我的github项目链接, 包含全部完整代码和三维图像数据. 介绍 我们使用的是来自 tinyrenderer 的github项目: 使用C++从零开始建立一个光栅化渲染器, 能够帮助我们入门OpenGL并理解其原理. 它所依赖库非常少, 包含他写的两个库文件, tgaimage.cpp, tgaimage.h 和 .obj 3D模型文件读取库 model.cpp, model.h 和 几

背景介绍 YOLOv1是Joseph Redmon于2015年提出的目标检测检测算法，YOLO系列（2023/09/20已经出到第8个版本）的特点在于其极高的识别速度，经典目标识别网络还有R-CNN和SSD，这些算法具有较高的准确率但是速度比YOLO慢至少一倍。 值得注意的是，作者Joseph Redmon在发布YOLOv3之后就退出CV界了，原因在于YOLO算法被用于商业中隐私窃取和军事武器当

YOLO9000: Better, Faster, Stronger(YOLOv2), YOLOv3: An Incremental Improvement 非常好的视频讲解：YouTube - ML For Neerds - YOLO OBJECT DETECTION SERIES 全部代码，自己用JAX+Flax+Optax实现，仅在数据读入处使用TensorFlow，从零开始实现YOLOv

参考文献： YOLOv4: Optimal Speed and Accuracy of Object Detection 其中结论得到的最优模型用到的所有优化: CIOU, DIOU：基于IOU给出了两个损失，其中CIOU作为边界框位置的损失，DIOU为NMS新的度量标准。 CSPNet：一种简单的对Backbone中ResBlock层进行优化的trick，可以大幅减少模型参数，同时具有稳定

前置知识：YOLOv1笔记, YOLOv2,v3笔记, YOLOv4笔记 回顾YOLOv1到v4 YOLOv1 我们学会了YOLO的基础框架（一阶段端到端模型），将 H×WH\times WH×W 的图像按照步长 sss (stride单位为像素) 划分为 (H/s)×(W/s)=:S×S(H/s)\times (W/s)=: S\times S(H/s)×(W/s)=:S×S 的网格（这

卷积神经网络 简介 卷积神经网络（Convolution Neural Networks, CNN, ConvNet），结构特性：局部连接，权重共享，汇聚信息. 主要适用于图像处理的一种神经网络，其想法来源来自于生物模型中的感受野（Receptive Field），即视觉神经元只会接收到其所支配的刺激区域的信号，即获得某个区域内的加权平均结果，这种操作在数学中就是卷积. 卷积 这里的卷积指的

强化学习 强化学习（Reinforcement Learning, RL）是一种通过不断试错，并从中不断改进从而提升效果的学习算法. 一般来说，游戏或电脑中模拟的现实情况称为环境（Environment)，智能体（Agent）在环境中可以做出行动（Action）从而最大化累积奖励（Reward），在每次行动后，智能体可以通过观察（Observe）环境得到状态（State）的变化并获得当前行动的奖

D2. Mocha and Diana (Hard Version) 题意 给出两个森林，两个森林中的点编号都是从 1…n1\ldots n1…n，第一个森林中有 m1m_1m1​ 条边，第二个森林中有 m2m_2m2​ 条边，可以进行连边操作，每次对两个森林中的顶点 (u,v)(u, v)(u,v) 进行连边，并要求每次连边之后两个都仍是森林（即不会出现环，注：一棵树也是森林），求最多能连多少

E. Mocha and Stars 题意 给出 nnn 个区间 [li,ri][l_i, r_i][li​,ri​] 和 mmm，保证 li⩽ri⩽ml_i\leqslant r_i\leqslant mli​⩽ri​⩽m，求： ∑a1=l1r1∑a2=l2r2⋯∑an=lnrn[gcd(a1,a2,…,an)=1]⋅[a1+a2+⋯+an⩽m]\sum_{a_1=l_1}^{r_1}\sum

Codeforces Round #740 (Div. 2, based on VK Cup 2021 - Final (Engine)) D - Up the Strip 题意 给出一个数字 nnn 表示初始的数字，你可以对当前的数字（比如说是 xxx）做若干次变化，变化包含下列两种： 选择一个数字 y∈[1,x−1]y\in[1,x-1]y∈[1,x−1]，将现在的数字 xxx 变为