第一周总结
##Markdown语法简述
-
一级、二级…标题
#这是一级标题
##这是二级标题
#这是一级标题
##这是二级标题
- ###有序无序列表
- + * 效果一样
- ###粗体与斜体
**这是粗体**
*这是斜体*
~~这是删除线~~
这是粗体
这是斜体
这是删除线
- ###引用
在引用的文字前加>即可，也可以嵌套，多加几个>>：
>这是引用的内容
>>这是引用的内容
- ###分割线
三个或三个以上的 - 或 * 都可以
- - -
* * *
- ###图片
图片alt就是显示在图片下面的文字，相当于对图片内容的解释。
图片title是图片的标题，当鼠标移到图片上时显示的内容。title可加可不加
示例：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7AS6Htz5-1615352571198)(https://d33wubrfki0l68.cloudfront.net/aee91187a9c6811a802ddc524c3271302893a149/a7003/images/bandthree2.png)]
- ###图床
- 对象存储图床
国外的有amazon s3 和google storage等
国内的有七牛云、又拍云、腾讯云、阿里云、天翼云等
- 第三方图床
sm.ms、imgchr、聚合图床等
- 云盘图床
微云等
- 社交网站图床
新浪微博、qq空间等
- 云笔记图床
印象笔记、有道云笔记等
- 代码托管网站图床
github、码云等
- 自建图床
github开源图片服务Cheverto
- 区块链存储图床
IPFS等
- ###超链接
语法：
[超链接名](超链接地址 "超链接title")
title可加可不加
示例：
[简书](http://jianshu.com)
[百度](http://baidu.com)
简书
百度
- ###表格
语法：
表头|表头|表头
---|:--:|---:
内容|内容|内容
内容|内容|内容
第二行分割表头和内容。
- 有一个就行，为了对齐，多加了几个
文字默认居左
-两边加：表示文字居中
-右边加：表示文字居右
注：原生的语法两边都要用 | 包起来。此处省略
示例：
姓名|技能|排行
--|:--:|--:
刘备|哭|大哥
关羽|打|二哥
张飞|骂|三弟
| 姓名 | 技能 | 排行 |
|---|---|---|
| 刘备 | 哭 | 大哥 |
| 关羽 | 打 | 二哥 |
| 张飞 | 骂 | 三弟 |
- ###代码
语法：
单行代码：代码之间分别用一个反引号包起来
`代码内容`
代码块：代码之间分别用三个反引号包起来，且两边的反引号单独占一行
(```)
代码...
代码...
代码...
(```)
- ###流程图
```mermaid
flowchat
st=>start: 开始
op=>operation: My Operation
cond=>condition: Yes or No?
e=>end
st->op->cond
cond(yes)->e
cond(no)->op
&```
##商汤科技-MMDetection简述
MMDetection是商汤科技（OpenMMLab - 2018 COCO 目标检测挑战赛冠军）和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱，支持Faster-RCNN，Mask-RCNN，Fast-RCNN，Cascade-RCNN等主流的目标检测框架以及其他一系列目标检测框架。
官方声称，相比于Facebook开源的Detectron框架，mmdetection有三点优势：performance稍高、训练速度稍快、所需显存稍小。
目前OpenMMLab支持的项目有：
- MMCV: OpenMMLab 计算机视觉基础库
- MMClassification: OpenMMLab 图像分类工具箱
- MMDetection: OpenMMLab 目标检测工具箱
- MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
- MMSegmentation: OpenMMLab 语义分割工具箱
- MMAction2: OpenMMLab 新一代视频理解工具箱
- MMTracking: OpenMMLab 一体化视频目标感知平台
- MMPose: OpenMMLab 姿态估计工具箱
- MMEditing: OpenMMLab 图像视频编辑工具箱
目前mmdetection支持的骨干网络有：
- ResNet (CVPR’2016)
- ResNeXt (CVPR’2017)
- VGG (ICLR’2015)
- HRNet (CVPR’2019)
- RegNet (CVPR’2020)
- Res2Net (TPAMI’2020)
- ResNeSt (ArXiv’2020)
目前mmdetection支持的算法有：
- RPN (NeurIPS’2015)
- Fast R-CNN (ICCV’2015)
- Faster R-CNN (NeurIPS’2015)
- Mask R-CNN (ICCV’2017)
- Cascade R-CNN (CVPR’2018)
- Cascade Mask R-CNN (CVPR’2018)
- SSD (ECCV’2016)
- RetinaNet (ICCV’2017)
- GHM (AAAI’2019)
- Mask Scoring R-CNN (CVPR’2019)
- Double-Head R-CNN (CVPR’2020)
- Hybrid Task Cascade (CVPR’2019)
- Libra R-CNN (CVPR’2019)
- Guided Anchoring (CVPR’2019)
- FCOS (ICCV’2019)
- RepPoints (ICCV’2019)
- Foveabox (TIP’2020)
- FreeAnchor (NeurIPS’2019)
- NAS-FPN (CVPR’2019)
- ATSS (CVPR’2020)
- FSAF (CVPR’2019)
- PAFPN (CVPR’2018)
- Dynamic R-CNN (ECCV’2020)
- PointRend (CVPR’2020)
- CARAFE (ICCV’2019)
- DCNv2 (CVPR’2019)
- Group Normalization (ECCV’2018)
- Weight Standardization (ArXiv’2019)
- OHEM (CVPR’2016)
- Soft-NMS (ICCV’2017)
- Generalized Attention (ICCV’2019)
- GCNet (ICCVW’2019)
- Mixed Precision (FP16) Training (ArXiv’2017)
- InstaBoost (ICCV’2019)
- GRoIE (ICPR’2020)
- DetectoRS (ArXix’2020)
- Generalized Focal Loss (NeurIPS’2020)
- CornerNet (ECCV’2018)
- Side-Aware Boundary Localization (ECCV’2020)
- YOLOv3 (ArXiv’2018)
- PAA (ECCV’2020)
- YOLACT (ICCV’2019)
- CentripetalNet (CVPR’2020)
- VFNet (ArXix’2020)
- DETR (ECCV’2020)
- CascadeRPN (NeurIPS’2019)
- SCNet (AAAI’2021)
mmdetection训练步骤很简洁方便，需要使用某个网络，只需在train.py后添加该网络框架的config配置文件即可，mmdetection会自动识别网络，并加载对应的网络模型和训练数据，比如，要训练detectoRS的级联网络，只需要–>
./tools/dist_train.sh config/detectors/detectors_cascade_rcnn_r50_1x_coco.py
##DetectoRS简述
DetectoRS的思想来自成功的目标检测算法如Faster RCNN 、Cascade R-CNN所体现出的哲学：looking and thinking twice （无论是两阶段还是级联检测器，都体现出信息的反复利用和提精）作者是把这一思想应用于主干网的改进上，主要创新如图:
- 宏观层次，提出递归特征金字塔网络（RFP，Recursive Feature Pyramid），集成FPN的反馈连接到主干网，使得主干网再训练得到的特征更好的适应检测或分割任务。
- 微观层次，提出可切换的空洞卷积（SAC，Switchable Atrous Convolution）替换主干网上的标准卷积，使得模型可自适应选择感受野。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5b34LENf-1615352571199)(https://pics3.baidu.com/feed/b17eca8065380cd7fd48b2b9b2ee683258828144.jpeg?token=71e2b01fb155f3cea59b98898630f913)]
下图从左至右分别为HTC，HTC+RFP，HTC+SAC，ground truth的结果，从这个比较中，可以注意到RFP，类似于人类的视觉感知，选择性地增强或抑制神经元的激活，能够更容易地找到被遮挡的物体， 由于SAC能够根据需要增加感受野，因此它更有能力检测图像中的大型物体：
##图片合成算法简述
先上最终图片效果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CpI2fnKe-1615352571200)(/home/dream/sda2/data_ddpest/savepath/coco/val2017/1615288931813_8.png)]
流程图如下：
import ray
ray.init()
blocks = ray.get([fusion.remote(susoku_back_list[i], forefilelist[i], scale, begin_point_list[i])
for i in range(sudoku[scale][1])])