Object Detection 上一个 Vision 时代（前 Transformer？）解决得最好的问题：人脸识别、目标检测、实例分割 我们首先明确： Object Detection 的目标是输出一个 bounding box+class Instance Segmentation 的目标是输

CV 导论的全部课程笔记

Introduction 什么是 Vision? Sensation - Processing - Perception - Cognition, 包括神经/识别的 Perception 是更重要的部分 Visuomotor coordination Vision 是 Modality 中较重要的一

Vanilla RNN Sequential data \displaystyle \{x_{k}\} 方法的两个能力: fitting (learning pattern) generation Character-Level RNN Chunk Too deep 从上次结束的地方继续开始：RNN

PointNet++ Quiz: PointNet 和 Conv 谁的 capacity 更强？ PointNet 把 ball 里面每一个点等而视之，丢失了relative coord的信息；Conv就没有，相当于在视野里 PointNet 对每个像素做了相同的 MLP，Conv 做了不同的 ML

Depth Image Review 上节我们已经讲了Depth Image+\displaystyle K,R,T才是真3D，单独的 z depth 不能表示世界坐标系里的距离信息——当你指出图中的这个点 \displaystyle (u,v) 的 z depth 或者 ray depth 是 \

我们很早地开始讲 3D Vision 是因为要引入多模态 modality 3D Data 我们把3d representation分成implicit隐式立体和explicit显式立体 implict：例如双目视觉通过双眼视角差产生立体视觉就是隐式3d，并不精确，是相对感知；为什么相对感知能完成生

想法 data augmentation/boost: 降噪 混合 how would unlabeled soundscape help? 特征匹配？这个pipeline应该只会扩大误差？ 混合不改变原有分类结果(但多了其他的) 关键的区别在于这些site录音情况有差异 model? Past b

VGGNet 相比 AlexNet 有很好的涨点，特征是： Small filters (3x3 Conv kernel) Deeper networks (16-19 layers) 为什么小的 filter 能够带来更好的效果？ Receptive Field 感受野 像这样3次 3x3 Con

K-means 聚类 输入类的数目和特征向量，输出类使平方误差最小 方法 # 导入 numpy 和 matplotlib.pyplot import numpy as np import matplotlib.pyplot as plt # 随机生成数据 np.random.seed(0) # n