摘要：目标检测，作为计算机视觉研究中最基础的并且最富有挑战性的任务之一，一直以来备受研究人员的关注。深度神经网络可以从数据中学习特征，具有强大的表征能力。随着深度神经网络的发展，特别是深度卷积网络，目标检测领域迎来了突破性的进展。本文将主要介绍近几年主流的基于深度学习的目标检测算法及其主要的算法原理。
内网穿透配置
内网穿透 (NAT 穿透，NAT Penetration)，是指通过流量转发/代理，使得没有公网IP的内网服务器能够被外网访问。为了实现内网穿透，我们需要一台内网服务器和一台公网中转服务器。公网中转服务器是用来做流量转发的。
通过内网穿透，我们还可以绕过跳板机，访问内网服务。
内网穿透的基本原理就是：
- 首先，内网服务器向公网服务器主动建立一条持续的TCP通路，用于内网和公网服务器之间的数据传输；
- 然后，外网机器如果需要访问内网服务器，那么可以先连接到公网中转服务器，然后公网服务器通过上一步建立的TCP通路，把请求转发到内网服务器。
常见的内网穿透工具有autossh、ngrok、frp、花生壳等。
分布式 Faster-RCNN 训练 (基于 Horovod + Tensorpack)
实验背景: 在 2 台机器上，进行了小规模分布式训练的验证实验。主要是为了验证代码能够在分布式环境下运行。实验配置如下：
| HOST | IP | GPU Num |
|---|---|---|
| hw21 | 10.30.0.21 | 2 |
| hw22 | 10.30.0.22 | 1 |
模式识别与机器学习课程笔记
¶考点
贝叶斯
SVM 对偶形式
K-L 变换/PCA
Logistic Regression
AdaBoost
概率图模型、HMM
BP/CNN
No Free Lunch: 没有最好的算法/学习器,不存在一个与具体应用无关的、普遍适用的“最优分类器/回归器”！仅在学习算法与问题align或m
...
loj 6226. 「网络流 24 题」骑士共存问题
¶1. 题目链接
¶2. 题目描述##
¶3. 解题思路##
题目中要求如果一个顶点被选择，那么8个方向上的顶点就不能被选择。显然，这很像二分图的染色问题。
将每个非障碍的顶点与其8个方向上的非障碍顶点连一条边，那么本题就是一个求最大独立集的问题，而且是一个求二分图的最大独立集的问题。
为什么是二分图呢？可以从下面两条性质来分析：
- 对于任意节点$u$，不可能经过奇数步回到节点$u$，实际上，这就是
匈牙利算法 Hungary的进行二分图的判断的主要思想； - 按照题目中那个图，将所有顶点划分成红色、黄色两类节点，可以发现同色的节点之间没有边。
而二分图上有很好的性质，比如：
- 最大匹配数 = 最小点覆盖；
- 最大独立集 = 最小边覆盖 = 顶点数 $\lvert V \lvert$ - 最大匹配数；
- DAG 的最小路径覆盖数 = DAG 图中的节点数 - 相应二分图中的最大匹配数。
- DAG 的最小路径覆盖是指找最小数目的互相不相交的有向路径，满足 DAG 的所有顶点都被覆盖。
- DAG 对应的二分图这样构造：对于 DAG 中的一个顶点 $p$，二分图中有两个顶点 $p$ 和 $p'$，对应 DAG 中的一条有向边 $p\to q$，二分图中有 $p\to q'$ 的一条无向边。二分图中 $p$ 属于 $S$ 集合，$p'$ 属于 $T$ 集合.
- …
求二分图的最大匹配数的方法有 匈牙利算法（复杂度$\mathcal O(VE)$） 和 网络流（代表算法就是Dinic/Hopcroft-carp 算法，复杂度$\mathcal O(\sqrt{V}E)$）。
[hdu 5988. Coding Contest] zkw 最小费用最大流
¶1. 题目链接
¶2. 题目描述##
有 $N$ 个点，$M$ 条边的有向图 $(N\le 100, M\le 5000)$。任意一个点 $i$ 上有$s_i$ 个人，$b_i$ 份食物$(s_i, b_i\le 200)$。
任意一条边 $i$ 有几个属性 $u_i, v_i, c_i, p_i$ $(c_i\le 100, 0\lt p_i\lt 1)$。$u_i, v_i$ 分别表示有向边的两个顶点编号；$c_i$ 表示这条边的最大容量（最多允许几个人通过）；点$u_i$ 中的每个人可以沿着这条有向边移动到点 $v_i$，但是除了第一个经过这条边的人不会破坏这条边，剩下的人都会有 $p_i$ 的概率把这条边破坏。图中只要有一条边被破坏了，就认为图被破坏了。
现在需要保证所有人都能拿到一份食物的情况下，求出图被破坏的最小概率。
数据范围：
¶3. 解题思路##
主要思路：拆边 + 对数函数将积性函数转为和性函数 + zkw 最小费用最大流。
NumPy ndarray 用法
官方地址：
¶NumPy ndarray 初始化
1234567import numpy as nprsize, csize = (3, 3)np.zeros((rsize, csize)) # filled with zerosnp.ones((rsize, csize)) # f
...