**：solov2: dynamic, faster and stronger
solov2主要有兩個創新點：
1、作者更進一步，引入動態機制，動態學習目標分割器的mask head。將mask分支解耦為kernal分支以及mask特徵分支，學習卷積核權重。
2、作者提出matrix nms，減少前向推理時間。
效果：在單張v100顯示卡，coco資料集上res-50-fpn solov2，ap達到38.8%，耗時18fps。
如圖2所示，在solov1中，mask分支如2（a）所示，由於參數量較多，而且**結果存在冗餘資訊，因此進行解耦如圖2（b）所示，但都是從**結果層面出發。對此作者想到為什麼不從卷積核角度出發，由此得到2（c），上面為mask kernal分支，下面為mask特徵分支。
對於mask kernal分支，如圖2（c）所示，輸入特徵f為h*w*e，學習動態卷積核g為s*s*d，比如g為1*1*e*s^2或3*3*e*s^2，即為d=e或者d=9e。輸入channel為e，輸出channel為s^2，s^2表示共有s^2個位置，每個位置對應乙個卷積核。因此最多生成s^2個mask，此時意味著，每個位置都出現了目標。作者使用不同大小及channel卷積核，實驗效果如表3所示。
對於mask特徵分支，可以每層fpn都做mask**，也可以合併為乙個統一的mask，經作者實驗，後者效果更佳，如圖3所示。將fpn的p2到p5層依次經過3×3卷積 + group norm + relu + 2個雙線性插值，統一到原圖的1/4尺寸，再做element-wise summation，經過1 × 1 convolution + group norm + relu得到mask的feature map f。
mask的feature map f經過學到的卷積核g（i，j），i，j表示網格中位置，得到相應位置的例項分割結果。
先得到類別置信度，通過閾值0.1過濾掉低置信度**結果，而後使用學習到的卷積核對mask特徵進行卷積操作，經過sigmoid函式後，使用閾值0.5將**的soft mask轉變為二值圖。最後一步進行matrix nms。
iou計算公式如式3、衰減因子decay計算如式4所示
sj = sj * decayj，sj表示第j個目標的**得分。
兩種簡單的衰減函式如式5、6所示，線性以及高斯。
matrix nms計算過程如下：
1、選取按照置信度排列的top n個結果，生成n*n的iou矩陣。對於二值圖，通過矩陣運算，高效形成iou矩陣，因為計算iou時可直接相乘。
2、在iou矩陣列上，找到最大的iou。
3、計算decay。
4、通過decay更新**得分。
**如下：
例項分割結果如表1所示。
目標檢測結果如表2所示。
Retinex演算法解讀
retinex是一種常用的建立在科學實驗和科學分析基礎上的影象增強方法，它是 edwin.h.land 於1963 年提出的。就跟 matlab 是由matrix 和laboratory 合成的一樣，retinex 也是由兩個單詞合成的乙個詞語，他們分別是 retina 和cortex 即 視網膜和...
Deflate演算法解讀
gzip 使用deflate演算法進行壓縮。通用類庫為zlib，由lz77 huffman共同實現。1 lz77演算法簡介 這一演算法是由jacob ziv 和 abraham lempel 於 1977 年提出，所以命名為 lz77，被一些人稱為字典演算法。2 lz77演算法的壓縮原理 如果檔案中...
演算法解讀 基本的演算法
1.執行迴圈操作求1 n的和 要完成這個計算，可以通過以下迴圈步驟求出 a.將求和變數sum的初始值設為0.b.將和sum為計算結果，value為加數 c.value在n以下時，重複執行4 5的操作 d.計算sum value的值並將值存入sum中 e.每次value值加1.1 public sta...