀，同学们的需要，就是我的方向 根据我长期讲前端零基础课的经验 我总结了一套【老尚前端方法论】
花了一点时间用Python和seaborn绘制了全国人口年龄结构图以及31个省市的人口年龄结构图，也被称为人口金字塔。
在计算机视觉领域，图像金字塔是一种强大的技术，可用于在不同尺度下对图像进行分析和处理。金字塔的概念借鉴了古埃及的金字塔形状，其中每一级都是前一级的缩小版本。本篇博客将深入探讨如何构建图像金字塔，以及如何在实际应用中利用金字塔来解决各种计算机视觉问题。我们将使用 OpenCV 库和 Python 编程语言进行实际演示。
特征图金字塔网络FPN（Feature Pyramid Networks）是2017年提出的一种网络，FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。
美國學者艾德格‧戴爾（Edgar Dale）提出了「學習金字塔」（Cone of Learning）的理論：在初次學習兩個星期後，透過閱讀學習能夠記住內容的10%；透過聽講學習能夠記住內容的20%；透過圖片學習能夠記住內容的30%；透過影像、展覽、示範、現場觀摩來學習能夠記住50%；參與討論、提問、發言來學習能夠記住70%；做報告、教學、模擬體驗、實際操作能夠記住90%。美國緬因州國家訓練實驗室（National Training Laboratories）做過類似的研究，結論跟戴爾差不多。由此可知，閱讀是最沒用的學習方式，而模擬、體驗與實作才是最好的學習方式。是嗎？
不务正业预警 眼看着一个学期又告一段落，几个月来拢共还是没写几篇博客。不过手头上倒是还积累着不少资料值得一写，趁着新春得闲可以好好梳理梳理了。
由清华大学五道口金融学院、清华大学国家金融研究院举办的“未来已来”系列讲座在6月13日这天迎来了微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文博士。
金字塔可用于改善性能。它们是原始栅格数据集的缩减采样版本，可包含多个缩减采样图层。金字塔的各个连续图层均以 2:1 的比例进行缩减采样。如下图所示。从金字塔的底层开始每四个相邻的像素经过重采样生成一个新的像素，依此重复进行，直到金字塔的顶层。重采样的方法一般有以下三种: 双线性插值（BILINEAR）、最临近像元法（NEAREST）、三次卷积法（CUBIC）。其中最临近像元法速度最快，如果对图像的边缘要求不是很高，最适合使用该方法。三次卷积由于考虑的参考点数太多、运算较复杂等原因，速度最慢，但是重采样后图像的灰度效果较好。
近年来，随着卷积神经网络[1-2]的提出及其在计算机视觉[3]和自然语言处理[4]等领域的广泛应用，使得深度学习在二维的图像识别[5]、语义分割[6]以及目标检测[7]等领域有了重要的突破。目前，基于二维图像的目标检测算法已趋于成熟，并已经被广泛地应用到我们的生活中。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
