今年下半年有几个小计划：
1.找合适的赛道再赛马。
2.理解时代的趋势，下副本前了解副本的规则。
3.去更多的地方走走，形成地图全面的认知，再精准定位。
4.活在当下，但会用更长远的眼光看未来。
5.探索不止乐趣不止。
6.在时间的ROI与快乐放松中拿捏住平衡。
6.爱自己无限，永远是少女永远热泪盈眶。[doge] https://t.cn/RM5Lqb6
1.找合适的赛道再赛马。
2.理解时代的趋势，下副本前了解副本的规则。
3.去更多的地方走走，形成地图全面的认知，再精准定位。
4.活在当下，但会用更长远的眼光看未来。
5.探索不止乐趣不止。
6.在时间的ROI与快乐放松中拿捏住平衡。
6.爱自己无限，永远是少女永远热泪盈眶。[doge] https://t.cn/RM5Lqb6
#秦奋roi##觉醒东方秦奋#
三周年出道快乐奋哥@秦奋Roi
1212天前很幸运遇见了你 开始喜欢你
1096天前特别开心等到了出道的你
知道这一切都很不容易能够再次出道很为你开心 也是为我能继续看着你 喜欢你而开心
一晃三年多过去了就想看着你只喜欢你的初心还是没有变过 但是我一定是比三年前更加喜欢你了 以后也还是会继续喜欢下去的ps（不继续喜欢也没办法啊谁让我入坑之后就爬不出去了[允悲]
三周年出道快乐奋哥@秦奋Roi
1212天前很幸运遇见了你 开始喜欢你
1096天前特别开心等到了出道的你
知道这一切都很不容易能够再次出道很为你开心 也是为我能继续看着你 喜欢你而开心
一晃三年多过去了就想看着你只喜欢你的初心还是没有变过 但是我一定是比三年前更加喜欢你了 以后也还是会继续喜欢下去的ps（不继续喜欢也没办法啊谁让我入坑之后就爬不出去了[允悲]
裁剪池化(Crop Pooling)
ProposalTarget产生很有希望的RoIs以及在训练中使用的相关类标签和回归系数。下一步是从头网络生成的卷积特征映射中提取这些RoIs对应的区域。提取出的特征图通过网络的其它部分(如上所示的网络图中的“尾巴”)生成每个RoI的对象类概率分布和回归系数。裁剪池化层的工作是从卷积特征地图中执行region extraction。
裁剪池化背后的关键思想在论文Spatial Transformation Networks(Anon. 2016)中进行描述。目标是应用一个变形函数(由2x3仿射变换矩阵描述)到一个输入特征映射输出一个变形的特征映射，如图1所示。
在空间变换中描述的采样方法提供一个可微分的采样机制，允许损失梯度回流到输入特征图和采样网格坐标。
幸运的是，裁剪池化是在PyTorch中实现的，该API包含两个反映这两个步骤的函数。torch.nn.functional。Affine_grid取一个仿射变换矩阵并产生一组采样坐标和torch.nn.functional。Grid_sample在这些坐标处对网格进行采样。在向后的步骤中反向传播的梯度是由pyTorch自动处理的。要使用裁剪池化，我们需要做到以下几点:
1. 把ROI坐标除以RoIHead网络的步长。Proposal Target Layer产生的RoIs坐标在原图空间(800 x 600倍)。为把这些坐标带入由RoIHead产生的输出特征映射的空间中，我们必须把它们除以步长(当前实现中为16)。
2. 要使用上面显示的API，我们需要仿射变换矩阵。这个仿射变换矩阵如图2所示.
3. 需要目标特征映射上x和y维度上点的数量。这是由配置参数cfg提供的POOLING_SIZE (默认为7)。因此在裁剪池化过程中使用非正方形RoIs从卷积特征图中裁剪出区域，这些区域被弯曲(warp)成恒定大小的正方形窗口。当裁剪池化的输出被传递到需要输入固定尺寸的进一步卷积和全连接层时，必须进行这种扭曲。
link: https://t.cn/A6V7pe2m
ProposalTarget产生很有希望的RoIs以及在训练中使用的相关类标签和回归系数。下一步是从头网络生成的卷积特征映射中提取这些RoIs对应的区域。提取出的特征图通过网络的其它部分(如上所示的网络图中的“尾巴”)生成每个RoI的对象类概率分布和回归系数。裁剪池化层的工作是从卷积特征地图中执行region extraction。
裁剪池化背后的关键思想在论文Spatial Transformation Networks(Anon. 2016)中进行描述。目标是应用一个变形函数(由2x3仿射变换矩阵描述)到一个输入特征映射输出一个变形的特征映射，如图1所示。
在空间变换中描述的采样方法提供一个可微分的采样机制，允许损失梯度回流到输入特征图和采样网格坐标。
幸运的是，裁剪池化是在PyTorch中实现的，该API包含两个反映这两个步骤的函数。torch.nn.functional。Affine_grid取一个仿射变换矩阵并产生一组采样坐标和torch.nn.functional。Grid_sample在这些坐标处对网格进行采样。在向后的步骤中反向传播的梯度是由pyTorch自动处理的。要使用裁剪池化，我们需要做到以下几点:
1. 把ROI坐标除以RoIHead网络的步长。Proposal Target Layer产生的RoIs坐标在原图空间(800 x 600倍)。为把这些坐标带入由RoIHead产生的输出特征映射的空间中，我们必须把它们除以步长(当前实现中为16)。
2. 要使用上面显示的API，我们需要仿射变换矩阵。这个仿射变换矩阵如图2所示.
3. 需要目标特征映射上x和y维度上点的数量。这是由配置参数cfg提供的POOLING_SIZE (默认为7)。因此在裁剪池化过程中使用非正方形RoIs从卷积特征图中裁剪出区域，这些区域被弯曲(warp)成恒定大小的正方形窗口。当裁剪池化的输出被传递到需要输入固定尺寸的进一步卷积和全连接层时，必须进行这种扭曲。
link: https://t.cn/A6V7pe2m
✋热门推荐