Zavix | Intellisoftx

我有两个github账号，在同一台电脑上，一个用于个人，一个用于团队。如何使用同时使用ssh对github进行数据推送呢？

场景：

用户名1：jobs

用户名2：musk

仓库1：git@github.com:jobs/apple.git

仓库2：git@github.com:musk/tesla.git

ssh密钥1：~/.ssh/jobs

ssh密钥2：~/.ssh/musk

Summary

一篇Anchor-free方法，没有预设Box尺寸。

1. 直接回归Box的四个点，和IoU

2. FPN的金字塔结构归为两个尺寸

3. CPRS Loss, 回归和分类的分离导致经常回归正确的框却分类错误，在loss中增加IoU门函数。但是似乎都是这么做的。

4. 各种tirck。见表1.

正片文章虽然结果优秀但是论述没有重点，每个trick都用相同的篇幅叙述，让人抓不到重点。

输入feature('lcoal')查看当前环境编码格式

1
2
3
4
5
6
7
8
9
10
11

           ctype: 'zh_CN.GBK'
         collate: 'zh_CN.GBK'
            time: 'zh_CN.GBK'
         numeric: 'en_US_POSIX.UTF-8'
        monetary: 'zh_CN.GBK'
        messages: 'zh_CN.GBK'
        encoding: 'GBK'
terminalEncoding: 'GBK'
     jvmEncoding: 'GBK'
          status: 'MathWorks locale management system initialized.'
         warning: ''

进入matlab安装路径，打开lcdata.xml文件

D:\Program Files\MATLAB\R2014b\bin\lcdata.xml

将UTF-8与GBK编码对应

1

<encoding name=”UTF-8”>

修改为

1
2
3
4

<encoding name="UTF-8">
    <encoding_alias name="utf8"/>
    <encoding_alias name="GBK"/>
</encoding>

然后修改

1

<locale name="zh_CN" encoding="GBK" xpg_name="zh_CN.GBK">

为

1

<locale name="zh_CN" encoding="UTF-8" xpg_name="zh_CN.UTF-8">

重启matlab

Abstract

在近期行人检测进展的鼓舞下，我们研究了现有方法与“完美单帧检测器”之间的差距。基于Caltech数据集创建了一个人工的基准，并且手工聚合了在顶级检测器中经常发生的错误以实现研究分析工作。研究结果刻画了定位错误、背景vs前景方面错误（虚警和漏检）。

针对定位错误，我们研究了训练集标记噪声对检测器性能的影响，结果表明仅使用小部分干净的训练数据都能使检测器的性能得到提升。针对虚警/漏检的情况，我们研究了应用在行人检测中的卷积神经网络，并且讨论了哪些因素影响了它们的性能。

除了深入的分析，我们汇报了Caltech数据集的最佳性能，并且提出了一个新的、纯净的训练/测试标注集。

Abstract

用于视频目标检测的NMS方法

1. Introduction

视频目标检测困难的原因：

• 较大的尺度变化
• 遮挡
• 运动模糊

本文，我们提出单帧检测的一个简单拓展来帮助解决上述问题。

单帧检测完全忽略了时间维度，本文，我们在后处理阶段融合时序信息，以此优化每帧的检测结果。对于给定的时间序列上的ROI和类别得分，我们使用简单的重叠标准来连接邻近帧的BBox，使得序列的得分最大化。之后抑制附近的BBox，然后对BBox重打分。

贡献：

• 提出Seq-NMS改进用于视频视频数据的物体检测流程。特别地，我们改进了后处理阶段，使用前后帧的高分物体结果增强弱检测结果。
• Seq-NMS在ImageNet VID上的表现超过先进的单帧检测结果。
• 方法在ILSVRC2015上排名第3

• 机构：首尔大学，加州大学
• 行人检测后处理，个体性估计
• 代码:http://cpslab.snu.ac.kr/software

Abstract

本文，我们介绍了检测候选的个体性作为一个补充用于评价行人检测。个体性从目标推荐和滑窗得到的原始检测候选中分配一个检测结果给每个物体。我们表明，传统的方法，如NMS，是次优的，因为其仅基于周围检测结果的得分来抑制。我们使用行列式点过程(determinantal point process)结合个体性优化选择最后的结果。该方法使用质量和相似性对每个检测结果建模。然后，检测结果中具有高检测得分和低相关性（通过矩阵行列式计算概率）的作为最后的结果。此矩阵由quality terms作为对角元素，其他位置是相似性元素。具体地，我们专注于行人检测问题，该问题由于其频繁的遮挡和不可预知的运动使其称为最具挑战的问题之一。实验结果显示本文提出的方法比NMS和不受约束的二次优化问题更好。

• 会议：European Conference on Artificial Life (ECAL)
• 机构：Aberystwyth University (英国)

Abstract

• 解决自动驾驶的问题：使用卷积神经网络预测图像中路面的位置和宽度。
• 实验了两种网络架构，六种色彩模型
• 使用机器人Pioneer 3-AT，离线测试5个不同的路段

1. Introduction

• 自动驾驶车辆都需要判断前方的路面和非路面区域
• 当道路线清晰，标准的图像处理+视觉方法可以直接解决
• 当路面不清晰时就会变得复杂
• 图像处理应该足够鲁棒，满足动态复杂路面检测的需求
• 如果能判断前方路面的位置的形状，能够使得问题变简单

Abstract

本文针对基于anchor的人脸检测提出了一种新的anchor设计方法，具有出色的尺度不变性，尤其是针对小脸的检测效果很好。

以往基于anchor的检测器存在的问题：对小尺寸的脸部检测性能降低，比如小于16×16pixels的脸部。

作者的发现：

• 当前的anchor设计方法不能保证小脸与anchor boxes之间的高重合度，增加了训练的难度

• EMO

效果：比baseline anchor-based检测器表现要好，在具有挑战性的人脸检测数据集上达到了state-of-the-art，而且运行速度也具有竞争力。

Abstract

目标检测器受益于端到端的训练范式：推荐、特征、分类器开始成为一个神经网络。另一个独立不可缺的组件是NMS，一个后处理算法将属于同一目标的bbox合并。NMS仍然是手工设计，策略简单，基于固定阈值的贪心聚类算法，导致召回率和精度之间权衡。我们提出一个新的网络架构来实现NMS，仅基于其box和得分。我们在PETS上验证行人检测和COCO上验证目标检测。结果表明该方法能够改进定位和遮挡问题。

本文设计了一种loss函数用于加强bbox的回归精度，这个特性适用于目标密集且相互遮挡较多的场景，例如行人检测问题。该文的想法与另一篇文章《Individualness and Determinantal Point Processes for Pedestrian Detection》类似，后者通过行列式处理，前者设计loss函数。

Abstract

在人群中检测个体行人仍然是一个具有挑战性的问题，由于在真实世界场景中行人通常聚集在一起并且相互遮挡。本文我们首次通过实验研究人群间的相互遮挡如何影响行人检测器的性能，对人群间遮挡的问题进行了分析。然后我们提出了一个针对人群场景设计的外接矩形回归损失函数，称为repulsion loss。该损失包含两个部分：与目标的attraction项和与周围物体的repulsion项。repulsion项避免矩形框偏移到旁边的物体上，因此对群体中的定位更加鲁棒。基于repulsion损失训练的检测器在遮挡场景下相对其它检测器有显著提升。