Just for Life.

最早在天池玩耍的时候接触到了目标检测。当时真的啥都不知道，头铁，一点点的开坑造轮子。后来再看前几名开源的程序，发现有很多库可以使用，切图，目标检测等，比如数据增强、目标检测都有现成的工具箱。所以想着，就先用调库的形式写一个简单的 baseline，下一个任务直接用现成的代码，省点事，所以写了一个这样的简单的平台。

在目标检测领域，很难保证所要检测目标的大小都是类似的，MNIST，cifar10，imageNet 等玩具数据集除外。实际场景中，往往目标大小不一致、长宽比例不一致、图片的大小也不一致。长宽比例不一致可以通过之前提到的 Faster R-CNN ¹ 来解决。FPN 的全称是 Feature Pyramid Networks ² ，本算法重点关注目标多尺度的问题。因为传统两阶段检测（区域提议、区域识别）算法基于特征图进行预测，通常来自网络骨干的最后一层，回导致小物体信息的丢失。

又来开计算机视觉的坑了，这次一定做好整理和记录，包括算法内容和程序。做好训练、保存和推理的框架，下次需要的时候直接用。做目标检测的东西，于是决定从 Fast R-CNN 重头来过了。其中，Fast R-CNN 只有理论，Faster-RCNN 部分含有代码，不过会在下一篇博客了。

既然是目标检测，就需要做两件事情，目标在哪，目标是什么。对于目标在哪的问题，可以让网络生成一个目标框，目标框有四部分组成：$(x,y,w,h)$，表示物体的起始点坐标和框的宽度与高度；对于目标是什么的问题，就是传统神经网络的多分类问题了。

博客的进阶使用：在指定位置插入脚注¹，这样就不用在文末列出参考文献，显得对不上号了。回归正题，如果不出什么特别大的意外，就应该去搞网络安全了。注：此网络安全非彼网络安全，指：对抗样本而非网络入侵。所以准备来开个坑，先整理基础知识，基础不劳，地动山摇。

人在西安，离华山近。不想清明或五一去下饺子，想着周内去一趟，反正离得近。事实证明这个选择是正确的，华山这么险峻的地方下饺子太危险了。接下来前面部分算是旅行攻略吧，包括路线、时间、穿衣和花费等，因本人是学生党，所以都是精打细算，没有过高消费；后一部分是风景照什么的。

这是我目前去过最接近地府的景点，我只能这么评价。

进程 CPU 调度和资源分配的单位，是一个程序在一个数据集上的一次执行；线程是CPU上运行和调度的基本执行单位，进程内的一个代码片段可创建为线程，线程由进程创建，寄生在进程身上。

CPU 从一个任务切换到另一个任务，俗称上下文切换。理论上而言，进程负载了程序运行所有内容，开销较大。线程较轻量，和父进程共享各类资源，上下文切换的成本较低。可实际情况中具体如何？今天一探究竟。

昨天写程序遇到一个问题，pyqt5 加载常规的图片完全可以显示。可当加载超清的高分辨率图片时，只能显示一个小角落。可我就想把一张 3840x2160 的图片加载到一个 800x600 的标签里该怎么办呢，如何自适应放缩尺寸？国内社区众所周知大多是抄袭，没什么解决方案，就像本文刚发布两天就被抄走了；外网站搜了一下也没找到现成的解决方案，我知道又到了我开坑的时候了。博客能火全靠pyqt5，以后请叫我pyqt5之父（不是