每三天看一篇论文，写成不低于50字的总结 每天上传任务以及任务完成情况 添加idea模块，上传可用的idea

完成ctpn的回归部分

完成ctpn的回归部分

在多尺度上能不能做出突破

完成ctpn的最终版本

完成ctpn的回归部分

完成倾斜长方形的回归loss,但是incident数据集是不规则长方形.如何将不规则长方形回归到倾斜长方形。或者更进一步完成倾斜平行四边形 完成incident数据集的导入解析 需要为这个自动设计文本线构造

1. 之前尝试在score map上根据字的连续性假设，加入连续性loss.在特征图上表现的更聚集，但是效果一般
2. 能不能再加入box regress上的连续性假设?,保持相邻的regress有相同的回归值
3. 二次回归，即执行两次回归。
4. 梯度的学习导流.即sum的导数流向v1,v2,v3,自动学习权重学习在v1,v2,v3之间的梯度分配
5. deformable conv and deformable pool

End to end

完成倾斜 倾斜的nms和文本线构造需要重写,traintodata还没写完,发现label转换的代码运行时间过长. 先放弃倾斜的文本，专门打coco比赛

端对端检测识别,需要nms可训练，如何把nms放在卷积层里面

完成了conloss,regloss,前二层mask.但是代码好像有问题，没有feed mask,明天去看一下

用gather选取score>0.7的,用lstm完成nms算法。lstm先编码所有的anchor，然后解码成目标box

BN

看了tensorflow 自定义op怎么写,初步完成了多batch

基于深度学习的目标检测算法综述（二）（分享自知乎网）https://zhuanlan.zhihu.com/p/40020809?utm_source=qq&utm_medium=social&utm_oi=50987419041792

我的手机 2018/7/23 星期一 下午 11:54:13

关于感受野的总结（分享自知乎网）https://zhuanlan.zhihu.com/p/40267131?utm_source=qq&utm_medium=social&utm_oi=50987419041792

我的手机 2018/7/27 星期五 下午 6:13:23

量子位 - 汤晓鸥为CNN搓了一颗大力丸（分享自知乎网）https://zhuanlan.zhihu.com/p/40681613?utm_source=qq&utm_medium=social&utm_oi=50987419041792

我的手机 2018/7/31 星期二 下午 10:22:18

二次回归，直接用scoremap和redress map再次回归出正确的掩码

我的手机 2018/7/31 星期二 下午 10:22:19

用nms算法构造lstm的输出label

我的手机 2018/7/31 星期二 下午 10:22:19

集成，深度，重复思考

我的手机 2018/7/31 星期二 下午 10:22:19

多个anchor不就是集成方法吗？

我的手机 2018/7/31 星期二 下午 10:22:19

加强感受野位置的编码

我的手机 2018/7/31 星期二 下午 10:22:19

对hard区域进行掩码再训练

我的手机 2018/7/31 星期二 下午 10:22:19

怎么在神经网络中加入联想机制

我的手机 2018/7/31 星期二 下午 10:22:19

联想和记忆

我的手机 2018/7/31 星期二 下午 10:22:19

densenet

我的手机 2018/7/31 星期二 下午 10:22:20

趋同性的loss其实很难说学到了位置的相关性。因为相邻卷积模板是相同的。在预测时，并未获得两个点是否是相邻的信息，所以也无法趋同。但是这个loss确实有效果，我猜更多的是模板内秉的性质即放松了特征的差距，而非推理的性质

我的手机 2018/7/31 星期二 下午 10:22:20

怎样在卷积网络中实现仿射变换

我的手机 2018/7/31 星期二 下午 10:22:20

如果把二维坐标做为两层输进去，会怎么样

我的手机 2018/7/31 星期二 下午 10:22:20

本质上，检测就是输出一个掩码。从理论上来讲score map就是掩码。但是score map学习的不好。所以需要另外的loss box来进一步确定。从这个角度来讲都是基于投票，与集成方法相同

我的手机 2018/7/31 星期二 下午 10:22:20

只不过box回归加入了更强的长方形假设

我的手机 2018/7/31 星期二 下午 10:22:20

dialated convolutions

我的手机 2018/7/31 星期二 下午 10:22:20

它们的区别是什么？

我的手机 2018/7/31 星期二 下午 10:22:20

lstm在二维上无法体现二维的空间距离信息

我的手机 2018/7/31 星期二 下午 10:22:21

能不能借用bn的**，对图像做某种校正，然后再还原

我的手机 2018/7/31 星期二 下午 10:22:21

多层掩码。即输出多个掩码层，对一个图像进行多次掩码，形成多个图像再次输入到第一层中

我的手机 2018/7/31 星期二 下午 10:22:21

本质上在用卷积学习nms

我的手机 2018/7/31 星期二 下午 10:22:21

特征提取，推理

我的手机 2018/7/31 星期二 下午 10:22:21

语义分割中，稀疏卷积核的使用

我的手机 2018/7/31 星期二 下午 10:22:21

两种方法加强泛性。一种将图像变换到统一的范式，第二种将图像进行联想变形，作为额外的数据集训练。从某种角度来看这两种方法差不多。第三种方法是二次思考

我的手机 2018/7/31 星期二 下午 10:22:21

机器之心 - 循环神经网络不需要训练？复现「世界模型」的新发现（分享自知乎网）https://zhuanlan.zhihu.com/p/38744193?utm_source=qq&utm_medium=social&utm_oi=50987419041792

在对图像进行多层掩码时，如何将一张图像掩码成多张图像？学习到的掩码怎么变换

进一步学习tensorflow自定义op.想把DatatoTrain变成自定义op,发现实现很困难，主要难在选取固定的正负样本个数上。这份代码可以用cpython和cuda编写。速度应该可以快很多

1.学习应该池化到什么程度。对每一层池化都输出回归。然后最后学习一个池化权重。在训练时，用权重分配每一层池化结果。在预测时,用权重去分配每一层池化结果,在所有的池化结果上用nms 2.还是二次思考的问题。二次思考表现为两种形式.第一种，用固定的卷积学习新的卷积，再对图像进行卷积.第二种，用固定的卷积学习图像的变形，以适配下一个卷积.一个是学习新的卷积，一个是学习新的图像

###论文 ###任务 完成了掩码的收敛，通过加入edge的loss和mask map 0 1相对比的loss，控制了掩码收敛 ###idea 我的手机 2018/8/9 星期四 20:59:36 确定nms算法最后保留的框对应的特征图的结点 我的手机 2018/8/9 星期四 20:59:37 对卷积模板进行翻转，旋转形成更多的卷积模板进行学习 我的手机 20:59:38 来告诉底层模板应该对什么感兴趣，描绘一个目标 我的手机 20:59:38 好都越好，坏者越坏。卷积模板之间的竞争 我的手机 20:59:38 AI前沿研究 - UCL等提出完全可微自适应神经树：神经网络与决策树完美结合（分享自知乎网）https://zhuanlan.zhihu.com/p/40976044?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:38 将识字的信念梯度回流到score map 上 我的手机 20:59:39 Hinton反思新作：我说反向传播不好，但还是没谁能颠覆它。（分享自知乎网）https://zhuanlan.zhihu.com/p/40012254?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:39 控制底层模板学习的积极性 我的手机 20:59:39 图像边缘锐化，将边缘检测图加入原图像 我的手机 20:59:39 关于掩码，换种思路。不学习文字，学习背景。背景的激活。不是背景的不激活。然后反转作为掩码。这跟证明题中证明补集很相似 我的手机 20:59:39 一个是通过loss控制卷积模板学习边缘 我的手机 20:59:39 控制模板学习的针对性 我的手机 20:59:39 监督网络就是loss网络。loss就是监督教师。设计loss时要充分考虑loss的学习目的，loss的影响目标 我的手机 20:59:40 关于二阶段目标检测，二阶段的梯度流回一阶段梯度的问题。 我的手机 20:59:40 调动卷积模板学习的积极性，消除无用模板 我的手机 20:59:40 更简单的，自动学习每个模板的重要性权重，然后加权。实际上多个卷积模板，随机初始化，是典型的广撒网，多点初始化。来消除局部最小。所以相当一部分模板学不到什么有用东西。 我的手机 20:59:40 图像简化，形成多简单特征，学习众多特征推理组合特征。对组合特征进行反解，判断是否有目标特征 我的手机 20:59:40 加入了gradient stop机制 我的手机 20:59:40 根据今天训练边缘图的经验，relu的输出可以无限大，在最终的label输出端用relu激活很不容易收敛,所以需要softmax。在边框回归时，真实label应当取倒数，网络输出端压缩到1以下 我的手机 20:59:41 然后用信心对多个loss集成 我的手机 20:59:41 尤其是多loss。网络很容易被某些非主要目的loss引入歧途。充分警惕那些非主要学习目标的loss 我的手机 20:59:41 增强图像的边缘信息 我的手机 20:59:41 最前沿：Meta Learning前沿进展扫描（分享自知乎网）https://zhuanlan.zhihu.com/p/40600485?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:41 将score map与底层进行对比的loss 我的手机 20:59:41 今天验证了regconloss的梯度不能传到训练层 我的手机 20:59:41 信心等于gt减去实际预测的值 我的手机 20:59:41 竟争机制 我的手机 20:59:41 训练的不稳定性。y是x的函数。如果x和y都有loss学习，那么x的波动会导致y不能学习，y的波动导致x的学习效率低下 我的手机 20:59:42 通过将place holder赋值给variable来获取图像梯度，反推出重要像素 我的手机 20:59:42 学习边框回归准确率的信心 我的手机 20:59:42 一个是对图像进行边缘精确化 我的手机 20:59:43 【目标检测和目标跟踪有什么现成的标注工具？】XZH.小章鱼：… https://www.zhihu.com/question/56725870/answer/270425563?utm_source=qq&utm_medium=social&utm_oi=50987419041792 （分享自知乎网） 我的手机 20:59:43 其实就是学习loss的loss 我的手机 20:59:43 多深度的loss的学习，必须保证低深度的不振荡，高深度的才能学习