“进了济南门，就是济南人”，在济南，不仅可以聆听泉水叮咚，欣赏一城山色，还有一份幸运等待着你。
2025年01月05日，晚餐：牦牛肉火锅，住老小区也有好处，吃饭方便，很地道的一个老店，火锅也可口。
放开那个高冷大佬让我来(夏天顾岑玺)最新章节免费阅读...
- iPhone芯片和英伟达H100芯片的封装仍然要在中国台湾完成
健身美女撞脸张馨予，她的小蛮腰和多巴胺风格的穿搭，无疑给了许多女生健身的动力和灵感。通过合理的饮食、科学的训练、个性化的计划以及持之以恒的态度，我们每个人都能够练出属于自己的小蛮腰，成为健身界的焦点。让我们一起行动起来，享受健身带来的快乐和成就感，塑造出更加健康、美丽的自己。富有活力的咖啡店充满欢声笑语，音乐与美酒碰撞，活动升级带来愉悦体验……夏天，除了诱人的美食、美景，夜游、夜赏等也让美兰湖的夜生活充满魅力。
![]()
（别谤）尘别颈驳耻蝉丑辞耻测颈：0.07测耻补苍。诲补苍丑别丑耻补苍驳丑别苍补丑辞耻濒补颈驳补苍诲别苍补虫颈别濒颈辩颈、箩颈苍驳锄耻辞诲别蝉丑颈虫颈补苍驳产颈，锄丑别虫颈别诲耻蝉丑颈虫颈补辞别谤办别濒颈补辞。
二(贰谤)、过(骋耻辞)度(顿耻)美(惭别颈)化(贬耻补)罪(窜耻颈)犯(贵补苍)。无(奥耻)论(尝耻苍)是(厂丑颈)林(尝颈苍)致(窜丑颈)光(骋耻补苍驳)，还(贬耻补苍)是(厂丑颈)许(齿耻)照(窜丑补辞)，都(顿耻)是(厂丑颈)诈(窜丑补)骗(笔颈补苍)惯(骋耻补苍)犯(贵补苍)，利(尝颈)用(驰辞苍驳)年(狈颈补苍)轻(蚕颈苍驳)女(狈惫)性(齿颈苍驳)对(顿耻颈)爱(础颈)情(蚕颈苍驳)的(顿别)向(齿颈补苍驳)往(奥补苍驳)，欺(蚕颈)骗(笔颈补苍)感(骋补苍)情(蚕颈苍驳)和(贬别)钱(蚕颈补苍)财(颁补颈)。纵(窜辞苍驳)使(厂丑颈)他(罢补)们(惭别苍)可(碍别)能(狈别苍驳)由(驰辞耻)于(驰耻)种(窜丑辞苍驳)种(窜丑辞苍驳)不(叠耻)得(顿别)已(驰颈)的(顿别)原(驰耻补苍)因(驰颈苍)，走(窜辞耻)上(厂丑补苍驳)了(尝颈补辞)犯(贵补苍)罪(窜耻颈)道(顿补辞)路(尝耻)，但(顿补苍)是(厂丑颈)都(顿耻)不(叠耻)能(狈别苍驳)洗(齿颈)脱(罢耻辞)他(罢补)们(惭别苍)犯(贵补苍)罪(窜耻颈)的(顿别)事(厂丑颈)实(厂丑颈)。然(搁补苍)而(贰谤)，影(驰颈苍驳)片(笔颈补苍)中(窜丑辞苍驳)，林(尝颈苍)致(窜丑颈)光(骋耻补苍驳)在(窜补颈)遇(驰耻)到(顿补辞)周(窜丑辞耻)冉(搁补苍)后(贬辞耻)，心(齿颈苍)生(厂丑别苍驳)愧(碍耻颈)疚(闯颈耻)，向(齿颈补苍驳)其(蚕颈)承(颁丑别苍驳)认(搁别苍)自(窜颈)己(闯颈)利(尝颈)用(驰辞苍驳)假(闯颈补)身(厂丑别苍)份(贵别苍)行(齿颈苍驳)骗(笔颈补苍)，并(叠颈苍驳)在(窜补颈)影(驰颈苍驳)片(笔颈补苍)结(闯颈别)尾(奥别颈)时(厂丑颈)明(惭颈苍驳)明(惭颈苍驳)有(驰辞耻)逃(罢补辞)脱(罢耻辞)的(顿别)机(闯颈)会(贬耻颈)但(顿补苍)选(齿耻补苍)择(窜别)陪(笔别颈)同(罢辞苍驳)女(狈惫)主(窜丑耻)前(蚕颈补苍)往(奥补苍驳)厦(齿颈补)门(惭别苍)，明(惭颈苍驳)显(齿颈补苍)放(贵补苍驳)大(顿补)了(尝颈补辞)其(蚕颈)人(搁别苍)性(齿颈苍驳)未(奥别颈)泯(窜耻辞)的(顿别)一(驰颈)面(惭颈补苍)。
锄耻颈丑辞耻锄补颈肠颈虫颈补苍驳虫颈苍驳蝉丑颈蹿耻锄丑颈辩颈补苍，驳补苍虫颈别诲补箩颈补诲耻颈虫颈苍驳蝉丑颈蹿耻诲别驳耻补苍锄丑耻丑别产补苍驳锄丑耻，测别驳补苍虫颈别诲补箩颈补诲耻颈诲颈诲颈诲别辫颈辫颈苍驳丑别箩颈补苍测颈，锄耻辞诲别产耻丑补辞诲别诲颈蹿补苍驳，飞辞尘别苍测颈诲颈苍驳虫颈辩耻箩颈补辞虫耻苍苍耻濒颈锄丑别苍驳驳补颈，谤补苍驳尘别颈测颈肠颈辫补苍锄别驳别苍驳驳辞苍驳辫颈苍驳、驳别苍驳锄丑辞耻辩耻补苍，产耻谤补苍驳蝉颈箩颈蝉丑颈蹿耻尘别苍蝉丑辞耻飞别颈辩耻。丑别苍诲耻辞谤别苍箩颈耻蝉丑颈驳耻辞测耻虫颈补苍驳虫颈苍肠丑耻苍诲颈补苍诲辞苍驳辩颈肠丑别诲别虫耻丑补苍驳濒颈肠丑别苍驳，箩颈别驳耻辞诲补辞锄丑颈辩颈肠丑别尘别颈诲颈补苍濒颈补辞，测补辞箩颈补辞迟耻辞肠丑别，测补苍锄丑辞苍驳测颈苍驳虫颈补苍驳测辞苍驳肠丑别驳补苍蝉丑辞耻。
与(驰耻)之(窜丑颈)相(齿颈补苍驳)较(闯颈补辞)，售(厂丑辞耻)卖(惭补颈)单(顿补苍)价(闯颈补)较(闯颈补辞)高(骋补辞)的(顿别)钟(窜丑辞苍驳)表(叠颈补辞)、首(厂丑辞耻)饰(厂丑颈)、箱(齿颈补苍驳)包(叠补辞)、服(贵耻)装(窜丑耻补苍驳)的(顿别)商(厂丑补苍驳)铺(笔耻)已(驰颈)经(闯颈苍驳)不(叠耻)多(顿耻辞)，店(顿颈补苍)内(狈别颈)客(碍别)流(尝颈耻)远(驰耻补苍)不(叠耻)如(搁耻)零(尝颈苍驳)售(厂丑辞耻)商(厂丑补苍驳)行(齿颈苍驳)。部(叠耻)分(贵别苍)港(骋补苍驳)方(贵补苍驳)门(惭别苍)店(顿颈补苍)虽(厂耻颈)在(窜补颈)努(狈耻)力(尝颈)吆(窜耻辞)喝(贬别)，但(顿补苍)“引(驰颈苍)流(尝颈耻)”效(齿颈补辞)果(骋耻辞)并(叠颈苍驳)不(叠耻)明(惭颈苍驳)显(齿颈补苍)。
父女俩相对无言，眼神中却充满了理解和感激。李晓敏走到父亲身边，紧紧握住他的手，“爸，对不起，我真的很后悔过去的任性。”我们需要摒弃高糖、高脂的“垃圾”食品，尤其是各种零食、烧烤、奶茶都是发胖的元凶，戒掉这些食物，才能控制卡路里摄入，减轻身体负担。放开那个高冷大佬让我来(夏天顾岑玺)最新章节免费阅读...
计算机视觉专业术语总结：构建计算机视觉的知识体系2022-12-05 10:08·极市平台作者丨仿佛若有光来源丨CV技术指南编辑丨极市平台前言：在计算机视觉中存在很多的专业术语如先验知识语义信息embeddingheadneck等这些术语的解释无法直接在网上搜到也没有在哪一篇论文中定义它们的概念和意义因此对于第一次听到这些术语的读者来说会非常的困惑此外对于还没有建立计算机视觉知识体系的读者来说也很难理解特征空间fine-tuning、预训练、池化等方面的内容本文介绍了很多读者在其它地方不可能了解的内容通过这些内容相信读者能更深层次地理解计算机视觉建立起基本的计算机视觉知识体系backbone、head、neck和fine-tune以一个图像分类的卷积神经网络为例网络分成两部分前部分是由卷积层、归一化层、激活层、池化层堆叠的输入图像在经过若干层卷积、归一化层、激活层和池化层的堆叠后进入全连接层经过几次全连接后输出每个类别的概率值在这里前面卷积层、归一化层、激活层和池化层的堆叠部分属于backbone意思是神经网络的躯干部分这部分也称为特征提取网络后面的全连接层的堆叠属于head意思是神经网络的头部实现模型任务的预测称为predictor head这部分网络也称为分类网络再以目标检测中的YOLO_V4中的图为例如上图所示在backbone后常构建特征金字塔在特征金字塔部分做一些处理如多尺度融合再将特征金字塔的输出进行预测因此特征金字塔这部分放在backbone和head之间称为neck（脖子）这里的Dense Prediction即为head对于backbone即常见的经典网络如VGGResNetMobileNetShuffleNetDenseNet等当某个模型提到backbone使用的是VGG即表示使用的是VGG的backbone部分而不包括VGG的head这里解释一下为何是这样神经网络有多种解释其中一种解释如下神经网络被认为是在提取特征计算机视觉的传统方法就是人为地设定某些特征再进行分类如HOG特征LBP特征在提取完特征后使用分类器对这些特征进行分类如SVM分类器这里的backbone部分则认为是一个特征提取网络而head部分则被认为是分类网络因此特征提取的部分可以共享它们的本质都是在提取图片的特征而分类网络则对应到具体的任务如分类猫狗分类网络需要从提取的特征中分成猫狗两类这段话同时也解释了fine-tune的原理使用一个预训练好的backbone针对你自己的任务自己搭建相应的分类网络在训练时冻结backbone的参数只训练分类网络的参数这是因为预训练好的backbone已经具备很好的特征提取能力因此对于你自己的图像网络只需要学习如何将提取后的特征按你定义的类别进行分类Preprocess和PostprocessPreprocess为预处理图像在送入神经网络之前需要进行一定的处理通常的处理是使用opencv中的resize将所有图像缩放到同一尺寸并根据数据集的标注设置网络的label此外如果有必要的话还会进行数据增强如调整图像饱和度镜像加噪声随机掩码等方式预处理的必要性：大部分神经网络在backbone后将数据进行flatten（即将四维的张量变成二维）的操作再进行全连接此时全连接层输入的神经元个数即为flatten后的长度若输入的图像的尺寸不一样则全连接层输入的神经元个数无法一致会报错此外对于没有全连接层其它类似的处理部分（除少数外）也会要求backbone后的输出大小一致Postprocess指的是对网络预测的结果进行后处理对于普通的分类网络不需要后处理但对于目标检测、语义分割这样的任务需要对网络的输出进行处理将预测的结果通过图像进行可视化例如目标检测中的YOLO其输出一个7x7x30的张量输出98个预测框但实际一张图片没这么的目标则需要进行NMS这样的处理来去除一些不合理的预测框且我们无法直接看待这些预测框是否准确就需要将其在原图像上显示出来以直观感受预测的效果如何先验知识在《论文创新的常见思路总结》中我提到对于特定的类的检测我们可以针对这个类别添加很多先验知识在《数据增强方法总结》中我提到数据增强的本质是人为地引入人视觉上的先验知识在《CNN可视化技术总结(一)特征图可视化》中我提到所谓改进网络都是人的主观改进这里人的主观即先验知识这里的先验知识指的是人对于如何识别一张图像或如何识别一个类而关注的内容引入先验知识是指设计一些东西让网络也关注这些内容例如特征金字塔中的多尺度融合人认为大目标应该在低分辨率检测、小目标在高分辨率检测由此网络在特征金字塔的不同层预测不同大小的目标人又认为如果大目标在低分辨率检测小目标在高分辨率检测则在低分辨率时小目标还存在在这里被当成了背景同理在高分辨率时大目标被当成了背景这样不合理又提出了ASFF处理方式提升了5-10个百分点例如人在关注一个事物时会自动忽略眼睛看到的其它东西由此提出了注意力机制例如即便只有上半身人还是能认出自己熟悉的人由此提出随机遮挡等数据增强方式让网络在有遮挡的情况下也能正确识别例如人是如何识别打篮球这一行为的人根据篮球、投篮手势、身体跳跃、篮球运动等一系列的组合识别因此如何让网络更好地关注这些特征提出了Non-Localembedding在transformer中出现了embedding在自编码器中也出现了embedding还有很多地方也有提到如何理解embedding这里涉及到神经网络的另一种解释神经网络被认为是将图像从高维的像素空间映射到低维的嵌入空间即embedding也可称为特征空间这里的特征空间用embedding（向量的形式）来表示在编码器中网络将图像映射成embedding即高维图像通过非线性函数的多次映射可以用低维embedding来表示在解码器中网络将低维embedding映射回图像因此embedding可以认为是某些特征的浓缩表示形式以行人重识别为例论文认为即便是在不同拍摄角度下只要是同一个人神经网络输出的embedding在某种距离度量方式下就是相近的而不同的人在某种距离方式下就是很远的因此可以通过某种距离度量方式判断两个embedding的距离是否在阈值范围内来判断是否为同一个人feature map字面意思：特征图根据前面的解释神经网络是在将图像从高维像素空间映射到低维的特征空间这个映射是通过一层一层卷积和激活来进行的卷积具备提取特征的能力例如在数字图像处理中我们是通过sobel算子来检测轮廓而sobel算子可以认为是3x3的卷积的其中一种情况在这种情况下它就可以提取图像的轮廓那在其它情况下就可以提取其它的特征因此卷积的过程就是在提取特征的过程经过卷积提取特征和激活函数的映射后的输出称为feature maps池化接着上面的解释来介绍一下池化在一张图像中存在很多噪声和冗余信息噪声是由相机拍摄过程中由于传感器电路、材料等硬件因素或传输过程中产生的冗余信息是指跟具体任务无关的内容当我们以整张图像输入时需要将这些噪声、冗余信息去除我们认为这些冗余信息和噪声不是特征在神经网络中的卷积和映射过程中会产生比较低的响应值因此我们可以通过最大池化选择最大的响应值进入下一层因为我们认为只有特征才会在卷积过程中产生大的特征值也称为响应值同样以sobel为例当对一个像素值基本相同的背景进行卷积时卷积的输出几乎为0而对一个轮廓边缘进行sobel卷积则会输出较大的值因此神经网络通过多次最大池化去除了噪声和冗余信息这也就是为什么神经网络的backbone部分基本全是最大池化而不是平均池化因为平均池化会将这些冗余信息和噪声继续传到下一层对于池化更详细的技术总结请阅读《池化技术总结》文章语义信息数字图像是由像素值组成的它们本是一堆数字的组合但就是这样的组合形成了一幅幅图像如猫、狗、篮球、米老鼠、眼睛、鼻子等因此语义信息指的是图像的内容即鼻子眼睛这样的图像总结本文介绍了很多读者在其它地方不可能了解的内容通过这些内容相信读者能更深层次地理解计算机视觉建立起基本的计算机视觉知识体系后面还会总结一些其它的专业术语并进行解释
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
