YimianDai

1. 现代英美媒体意识形态宣传的主轴，亦即所谓的 “民主”、“自由”，其真正的意义在于消弭政府监管，使资本一家独大，这是 1970 年初期开始的资本大反扑的结果。
2. 我的人生态度，是坚持理想原则，但仍要追寻对现实世界最大的实际影响和贡献。前者是理想主义，后者是实用主义。请注意这两者是绝对相容的，因为理想主义的相反，是现实主义，而不是实用主义。
3. 载人航天主要是霸权争夺的象征，是对全世界多数人类的最佳广告，有很重要的士气和宣传价值。从战略角度来看，它是无人伤亡的正面国力碰撞。你可以抱怨它的实际效益低于很多其他科研计划，但是正确的比较对象，其实是全面战争，包括核战争，所以它真正是应该被严肃考虑的首选之一。

YimianDai

• parse_args
  • data-shape: 默认是 300，这个数值在 Evaluation 中会影响 net_name 和 SSDDefaultValTransform 里面的 imresize 也就是 Eval 图像的大小
• get_dataset
• get_dataloader
• benchmarking
• validate
• __main__

Eval Script

YimianDai

Train Script

$ python train_tiny_ssd.py --gpus 0,1 -j 16 --lr 0.0001 --lr-decay-epoch 160,200 --lr-decay 0.1 --epochs 240 --data-shape 512 --train-split train --val-split val --nms-thresh 0.01 --batch-size 12 --resume best_TinySSD.params 

Debug

YimianDai

Internal multi-worker iterator for DataLoader.

在 num_workers 大于 0 的时候，DataLoader 实际用的是下面的代码来处理数据

        # multi-worker
        return _MultiWorkerIter(self._worker_pool, self._batchify_fn, self._batch_sampler,
                                pin_memory=self._pin_memory, pin_device_id=self._pin_device_id,
                                worker_fn=_thread_worker_fn if self._thread_pool else _worker_fn,

YimianDai

DataLoader 的作用是 Loads data from a dataset and returns mini-batches of data

__init__

sampler 是什么？怎么理解 Either specify sampler or shuffle, not both.

sampler 和 batch_sampler 有什么区别？

如果指定 batch_sampler 的时候就不需要指定 batch_size, shuffle, sampler, and last_batch

YimianDai

• parse_args
  • model and dataset
  • synchronized Batch Normalization
  • evaluation only
    • '--eval'
      1. whether evaluation only, evaluation 就是指是计算 pixAcc 和 mIoU 还是保存所有测试结果
      2. True 的话，就是按照 Batch 一个一个扫遍 Dataset，最后输出 pixAcc 和 mIoU
      3. False 的话，还是按照 Batch 一个一个扫遍 Dataset，但是不计算 pixAcc 和 mIoU，而是把 Batch 里面的每一个样本的预测结果的图保存下来
  • dummy benchmark
• test

YimianDai

test

YimianDai

Attention to Scale: Scale-aware Semantic Image Segmentation

这是一篇较早的文章了，10 Nov 2015 挂到了 arXiv 上，是 CVPR 2016 的文章。不管是 Object Detection 还是 Semantic Segmentation，性能要好的一个关键在于利用好 multi-scale features。

论文试图解决的问题是：如何利用 multi-scale 的 feature？

论文尝试给出的途径是，将各个 scale 独立预测的 score map 做一个 weighted sum，其实是一个决策级的融合。这个权重来源于共享的 Attention Module，具体由另一个 FCN 实现。

1. multi-scale features 的来源

YimianDai

自己实现的 SoftIoU Loss，用于前景背景的图像分割，相较于 Focal Loss，SoftIoU Loss 的好处是不需要设置 Loss 的参数了，只要关注 Model 就好了

from gluoncv.loss import Loss as gcvLoss

class SoftIoULoss(gcvLoss):
    def __init__(self, batch_axis=0, weight=None):
 super(SoftIoULoss, self).__init__(weight, batch_axis)

YimianDai

    predict = np.argmax(output.asnumpy(), 1).astype('int64')

pixAcc 是 TP / T

IoU 是 TP / (T + P - TP)

如果 pixAcc 很高，比如 0.95，而 IoU 很低，接近于 0，那么 说明分类器几乎把所有像素都预测成了 P