交通标志识别

当维度特别高的时候可以使用sklearn中的降维api如PCA和LDA，一种是无监督降维一种是有监督的。 当维度不是很高(比如几百维)的时候我采用过一种筛选特征的框架，可以在一定程度上筛掉收益较低或为0的特征。流程图如下:)(图片是很早之前别人发给我的了，侵删) 阅读全文

说一下图像领域吧，既然是要寻找SOTA，那么最好的办法自然是顶会论文，三大顶会CVPR，ICCV，ECCV上面最新的论文基本都是号称自己是SOTA，但是适不适用你的场景，还是得多实践。 额外说一下，这里为什么没有说顶刊呢，因为CV这个领域发展的太快了，期刊的审稿速度确实令人尴尬。但是由于会议论文的篇幅... 阅读全文

首先同意楼上的说法，没有最先进的方法(相对而言)，只有最合适的方法。 举一个本人的例子，前些日子某酷的视频超分比赛，我们选择模型时，没有综合考虑模型体量和拟合能力之间的关系。 这直接导致模型过拟合。取得了很差的表现。 想要用较小的力气了解一个领域的全貌，还是要找较新的Survey。 阅读全文

正如评论区一位大佬说，没有最先进的方法，只有最合适的方法。 以下是我的建议： 阅读该方向最新的综述论文，不要开始就陷入最先进的方法中去，应该要对该领域的发展有一个大概的了解。这样做的好处是让你清楚地了解该方向存在的难点和目前待解决的难点，这样你的工作才好开展。 2.查找该方向的大牛... 阅读全文

方法上，基于Faster R-CNN [1]，我们做了一系列的算法改进，使得性能相比Baseline得到显著提升。本文主要给大家分享我们做出的这些算法上的改进技巧，以及一些工程上的实践经验。 1.寻找更优的网络结构 ”Features matter.” 去年MSRA凭借ResNets [2]取得了多项任务性能上的突破。以ResNet-101为基... 阅读全文

之前徐老师的回答，可能对你有帮助 https://discussion.datafountain.cn/questions/1784/answers/22589 阅读全文

如果实验室没有购买显卡，说明你们实验室不做CV方向的，我觉得还是围绕实验室方向去参加一些比赛比较好 参加比赛的同时，学习到的知识是有助于实验室工作的，这样会比较理想。 CV比赛确实对硬件要求比较高，如果实在是没这个条件，我觉得就不用勉强好了 换个方向或者以学习的心态参加比赛就好 阅读全文

没卡可以转机器学习方向 阅读全文

占个位置 阅读全文

一个大图检测模型＋一个小图检测模型就可以上0.95。精髓就是用第一个模型检测出的框去裁出小图，然后用小图去训练第二个检测模型。 阅读全文

我们组只是使用了简单的中心剪裁，200*240，最后取得了ab榜第二名。我觉得如果使用其他队伍的随机剪裁可能分数会更高。但是只是单纯的中心剪裁就足够取得一个比较好的分数了，你可以检查一下剪裁代码是否正确。 阅读全文

对于机器学习和深度学习来说，基本kaggle的比赛就是检测各个方向的sota模型的竞技场，拿图像检测和分割来举例，你可以看下kaggle上面相关的比赛top的选手都用的什么模型基本就可以确定这个就是sota的方法了，当然多逛社区多与别人交流也可以保持你对sota方法的敏感度。 目前检测方向基本就是港中文开源... 阅读全文

你裁剪没有达到预期的可能是因为你的裁剪是直接以目标为中心来才见，你可以尝试加上随机的裁剪，就是裁剪的时候目标不是完全在中心，而是随机一个位置，你可以做成在线随机的形式，我的消融实验结果是涨点很多 阅读全文

首先说明，没有最先进的方法，只有更合适的方法，所以还是要结合你的具体任务和数据来做，而不是拿着锤子找钉子。 如何快速查找好的方法： 查阅最新的综述文献，最新的文献会包含所有相关领域的方法和公开数据集 该问题相关的不同公开数据集的排行榜 关注一些相关公众号，每天会有很多UC范儿的标题推... 阅读全文

这个赛题前排都是采用裁剪的方式进行的，在我们队的实验中固定尺寸+固定位置的裁剪效果一般，而固定尺寸+随机位置的裁剪效果最佳，这也是前排采用的策略。比如，裁剪尺寸设置为512*512，裁剪的时候目标在裁剪后的图像中位置随机。另外就是训练的时候适当放大图像。 阅读全文

如果你想继续做cv，也就是计算机视觉: 必须要有显卡，最差也有个1070或者1080这样8G显存的。 如果实验室没有，那只能自己花钱买，或者去一些平台租。 花钱买卡，打比赛，出成绩，找个好的公司实习，公司卡都不错，然后把买的卡卖了回血。 阅读全文

放弃。 阅读全文

下面是top队伍ninini的分享，团队成员为陈一夫 @ixhorse 与倪栩垚 @DF1556868008009 开源地址：https://github.com/ixhorse/dfsign 方案思路： 阅读全文

在这里就不贴ppt什么的了，主要把这个比赛的关键点说一下 先分析一下这个比赛的难点： 第一，图片非常大，训练集和测试集测试集图片均为3200x1800，这个尺寸的图片基本不可能原图训练了，测试集有两万多张，如果直接原图测试的话，你会发现单一尺寸测试一遍也需要几个小时，如果再加上多尺度多模型，简... 阅读全文