wegw

论文:A Dual Weighting Label Assignment Scheme for Object Detection  Anchor作为目标检测器训练的基础单元，需要被赋予正确的分类标签和回归标签，这样的标签指定(LA, label assignment)过程也可认为是损失权重指定过程。对于单个anchor的cls损失计算，可以统一地表示为：  wposw_{pos}wpos​和wnegw_{neg}wneg​为正向权重和反向权重，用于控制训练的方向。基于这个设计，可以将LA方法分为两个大类： 

Label Assignment 的目标是给每个 anchor 分配其 loss weight 的正或负，现有的方法一般都主要设计正样本的权重函数，负样本的权重直接从正样本来获取。这种方法缺少了一些可学习的能力。

正则化 引入正则化的目的是为了解决过拟合问题。 左边的图中蓝色的线是目标函数，随机产生五个带噪声的点。我们理想的拟合曲线为红色的线，虽然有些许误差，但是整体拟合情况和目标函数接近。但是，事先不知道需要用二次曲线来拟合这些点。如果使用了更高次方的假设函数，可能就会出现右图中的情况。虽然在训练集上能很好的拟合这五个点，但是他与目标函数相差很大。在未来的预测过程中，犯错误的可能性也会很大。这就是过拟合。 我们称HCH_CHC​为C次多项式。如H10H_{10}H10​为所有10次多项式的集合。有如下关系： 高

CVPR 2022 论文链接：https://arxiv.org/abs/2203.09730 个人理解：作者发现样本的重要性是不一致的，正负样本所占权重不一致，基于此提出了多重加权（pos和neg）。一个样本的pos权重由其分类和定位分数之间的一致性程度决定，而neg权重被分解为两个项：它是一个否定样本的概率和它作为一个否定样本的重要性。 论文思路：静态和动态匹配策略都忽略了样本不同样重要这一事实，最优预测不仅应该具有较高的分类分数，还应该具有准确的定位，这意味着在训练中，分类头和回归头之间具有较高一致性

word2vec skip gram 直观理解 目标 根据给定的单词预测与该单词同处一个窗口内其他每个单词出现的概率 目标损失函数：针对每个窗口内非target word 的context word，构建 C(θ)=−∑wi∑c=1Clogp(wO,c∣wI)C(\theta) = - \sum_{w_i}\sum_{c=1}^Clogp(w_O,c | w_I)C(θ)=−wi​∑​c=1∑C​logp(wO​,c∣wI​)损失函数并利用最大似然估计进行求解。 网络结构 第一层为输入的单词one-hot

压力测试工具下载地址：https://github.com/ewwink/siege-windows/archive/master.zip。如要支持https测试，需要先安装openssl, 下载地址：https://github.com/openssl/openssl。siege下载地址：http://download.joedog.org/siege/siege-latest.tar.gz。解压双层包，一定要保证根目录是。2.带Header参数。3.带json格式参数。

1. DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations 该篇论文主要有两个任务，第一个任务是提供了一个large-scale数据集, 包含80万张图片，包含不同角度，不同场景，买家秀，买家秀图片。数据集分为4个子数据集，用于4个主要任务，分别是服装类别与属性预测、店内衣服检索、买家秀卖家秀衣服检索、关键点和目标检测。第二个任务是提出了一个深度学习网络FashionNet， 服装识别算法

一 布局文件代码如下：     xmlns:tools="http://schemas.android.com/tools"     android:id="@+id/activity_main"     android:layout_width="match_parent"     android:layout_height="match_parent"     android

vim 文本编辑器基本使用方法

dSdi​Sde​S其中di​S为内部熵增，de​S为外部熵减。根据香农信息论HX−i1∑n​pxi​logpxi​≤C通过构建自适应信息滤波器，系统实现外界扰动∇Hext​与内部耗散∇Hint​的动态平衡。研究表明，当批评声量Icritique​∂t∂H​∇⋅D∇HkIcritique2​其中扩散系数D。

负采样是Word2Vec中用来加速模型训练的一种技术。它通过从词汇表中随机选择一些负样本来减少计算量，从而使模型能够在大规模数据集上高效训练。负采样在 Skip-gram 和 CBOW 模型中得到了广泛应用，是生成高质量词向量的核心技术之一。虽然负采样在计算效率上有明显优势，但它也有一定的局限性，特别是在负样本选择和细节学习方面。

本文提出了一种改进的YOLO13-C3k2-EIEM模型用于甲状腺结节超声影像检测。该模型针对医学影像特点优化了C3k2模块，通过动态卷积核提高特征提取能力；设计了EIEM损失函数解决样本不平衡问题。实验表明，该模型在精确率(0.90)、召回率(0.87)和mAP(0.87)上优于现有方法，推理速度达32ms。临床应用中，该模型可辅助医生诊断、提高筛查效率，尤其在医疗资源匮乏地区具有重要价值。未来将结合多模态影像分析进一步提升性能。

siege这个开源的压力测试工具，可以方便开发者快速测试网站或API接口的并发情况、网站性能情况Siege是什么Siege是一个开源回归测试和基准测试实用程序。它可以使用用户定义数量的模拟用户对单个URL进行压力测试，也可以将许多URL读入内存并同时对它们进行压力测试。该程序报告记录的命中总数，传输的字节数，响应时间，并发性和返回状态。Siege支持HTTP / 1.0和1.1协议，GET和POS...

正负样本均衡处理方法研究 本文探讨了处理数据不平衡问题的多种技术：1）重采样技术（过采样SMOTE/欠采样聚类）2）加权损失函数调整类别权重3）集成学习方法改进4）数据增强与生成对抗网络5）评估指标优化。针对不同场景提供了方法选择建议，并给出基于KMeans聚类的欠采样实现方案，通过TF-IDF向量化和聚类分析从多数类中选取代表性样本，实现正负样本均衡。实验包含文本预处理、自动确定聚类数、按比例抽样等关键步骤，为不平衡数据分类任务提供了实用解决方案。

论文日报

LINUX常见命令行目录类：文本类：用户管理类：文件权限：网络操作类： 目录类： ①查询命令man: man man：进入帮助页面。 1 可执行程序或 shell 命令 2 系统调用(内核提供的函数) 3 库调用(程序库中的函数) 4 特殊文件(通常位于 /dev) 5 File formats and conventions, e.g. /etc/passwd 6 游戏 7 杂项(包括宏包和规范，如 man(7)，groff(7)) 8 系统管理命令(通常只针对 roo

深入理解JVM1   Java技术与Java虚拟机说起Java，人们首先想到的是Java编程语言，然而事实上，Java是一种技术，它由四方面组成: Java编程语言、Java类文件格式、Java虚拟机和Java应用程序接口(Java API)。它们的关系如下图所示：图1   Java四个方面的关系运行期环境代表着Java平台，开发人员编写Java代码(.java文件)，然后将之编译成字节码(.cl...