这篇论文是2019年语义分割领域的最新成果, 采用双流CNN和ASPP进行语义分割处理, 在细小的物体上有着很大的提升.

paper: https://arxiv.org/abs/1907.05740
code: https://github.com/nv-tlabs/GSCNN
more >>

    当进行监督学习时, 经常要处理离散变量. 也就是说, 变量没有一个自然的数值表示. 问题是大多数机器学习算法要求输入的数据是数值的. 在某种程度上, 数据科学需要将离散变量转换为数值变量。
more >>

AdaptIS: Adaptive Instance Selection Network

论文地址: https://arxiv.org/abs/1909.07829?context=cs
代码: https://github.com/saic-vul/adaptis

    本文提出了自适应实例选择网络（Adaptive Instance Selection Network），给定图像和其中任意像素的坐标，AdaptIS即可精准输出这个像素处任意物体的mask。与目前流行的先检测后分割的方法不同，AdaptIS直接从像素点出发，达到对任意类别、任意形状物体的精准分割。 AdaptIS不使用COCO预训练即可在全景分割数据集Cityscapes和Mapillary上达到了state-of-the-art的效果，PQ（Panoptic Quality）指标分别为62.0和35.9，在COCO数据集上也有不错的效果。
more >>

四元数（Quaternion）(二)

四元数(一)

3. 四元数

3.1 性质

3.1.1 模长(范数)

    仿照复数的定义, 可以暂时将一个四元数$q=a+bi+cj+dk$的模长定义为:

    若用标量向量有序对的形式进行表示的话, $q = [s, \mathbf v]$的模长为:

    四元数很难用几何的方法进行理解, 因为它代表四维长度. 但是, 和高维向量的模长一样, 这只是类比复数模长进行衍生定义的结果.
more >>

四元数（Quaternion）(一)

    最近在做的工作是深度点云, 在学习计算机图形学和刚体运动的过程中接触到四元数, 本身是一个比较抽象的概念, 我们都知道复数可以画成一个2维平面, 复数的乘法表示2维的拉伸和旋转, 那么四元数呢? 下面会一步步来学习四元数是如何表示三维旋转的.

more >>

一些在使用pytorch时可能会用到的比较有用的脚本

归一化

1
2
3
4

def normalize_channels(img):  
    _min, _max = img.min(axis=(0,1)), img.std(axis=(0,1))  
    img = (img - _min) / (_max - _min)  
    return img

more >>