ronghuaiyang

作者参加了39个Kaggle比赛，总结了非常多的技巧和经验，现在全部分享给大家。使用DoG（Difference of Gaussian）方法进行blob检测，使用skimage中的方法。

使用一个更强大的主干可以提高目标检测器的性能。为了做到这一点，他们提出了一种新的策略，即通过相邻主干之间的组合连接来组装多个相同的主干。通过这样做，他们提出了一个更强大的主干，称为组合主干网。

给大家介绍图像标注的种类，应用场景，以及各种标注的优缺点。 每个数据科学任务都需要数据。具体地说，是输入系统的干净易懂的数据。说到图像，计算机需要看到人类眼睛看到的东西。

在过去的十年里，深度学习在一系列的应用中取得了巨大的成功。然而，为了验证和可解释性，我们不仅需要模型做出的预测，还需要知道它在做出预测时的置信度。

对图像的颜色空间做了一个概念性的介绍，并通过代码的方式可视化了每种颜色空间的每个通道所表示的意义。目前主要有五种类型的颜色模型。但是，我将只写一些常见的(RGB、HSV和HSL)。

这篇文章一出来就得到了广泛的关注，思路很清楚，解决了2个问题，效果也很好，关键是无差别涨点，值的一看。

GFLV1之后很快又有了GFLV2，这次的思路是让位置质量的预测用上回归分支的信息，同时通过分布的平坦性来表示位置的质量，感觉确实要比V1中对分布的使用方式要优雅。

今天我们将讨论一个新的方法称为Sparse R-CNN(不要和处理3D计算机视觉任务的Sparse R-CNN混淆)，使用了完全稀疏和可学习的包围框生成来实现最先进的物体检测。

In-place操作用在推理的时候可以显著节省内存，但是训练的时候一定要小心使用。 如今的高级深度神经网络拥有数百万个可训练参数，训练它们通常会导致GPU内存耗尽。有几种简单的方法可以减少模型占用。