琴岛边的浪花
今年五一我一直和太太计划应该带我们两周岁的女儿去哪儿玩。她不是那种很容易安抚的小朋友,所以坐高铁或者飞机一旦超过两个小时会很难控制,同样她现在的口味还很保守,不能带她吃一些她完全没吃过的菜系。想来想去就选中了距离杭州1小时飞机时长,以闽南菜为主的厦门作为目的地。
今年五一我一直和太太计划应该带我们两周岁的女儿去哪儿玩。她不是那种很容易安抚的小朋友,所以坐高铁或者飞机一旦超过两个小时会很难控制,同样她现在的口味还很保守,不能带她吃一些她完全没吃过的菜系。想来想去就选中了距离杭州1小时飞机时长,以闽南菜为主的厦门作为目的地。
谢天谢地狗日的新冠三年过去了,想来也是滑稽,感觉一夜之间这个我们假想的敌人灰飞烟灭了,整个故事就像皇帝的新装一样滑稽。万幸的是,从今年开始,我和太太又可以开始外出游玩了,我们的第一站选中了新晋网红山城重庆。
去年的全年总结里我写过,希望新一年能成功跳槽,终于在这周我兑现了这个承诺,结束了在H家工作的4年时间。
如果将光学字符识别(OCR)技术应用于一些自然场景的图片,从而达到识别图片中文本文字的目的,通常会是一个two-stage的过程:
图像分割需要做的事情就是把一张图中的像素根据其所表示的不同内容而进行区分并打上标签,本质上可以看成一种聚类操作。图像分割方法主要可分为两种类型:语义分割和实例分割。语义分割会使用相同的类标签标注同一类目标(Segmantic Segmentation),而在实例分割中,相似的目标也会使用不同标签进行标注(Instance Segmentation)。深度学习之前的图像分割方法主要有如阈值化、基于直方图的方法、区域划分、k-均值聚类、分水岭,到更先进的算法,如活动轮廓、基于Graph的分割、马尔可夫随机场和稀疏方法。
随着anchor在检测算法中的应用,不管是one or two stage的检测模型,都会在图片上放置密密麻麻尺寸不一的anchors,用来检测全图各个角落大小不一的目标物体。但是anchor based model有两个不足之处:
随着Deep NN的广泛运用,我们发现如果每次都使用体量巨大的NN模型,会对计算资源要求非常高,因此一些关于模型压缩和加速的手段被提出来,尤其是在将模型应用到移动端的尝试,让模型应用有了如下一些优势:
在BatchNorm广泛应用之后,关于BN的一些思考也被提出,希望能从bacth本身的采样等方法里探讨,不同的batch会有什么样的不同效果。详见ref[1]。