Welcome to Prince's Blog!
这里是Prince的技术圈-
CTC详解
CTC（ Connectionist Temporal Classification，连接时序分类）是一种用于序列建模的工具，广泛运用于语音识别和光学字符识别领域。其核心是定义了特殊的目标函数/优化准则[1]，其优势是可以不需要文本或语音出现的字符进行具体定位标注，是目前机器学习用于不定长标注学习的主要方法。本篇博客详解CTC loss的公式推导和使用numpy进行实现。
-
Softmax函数求导详解
Softmax函数有和Sigmoid函数类似的功能，Sigmoid常常被用于二分类问题的顶层，作为类标为1的概率。当问题被推广为多分类问题时，Sigmoid函数就不能使用了，此时往往使用Softmax函数。作为机器学习中多分类的基本函数，掌握其梯度的计算方法是非常重要的，因此本篇博客重点详解Softmax函数的计算方法，并使用numpy实现Softmax配合L2损失函数的求导方法，最后给出了常用的softmax配合cross-entropy损失函数的计算方法。
-
实现一个简易的计算图功能
众所周知，Tensorflow之类的静态图DL框架是基于计算图的，那么他们是如何实现先生成图然后再喂数据的呢，本篇博客将实现一个简单的计算图，可以实现类似TensorFlow中图的定义以及生成Session并把实际的数据喂进去的功能。
-
从Python迭代器到PyTorch的DataLoader
迭代器（Iterator）是设计模式中一个很重要的模式，其主要作用是通过Iterator类对容器进行迭代，不断返回容器中的元素，以达到遍历容器或其他功能。
大多数语言如C++的STL，Java等都内置了迭代器模式，Python也不例外，本篇博客总结一下Python中的迭代器与生成器的相关知识点，并以PyTorch的DataLoader为例，使读者对Pytorch的数据加载有更深的理解。
-
Region Proposal by Guided Anchoring
Region Proposal by Guided Anchoring是港中文2019年提出的anchor自动生成方法，其主要贡献是提出了一种代替滑动窗口式生成anchor覆盖图像的所有像素的方法，大量减少了anchor的数量，并且根据图像内容生成对应的anchor，有效的提升了2stage检测网络的训练速度，是目标检测在“anchor-free”，或“fewer-anchor”上的一种探索。
-
Python装饰器详解
在Python中，装饰器是一种极为优雅的给现有函数增加功能的方式，本篇博客总结一些装饰器的常见使用方法与复杂装饰器使用方法，文末给出一些例子帮助读者理解。
- 参考博客：https://foofish.net/python-decorator.html
- CTC详解
- Softmax函数求导详解
- 实现一个简易的计算图功能
- 从Python迭代器到PyTorch的DataLoader
- Region Proposal by Guided Anchoring
- Python装饰器详解
- 目标检测任务中mAP的计算
- TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes
- EAST: An Efficient and Accurate Scene Text Detector
- Temporal Action Detection with Structured Segment Networks(SSN)