论文解读--Bidirectional Learning for Domain Adaptation of Semantic Segmentation
0 说明 论文解读第二篇； 《Bidirectional Learning for Domain Adaptation of Semantic Segmentation》来自于CVPR 2019学术会议论文。 1 研究背景 人工标注、合成图像 在大型数据集上训练深度学习神经网络推动了图像语义分割的迅速发展，但是由于需要大量的人工、收集和手动标注具有像素级标签的图像，成本过高。 计算机图像学进展的推动下，可以产生具有标签的较为逼真的合成图像，但是与实际图像之间仍然存在域适应问题。 2 研究问题 无监督、域适应问题 由合成数据训练的模型面临的问题 域迁移：生成图像（源域）与真实图像（目标域）不匹配问题； 无标签：极端情况下目标域无可用标签； 应对 域适应着重解决域不匹配问题； 极端情况下则属于是无监督域适应问题。 3 创新点3.1...
markdown使用
0 说明 markdown是一种轻量级的标记语言，非常方便进行文章排版，支持latex公式编辑显示。 可以算是一个程序员笔记的利器，支持许多的笔记软件，方便好用。 1 资源推荐 基本教程 菜鸟教程：https://www.runoob.com/markdown/md-tutorial.html markdown软件 Typora 官网：https://typora.io/ 公式编辑 作业部落Markdown公式编辑手册： https://ericp.cn/cmd
论文解读--Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation
0 说明 由于毕业设计需要，进行相关论文的学习 论文解读第一篇: Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation 1 研究背景 基于深度学习的语义分割方法是以像素级的人工标注为代价进行监督训练的，费时费力；借助计算机虚拟图像技术，几乎无成本地获得无限量自动标注数据，但虚拟图像和现实图像间存在严重的数据差异（域迁移），进而导致了训练的模型在真实图像上效果较差。 如下图所示，在图的第一行有虚拟图像训练得到的全卷积网络（FCN）在虚拟图像数据集上分割效果较好，但是当相同的网络模型迁移到真实数据（Cityscapes数据集）上之后，可以看出分割结果较差。 总结来说就是就是 1)像素级人工标注的代价和 2)域迁移的影响。 2 研究问题 全局体征分布、负迁移。 针对域迁移问题，常规的策略是通过对抗学习来调整源域Source与目标域Target之间的分布特征，但是这种全局特征分布（Marginal...
Markdown中公式的使用
0. 说明 学习中使用Markdown记笔记，少不了使用公式； 本次主要说明基本公式的使用，之后会继续更新。 1. 基本公式使用1.1 插入公式 数学公式有两种：行中公式和独立公式。行中公式与文中其他文字混编，独立公式单独成行。 行中公式： $数学公式$ 独立公式： $$独立公式$$ 自动编号的公式可以用如下方法表示： \begin{equation} 数学公式 \label{eq:当前公式名} \end{equation} 自动编号后的公式可在全文任意处使用\eqref{eq:公式名}语句引用。 例子1： $\text {行中公式示例：} J_\alpha(x) = \sum_{m=0}^\infty \frac{(-1)^m}{m! \Gamma (m + \alpha + 1)} {\left({ \frac {x}{2} }\right)}^{2m + \alpha}$ 显示：$ \text {行中公式示例：} J_\alpha(x) = \sum_{m=0}^\infty \frac{(-1)^m}{m! \Gamma (m + \alpha...
Hexo主题添加网页访问计数功能
0. 说明 添加不蒜子访问计数 以Hexo的yilia主题为例子 以Hexo目录作为说明的基点 1. 配置文件修改 在./themes/yilia/_config.yml中添加属性 本身yilia主题没有在_config.yml中保留不算子的属性，所有直接在末尾追加就行# 开启不算子访问统计 busuanzi: enable: true 2. 添加不蒜子插件 添加统计数据显示以及不蒜子网站访问脚本 在./themes/yilia/layout/_partla/footer.ejs末尾</footer>与其上面的</div>之间插入下面代码： <% if (theme.busuanzi && theme.busuanzi.enable){ %> <!-- 不蒜子统计 --> <span id="busuanzi_container_site_pv"> 本站总访问量<span...
逻辑斯蒂回归与Softmax回归的极大似然估计
0. 说明 使用极大似然估计(i.i.d independent and identically distributed) 推导逻辑斯蒂回归和Softmax回归用于分类问题的目标函数 1. 逻辑斯蒂回归的极大似然估计 线性回归的任务是预测，单也可用来分类 伯努利分布| $y_n$ | 1 | 0 || :—-: | :———————-: | :———————-: || $p_n$ | $p^1(x_n;\omega)$ | $p^2(x_n;\omega)$ | 其中 p^1(x_n;\omega)+p^2(x_n;\omega)=1p^1(x_n;\omega)=\frac{e^{\omega^Tx_n}}{1+e^{\omega^Tx_n}}p^2(x_n;\omega)=\frac{1}{1+e^{\omega^Tx_n}} 极大似然估计(i.i.d)p(x_1,x_2,\cdots,x_N;\omega)=\prod_{n=1}^{N}{[p^1(x_n;\omega)]^y_n...
Hexo博客添加字数统计和阅读时长
0. 说明hexo-wordcount 插件提供了字数统计和阅读时长预计功能，项目地址为：hexo-wordcount 下面均以Hexo博客根目录为基点。 1. 安装hexo-wordcount字数和阅读时长统计插件 进入博客根目录，使用npm安装hexo-wordcount插件 npm install hexo-wordcount --save 加—save参数可以将安装信息写入package.json，方便以后可能需要再次安装。 安装完成之后，可以在hexo根目录的node_modules文件夹中找到hexo_wordcount文件夹，里面的index.js就是插件的全部内容。 2. 添加字数和阅读时长数据 在文章的标题下方添加字数统计和时长估计数据 在目录 ./themes/yilia/layout/_partial/post/ 创建新文件 wordcount.ejs，文件内容如下： 字数统计: 字 ...
使用Hexo部署一个属于自己的博客
0. 说明 本次配置使用的环境为：deepin 15.11桌面版 其他操作系统类似 1. 准备工作Node.js环境包 因为Hexo是基于Node.js的第三方模块，所以缺少Node.js不可。访问Node.js官网下载合适自己系统的Node.js安装包。此时最新版本为v13.9.0，我使用的平台为Linux Binaries (x64) 创建安装路径，并进行解压(我们以/usr/local/lib/nodejs文件夹为例)sudo mkdir -p /usr/local/lib/nodejs # 创建解压安装目录 sudo tar -xJvf node-v13.9.0-linux-x64.tar.xz -C /usr/local/lib/nodejs # 将安装包解压安装 添加换将变量，在～/.bashrc文件后追加export PATH=$PATH:/usr/local/lib/nodejs/node-v13.9.0-linux-x64/bin # 或者 export...
First Blog
自己的博客基本搭建完成，接下来进行部署即可。 第一次使用这种博客来写东西，心情还是很激动的呢！！
