Ando's blog

因果关系科学因果关系之梯 第一层——关联：找到变量之间的关联 第二层——干预：如果对X实施…行动，Y会发生什么变化 第三层——反事实：假如当时X没有发生，Y会怎样 因果图概率和因果关系概率角度观点：如果X发生增加了Y发生的概率，那么我们说X导致了Y，记作$P(Y|X)>P(Y)$ 但是这种直觉错误在这种概率提高可能是其他因素导致的，比如Y是X的因，或者存在其他变量Z是它们共同的因 因此概率观点只位于因果之梯的第一层 拯救这种观点的正确方法是借助do算子来定义：如果$P(Y|do(X))>P(Y)$，那么我们可以说X导致了Y do算子表示了干预，这种观点位于因果之梯的第二层

Vit: CV Transformer省流将NLP中的Transformer用到了CV领域 Attention

RCNNRCNN Selective Search(相似合并)得到1k-2k个候选区域（慢，耗时） 将框缩放到227*227，跑卷积（CNN, AlexNet），最后全连接输出特征 将特征输入到SVM中分类 将box输入到全连接进行修正位置 NMS Fast RCNN 将原图直接卷积得到特征图 ROI按照比例放到特征图上，进行ROI Pooling SVM -> 全连接层 ROI Pooling: 将每个ROI 均匀分成M*N份，对每一份进行max pooling，从而将ROI大小统一成M*N，送到下一层 Faster RCNN 特征提取部分的网络简称backbone，可替换成VGG16，ResNet等 RPN网络生成预测框，极大提高检验速度 RPN: 包括生成锚框（9种），二分类判断有无物体，位置再进行微调 FPN as

跑通X2CT我们初始的目标就是跑通X2CT，传入一套X光的正侧面，让该网络为我们生成对应的CT 3d模型 test运行命令分析由于我们使用的是正侧两面，即Multi-view，官网给的命令是 1python test.py --ymlpath=./experiment/multiview2500/d2_multiview2500.yml --gpu=0 --dataroot=./data/LIDC-HDF5-256 --dataset=test --tag=d2_multiview2500 --data=LIDC256 --dataset_class=align_ct_xray_views_std --model_class=MultiViewCTGAN --datasetfile=./data/test.txt --resultdir=./multiview --check_point=90 --how_many=3 –ymlpath指定模型参数 –gpu指定0号gpu –dataroot指定数据源位置(需要改) –dataset指定我们目标是test –tag是包含模型的实验名 ...

计算机视觉面试突击机器学习vs深度学习机器学习和深度学习是人工智能领域中两个重要的分支。机器学习是一种从数据中学习规律，并用于进行预测或决策的算法技术。深度学习是机器学习中的一种特殊技术，利用深层神经网络对复杂的模式进行建模和分析。 机器学习部分SVM支持向量：样本中距离超平面最近的一些点 SVM 想要的就是使得支持向量到超平面的距离尽可能远，也就是找到最大间隔超平面。 由此，支持向量到超平面的距离为 d，其他点到超平面的距离大于 d。 化简得： y(Wx+b) >= 1 又因为d=y(Wx+b)/(w的模)，可知最大化d就是最大化1/(w的模)，即最小化0.5*w的模 软间隔引入松弛变量(每个样本有一个)，目标优化函数加上C*(样本们的松弛变量之和)，我们通过控制C来决定松弛到什么程度 核函数不用知道具体的升维度转换公式，直接计算出两个低维度数据在高维度的差异值 线性不可分KNN损失函数人脸识别有哪些算法，你对哪个最熟悉，谈一下怎么实现经典检测技术 用大量的人脸和非人脸样本图像进行训练，得到一个解决2类分类问题的分类器 检测时用固定大小 ...

SSD实现Part0-整体网络模型 VGG Backbone Extra Layers Multi-box Layers Part1-VGG Backbone SSD首先使用了vgg16作为base网络，但做了一些小修改，即用卷积层替代vgg16原本的FC6,FC7两个全连接层。改动主要如下： 为了能够与在骨干网络之后增加特征提取层，将全连接层fc6和fc7转换为卷积层conv6和conv7，并对fc6和fc7的参数进行二次采样，并移除了fc8层； 将池化层pool5从2×2大小，步长为2更改为3×3大小，步长为1，并使用atrous算法来填充“漏洞”； 由于SSD网络结构移除了VGG16的全连接层，因此防止过拟合的dropout层也被移除； 由于conv4_3与其他特征层相比具有不同的特征比例，因此使用L2归一化将特征图中每个位置的特征比例进行缩放，并在反向传播过程中学习该比例。 先写配置文件：（SSD分为300和512两个版本，这里以300为例） 12345vgg_base = { '300': [64, 64, 'M' ...

Occluded Prohibited Items Detection: an X-ray Security Inspection Benchmark and De-occlusion Attention Module省流 第一个用于安检的高质量目标检测数据集OPIXray Benchmark，由专业人员人工标注，且测试集分为三个遮挡级别，以更好的了解不同模型的性能。 提出了去遮挡注意模块(DOAM)，即插即用。DOAM利用违禁物品的外观信息生成注意力图，有助于改进通用检测器的特征图。 背景以往不同的工作做的基本都是类内遮挡(同一类的物体互相遮挡)，而X光安监大部分都是类间遮挡(不同类的物体相互遮挡)。到目前为止，没有针对X光被遮挡的违禁物品检测的数据集。（由于安检的特殊性，目前公布的X-ray数据集非常少） GDXray包含灰度图像（背景非常简单，与真实环境不符） SIXray仅包含不到 1% 的图像具有注释的违禁项目 DOAM利用两个子模块，即边缘引导（EG）和材料意识（MA），同时特别强调违禁物品的边缘信息和材料信息。利用上述两个信息生成注意力分布图作为每个输入样本的高质量 ...

有点耳鸣，仿佛海风吹过生锈的铁丝网 眼下世界里，青草顶天而生，爬虫昼追日，夜逐月 风是透明的河流，雨是冰冷的流星 抽一根烟吧 烟头红火如萤火虫飞在五月的故乡 我在情感上的愚钝就像门窗紧闭的屋子 虽然爱情的脚步在屋前走过去又走过来，我也听到了 可是我觉得那是路过的脚步，那是走向别人的脚步 直到有一天，这个脚步停留在这里 然后门铃响了 期待是一种半清醒半疯狂的燃烧 使焦灼的灵魂幻觉自己生活在未来

Plantuml简单上手用例图1234567@startuml aleft to right direction:部门负责人: --> (管理参试人员)@enduml

物理层2.1 通信基础2.1.1 基本概念 码元：一个固定时长的信号波形表示一位k进制数字，称为k进制码元 信源，信宿，信道：分别是发送数据的源头，接收数据的终点，信号的传输媒介 单向通信：一条信道，无线电广播，电视广播 半双工通信：两条信道，任何一方不能同时发送和接收 全双工通信：两条信道，两个方向的数据传输可以同时进行 码元传输速率(波特率)：单位时间内传输的码元数，单位波特 信息传输速率：单位时间内传输的二进制码元个数（比特数），单位比特/秒 带宽：网络的通信线路所能传输数据的能力，表示单位时间内从网络中一点到另一点所能通过的”最高数据率”，单位b/s（Hz） 2.1.2 奈奎斯特定理和香农定理2.1.2.1 奈奎斯特定理 理想低通信道下极限数据传输速率：$2Wlog_2V$。其中W为理想低通信道带宽，V为每个码元离散电平数目。 2.1.2.2 香农定理 香农定理是奈氏准则的推广，它规定了信息传输速率的上限，即信道的最大信息传输速率= $Wlog_2(1\ +\ S/N)$，其中W为信道带宽，S/N为信噪比。信噪比为$10lo ...