同时train segm和obj detect - 未名空间MITBBS历史存档

国际科技财经博客移民网络热点娱乐民生时事公众号

Redian新闻

>未名空间

>Programming - 葵花宝典

同时train segm和obj detect

同时train segm和obj detect# Programming - 葵花宝典

y*82017-05-10 07:05

1 楼

1. person一项里面有这个问题：
Do you have a telecode that represents your name?
该回答yes 还是 no呢？
如果yes，就会出现两个field，要填相应的电码。
这就是以前的中文电码吗？
我记得都在最后手添的呀。
2. 我老公上次以B2入境然后境内转H4，在美国的时间已经超过了1年。
那上次visa是填B2还是填H4呢？
谢谢大家

s*l2017-05-10 07:05

2 楼

这次gtc个人看到一个talk
一个华人小哥在nvidia intern
号称同时train segm和obj detect
用edge image enhance both
结果非常impressive
beat了两个单独train的结果
可惜talk没啥detail
有谁知道点内幕？

s*e2017-05-10 07:05

3 楼

1.就是中文电码

f*o2017-05-10 07:05

4 楼

是不是就是那个faster r-cnn

【在 s*****l 的大作中提到】

: 这次gtc个人看到一个talk
: 一个华人小哥在nvidia intern
: 号称同时train segm和obj detect
: 用edge image enhance both
: 结果非常impressive
: beat了两个单独train的结果
: 可惜talk没啥detail
: 有谁知道点内幕？

y*i2017-05-10 07:05

5 楼

转的H4是status,VISA是指进入美国用的签证。如果问VISA应该是B2，不过最好再找人
确认一下

s*l2017-05-10 07:05

6 楼

不是那个早了
这个是新的

【在 f*******o 的大作中提到】

: 是不是就是那个faster r-cnn

c*e2017-05-10 07:05

7 楼

1.电码。后边的确认页还是要手写
2.b2

s*12017-05-10 07:05

8 楼

新的是mask rcnn吧，以前的那个不能做segm。

【在 s*****l 的大作中提到】

: 不是那个早了
: 这个是新的

N*m2017-05-10 07:05

9 楼

一路下来全是老中

【在 s****1 的大作中提到】

: 新的是mask rcnn吧，以前的那个不能做segm。

s*12017-05-10 07:05

10 楼

也不全是, Ross一直是主力, shaoqing, kaiming后来才加入的

【在 N*****m 的大作中提到】

: 一路下来全是老中

s*l2017-05-10 07:05

11 楼

思路有点像
不过我看到的是nvidia的一个intern搞的
英雄出少年啊

【在 s****1 的大作中提到】

: 新的是mask rcnn吧，以前的那个不能做segm。

s*12017-05-10 07:05

12 楼

A Deep Hierarchical Model for Joint Object Detection and Semantic
Segmentation.你说的是个吧？只找到一个摘要,不清楚具体的实现。你有更详细的资料
吗?

【在 s*****l 的大作中提到】

: 思路有点像
: 不过我看到的是nvidia的一个intern搞的
: 英雄出少年啊

s*l2017-05-10 07:05

13 楼

是这个
我也没有细节
intern说是nvidia的ip 不能多说
我其实就是想问问是不是真这么牛
听着挺牛逼的

【在 s****1 的大作中提到】

: A Deep Hierarchical Model for Joint Object Detection and Semantic
: Segmentation.你说的是个吧？只找到一个摘要,不清楚具体的实现。你有更详细的资料
: 吗?

w*g2017-05-10 07:05

14 楼

现在用的最多的就是基于FCN的segmentation网络，
包括医学图像上用的比较多的u-net。在此基础上
可以做各种变动。这个花样玩法非常多，demo应该
也比较容易做。像楼主说的同时做classification和
segmentation，我能想到的一种情况就是有大量
只有yes/no标签的图片，以及少量有contour
annotation的图片。设计一个网络同时拿两种数据
训练，那么segmentation的效果显著高于只用少量
annotation图片还是非常有可能的。这种做法其实
已经被玩烂了，应该是进不了CVPR的。
至于是不是真的那么牛，往往实际效果不如展示的
那么牛。一般是吹得天花乱坠，一碰到实际数据就
尿了。

【在 s*****l 的大作中提到】

: 是这个
: 我也没有细节
: intern说是nvidia的ip 不能多说
: 我其实就是想问问是不是真这么牛
: 听着挺牛逼的

s*l2017-05-10 07:05

15 楼

我当然知道fcn
不是cls 和 segm 一起
是obj detect和segm一起

【在 w***g 的大作中提到】

: 现在用的最多的就是基于FCN的segmentation网络，
: 包括医学图像上用的比较多的u-net。在此基础上
: 可以做各种变动。这个花样玩法非常多，demo应该
: 也比较容易做。像楼主说的同时做classification和
: segmentation，我能想到的一种情况就是有大量
: 只有yes/no标签的图片，以及少量有contour
: annotation的图片。设计一个网络同时拿两种数据
: 训练，那么segmentation的效果显著高于只用少量
: annotation图片还是非常有可能的。这种做法其实
: 已经被玩烂了，应该是进不了CVPR的。

w*g2017-05-10 07:05

16 楼

detection和segmentation也是一回事吧，
打的标签不一样而已。关键是一个网络
对着多个不同性质的标签训练。要展示效果
必须控制好训练数据量，两种数据都不能
太多。
用100xA + 100xB训练，分别beat 100xA和
100xB，那不是公平比较。
如果50xA + 50xB训练，分别beat 100xA和
100xB，那样才牛x。

【在 s*****l 的大作中提到】

: 我当然知道fcn
: 不是cls 和 segm 一起
: 是obj detect和segm一起

s*l2017-05-10 07:05

17 楼

算不算一回事我也不知道你咋定义的
反正loss不一样
没直接办法同时optimize
我同意你说的sample size crucial
不过100a+100b
能分别beat 100a 和100b也不错啊
起码是有意义的
在都能beat单独的前提下
才有意义考虑谁combine的好

【在 w***g 的大作中提到】

: detection和segmentation也是一回事吧，
: 打的标签不一样而已。关键是一个网络
: 对着多个不同性质的标签训练。要展示效果
: 必须控制好训练数据量，两种数据都不能
: 太多。
: 用100xA + 100xB训练，分别beat 100xA和
: 100xB，那不是公平比较。
: 如果50xA + 50xB训练，分别beat 100xA和
: 100xB，那样才牛x。