DL

文章总结了目标检测的发展史：1990s - 2014年为手工设计特征的时代；2015年后深度学习的崛起使目标检测进入更高效的速度进化阶段。

摘要内容

本文介绍了目标检测任务中常用评价指标，包括IoU和mAP。IoU衡量预测框与真实标签框的重叠程度；mAP@50在IoU=0.5时计算平均精度，并且对物体定位有较宽松的要求。而COCO标准的mAP则通过10个阈值下的AP值取平均，要求更高。

本博客讨论了数据预处理中常用的标准化和归一化方法，包括Min-Max Scaling公式、Z-score标准化以及Batch Normalization。不同方法在数值范围、数据中心和对异常值的敏感性上有所不同。

本文讨论了状态空间模型（State Space Model），包括状态空间、离散和连续形式，以及相关矩阵的含义和计算过程。零阶保持技术被用来将离散输入转换为连续输入以进行预测。

摘要内容

摘要内容

本文介绍了生成矢量格式的连贯素描图的方法。使用递归神经网络（RNN），以类似人类思维的方式进行素描，并通过包含5个元素的数据集来捕捉笔画动作和状态。文章具体描述了双向LSTM编码器、自回归HyperLSTM解码器以及如何生成初始隐藏和细胞状态向量的过程，最终实现连贯的素描绘制。

本文介绍了检测对象定位的基础定义、核心指标公式及交并比与mAP的计算方法，并解释了如何通过TP、FP和FN来判断预测框的准确性，最终得出mAP的概念。

生成连贯涂鸦的神经表示方法；利用双向RNN和高斯分布预测每个点的位置和状态，并通过自回归循环生成绘画序列。