r 订阅
卢卡尔·伯恩斯坦,格斗游戏《拳皇》系列第一个登场且登场次数最多最邪恶的BOSS,亦是拳皇系列最具代表性且标志性的招牌BOSS。因他25岁时打过大蛇之力的主意,所以被18岁的高尼茨夺取了右眼。卢卡尔有两个秘书薇思和麦卓(大蛇八杰集的的成员,奉高尼兹之命监视卢卡尔)。育有一子阿迪尔海德·伯恩斯坦和一女萝丝·伯恩斯坦。 展开全文
卢卡尔·伯恩斯坦,格斗游戏《拳皇》系列第一个登场且登场次数最多最邪恶的BOSS,亦是拳皇系列最具代表性且标志性的招牌BOSS。因他25岁时打过大蛇之力的主意,所以被18岁的高尼茨夺取了右眼。卢卡尔有两个秘书薇思和麦卓(大蛇八杰集的的成员,奉高尼兹之命监视卢卡尔)。育有一子阿迪尔海德·伯恩斯坦和一女萝丝·伯恩斯坦。
信息
血    型
不明
体    重
103KG [1]
饰    演
雷·帕克(2010年电影《拳皇》)
配音
新居利光(绝大多数作品) 若本规夫(仅拳皇02和NW) 银河万丈(拳皇94广播剧) 手冢弘道(电影版日语配音) 最上嗣生(动画《拳皇命运》日语,手游《拳皇世界》,手游《拳皇命运》) 刘风(动画《拳皇命运》国语) 收起
格斗技
尽学各种格斗技精粹的综合格斗技
配    音
新居利光(绝大多数作品) 若本规夫(仅拳皇02和NW) 银河万丈(拳皇94广播剧) 手冢弘道(电影版日语配音) 最上嗣生(动画《拳皇命运》日语,手游《拳皇世界》,手游《拳皇命运》) 展开 配音 新居利光(绝大多数作品) 若本规夫(仅拳皇02和NW) 银河万丈(拳皇94广播剧) 手冢弘道(电影版日语配音) 最上嗣生(动画《拳皇命运》日语,手游《拳皇世界》,手游《拳皇命运》) 刘风(动画《拳皇命运》国语) 收起
职    业
格斗家,大财团的老总、军火商人
其他名称
怒加·班舒泰恩、搬运社长、R
喜欢的音乐
古典音乐
喜好的东西
邪恶的心 [1]
讨厌的东西
正义 [1]
中文名
卢卡尔·伯恩斯坦
身    高
197CM [1]
性    别
外文名
RUGAL BERNSTEIN ルガール・バーンシュタイン Rugāru Bānshutain
生    日
2月10日 [1]
年    龄
48
擅长的运动
全部
登场作品
拳皇94(含重生)、95、98(含UM)、2002(含UM)、R2(98复刻版)、NW、CVS、CVS2 动画《拳皇命运》 电影《拳皇》
卢卡尔·伯恩斯坦人物设定
在拳皇94的他首次登场的时候,对于他的设计概念便是:[最强最凶恶的拳皇Boss]。众所周知,作为KOF中的Boss登场次数最多的他,其外形以及招式设定发生的变化都不算很大,能在KOF中登场这么多次,恐怕也是因为魅力十足,受到大家欢迎的缘故吧。在资料表中的“兴趣”一栏,填写上[复活]也是无可厚非的[虽然总是复活后又自爆......]。拳皇98的超必杀技[デッドリースクリーマー]最初预计的效果是[折断对手的颈椎,然后再践踏在敌人身上],由于后来觉得不够华丽,改为了[折断对手的颈椎,然后再践踏在敌人身上并不断旋转]。多说一句吧、在98中卢卡尔如果胜利,出场的两位秘书分别是Hermione[红发]和Aya[浅黑色皮肤]。KOF94的黑豹名字为路德姆。欧米茄·卢卡尔 为了让拳皇94中已经死去的卢卡尔在95中复活,制作者加入了身体改造和吸取了大蛇之力这两个说法。后来的98、2002由于都是属于无剧情的作品,但是并非没有设定。也由于「能代表拳皇的boss的只有卢卡尔」这一缘故,他才一再登场。可以看见98中卢卡尔的技能增加也强化了不少,当时可花费了制作者不少心思。KOF98中,最终BOSS是Omega Rugal,玩家可以选择的则是普通的Rugal Bernstein。 [1] 
收起全文
精华内容
下载资源
问答
  • R、RStudio下载与安装方法

    万次阅读 多人点赞 2018-04-14 10:21:01
    现如今,R语言是统计领域广泛使用的工具,是属于GNU系统的一个自由、免费、源代码开放的软件,是用于统计计算和统计绘图的优秀工具。而RStudio是R的集成开发环境,用它进行R编程的学习和实践会更加轻松和方便。下面...

     现如今,R语言是统计领域广泛使用的工具,是属于GNU系统的一个自由、免费、源代码开放的软件,是用于统计计算和统计绘图的优秀工具。而RStudio是R的集成开发环境,用它进行R编程的学习和实践会更加轻松和方便。下面就教大家如何下载并安装R和RStudio,比较简单。R的维护工作由一个国际化的开发者团队负责。R软件的官方下载页面叫作The Comprehensive R Archive Network,即CRAN。

     

    一、官网下载R安装包

         下载地址为https://cran.r-project.org   进入链接,如下图所示,在页面顶部提供了三个下载链接,分别对应三种操作系统:Windows、Mac和Linux。请选择自己操作系统对应的链接,接下来我将以windows为例给大家展示安装过程。

    接下来单击【Download R for Windows】——>【base】——>【Download R 3.3.1 for Windows】,即可下载相应安装包。

    单击base,进入下面页面:

     

    二、安装R

     

    下载完R安装包(我下的按转包名称为:“R-3.3.1-win.exe”),之后双击开始安装,跟一般的软件安装一样,根据需要进行相关安装设置并不断点击下一步即可。


    step1、选择安装位置

    可改成自己的安装路径。


    step2、安装组件

    注意:根据自身电脑操作系统的位数选择,但64位系统可全选,因为64位向下兼容32位系统。(要想知道R语言的32位和64位区别请查看改博客:http://blog.csdn.net/to_baidu/article/details/52904681

     

    step3、启动选项

     

    step4、正在安装

     

    step5、安装完成,并生成桌面快捷方式

     

    下面是桌面快捷方式,分为32位和64位:i386为32位的,x64为64位的。

     

    step6、打开R

    双击两个快捷方式中任意一个即可打开R的原生IDE,如下图所示:

     


    三、官网下载RStudio安装包

     

    下载地址: http://www.rstudio.com/ide   进入下载页面后,可以发现有Desktop和Server两个版本,我们选择Desktop。

    单击蓝色圆形图标,进入跳转到Desktop版本下载窗口,Desktop版本又分为两个版本:Open Source Edition(免费)和Commercial License(付费)。

    初学者自己用的话可选择前者,单击【DOWNLOAD RSRUDIO DESKTOP】。

    单击【DOWNLOAD RSRUDIO DESKTOP】后进入下载页面,根据自己电脑的操作系统选择下载的版本,因为我的操作系统是win7,所以我选择【RStudio 0.99.903-Windows Vista/7/8/10】,单击并下载得到【RStudio-0.99.903.exe】。

     

    不知为何在官网一直下载不了,可能是(qiang),so,同志们可以到这个镜像地址:https://www.rstudio.org/download/daily/desktop/windows/


    四、安装RStudio

     

    step1、双击【RStudio-0.99.903.exe】进行安装

    step2、选择安装位置

    可自行更改安装路径。

     

    step3、正在安装

     

    step4、安装完成


    step5、IDE功能介绍

     

    打开RStudio之后,会出现上图所示的窗口,其中有三个独立的面板。最大的面板是控制台窗口,这是运行R代码和查看输出结果的地方。也就是运行原生R时看到的控制台窗口。其他面板则是RStudio所独有的。隐藏在这些面板中的包括一个文本编辑器、一个画图界面、一个代码调试窗口、一个文件管理窗口等。

     

    注意:有的人可能会问,有了RStudio还需要下载R吗?

    即使使用RStudio,还是需要事先为计算机安装好R。RStudio只是辅助你使用R进行编辑的工具,它自身不附带R程序。

     


     -------------------------end -----------------------------


     

    展开全文
  • 教你如何正确安装Rtools并配置路径,去掉RStudio里恼人的warnings,一劳永逸解决装不上packages的问题!

    出现的问题

    最近开始学习R语言,安装了最新版的R4.0.0和R Studio,但安装包的时候出现了下面的warning:
    WARNING: Rtools is required to build R packages but is not currently installed. Please download and install the appropriate version of Rtools before proceeding
    作为一个完美主义者,这种事情岂能忍。于是着手解决,期间踩坑无数,故记录下来,让遇到相同问题的人不至于浪费时间。

    解决方案

    既然说了Rtools is required那咱就安装Rtools。

    一、下载rtools

    从r语言官网下载rtools,点这里
    直接用浏览器下载很慢,可以复制下载链接到迅雷下载,会快很多。
    这里再放个连接:https://download.csdn.net/download/weixin_42098685/12419224

    二、安装

    全默认直接安装就行(大小1g…

    三、配置rtools路径

    直接安装后还是会有那个warning出现,这是因为没有配置路径,R Studio并不知道已经装了。

    1. 创建路径配置文件.Renviron

    方法一

    进入R Studio里,运行以下代码

    writeLines('PATH="${RTOOLS40_HOME}\\usr\\bin;${PATH}"', con = "~/.Renviron")
    

    没有出错就直接看步骤2,出现In file(con, "w") : 无法打开文件'C:/Users/???/Documents/.Renviron': Invalid argument;错误的,执行方法二。

    方法二

    打开记事本,将 PATH="${RTOOLS40_HOME}\usr\bin;${PATH}" 这段文字复制进去,保存到R Studio的工作路径下(不是安装路径!获取工作路径:在R Studio中运行getwd()命令),文件名改为.Renviron,记住,不要有txt的后缀!

    如果改名出现:必须键入文件名,请往下看,没有出错的直接步骤2。

    解决改名显示必须键入文件名

    解决方案如下:

    1. 先给上面的txt文件起个随便的名字,我改成了a.txt
    2. 在文件夹空白处,按住Shift,点右键,然后点在此处打开Windows Powershell
    3. 输入下面的代码并回车
    ren a.txt .Renviron
    
    1. 没有错误的话,查看文件名字是不是.Renviron,打开查看内容是不是PATH="${RTOOLS40_HOME}\usr\bin;${PATH}"
    2. 文件需要保存在R Studio的工作路径下(不是安装路径!获取工作路径:R Studio中运行getwd()命令)

    2. 关闭R Studio,重新打开

    3. 测试路径配置是否成功

    运行 Sys.which("make") 这段代码,看输出是不是类似"C:\\rtools40\\usr\\bin\\make.exe",具体因rtools安装路径而异,只要输出不是空字符串就行,表明路径配置成功。

    4. 配置结束,安装一些包试试

    安装成功的话,不妨回来点个赞~

    参考

    解决方案是从R官网看到的:https://cran.r-project.org/bin/windows/Rtools/

    展开全文
  • Mask R-CNN是ICCV 2017的best paper,彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中,单任务的网络结构已经逐渐不再引人瞩目,取而代之的是集成,复杂,一石多鸟的多任务网络模型...

       Mask R-CNN是ICCV 2017的best paper,彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中,单任务的网络结构已经逐渐不再引人瞩目,取而代之的是集成,复杂,一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明,在该篇论文发表的时候,何凯明已经去了FaceBook。我们先来看一下,Mask R-CNN取得了何等的成果。



       大家可以看到,在实例分割Mask R-CNN框架中,还是主要完成了三件事情:

       1) 目标检测,直接在结果图上绘制了目标框(bounding box)。

       2) 目标分类,对于每一个目标,需要找到对应的类别(class),区分到底是人,是车,还是其他类别。

       3) 像素级目标分割,在每个目标中,需要在像素层面区分,什么是前景,什么是背景。

       可是,在解析Mask R-CNN之前,笔者不得不告诉大家一个事实,Mask R-CNN是继承于Faster R-CNN (2016)的,Mask R-CNN只是在Faster R-CNN上面加了一个Mask Prediction Branch (Mask 预测分支),并且改良了ROI Pooling,提出了ROI Align。从统计数据来看,"Faster R-CNN"在Mask R-CNN论文的前三章中出现了二十余次,因此,如果不了解Ross Girshick和何凯明之前的工作,是很难弄懂Mask R-CNN的。所以,笔者在解析Mask R-CNN之前,先给大家分析一下Faster R-CNN。

       在给大家解析Faster R-CNN之前,笔者又要告诉大家,Faster R-CNN是继承于Fast R-CNN (2015),Fast R-CNN继承于R-CNN (2014)。因此,索性破釜沉舟,在本篇博文中,笔者就按照R-CNN, Fast R-CNN,Faster R-CNN再到Mask R-CNN的发展顺序全部解析。

       首先时间回到了2014年,在2014年,正是深度学习如火如荼的发展的第三年。在CVPR 2014年中Ross Girshick提出的R-CNN中,使用到了卷积神经网络来进行目标检测。下面笔者就来概述一下R-CNN是如何采用卷积神经网络进行目标检测的工作。


       首先模型输入为一张图片,然后在图片上提出了约2000个待检测区域,然后这2000个待检测区域一个一个地(串联方式)通过卷积神经网络提取特征,然后这些被提取的特征通过一个支持向量机(SVM)进行分类,得到物体的类别,并通过一个bounding box regression调整目标包围框的大小。下面,笔者简要概述一下R-CNN是怎么实现以上步骤的。

       首先在第一步提取2000个待检测区域的时候,是通过一个2012年提出的方法,叫做selective search。简单来说就是通过一些传统图像处理方法将图像分成若干块,然后通过一个SVM将属于同一目标的若干块拿出来。selective search的核心是一个SVM,架构如下所示:


       然后在第二步进行特征提取的时候,Ross直接借助了当时深度学习的最新成果AlexNet (2012)。那么,该网络是如何训练的呢?是直接在ImageNet上面训练的,也就是说,使用图像分类数据集训练了一个仅仅用于提取特征的网络。

       在第三步进行对目标的时候,使用了一个支持向量机(SVM),在训练这个支持向量机的时候,结合目标的标签(类别)与包围框的大小进行训练,因此,该支持向量机也是被单独训练的。

       在2014年R-CNN横空出世的时候,颠覆了以往的目标检测方案,精度大大提升。对于R-CNN的贡献,可以主要分为两个方面:

       1) 使用了卷积神经网络进行特征提取

       2) 使用bounding box regression进行目标包围框的修正

       但是,我们来看一下,R-CNN有什么问题:

       1) 耗时的selective search,对一帧图像,需要花费2s。

       2) 耗时的串行式CNN前向传播,对于每一个RoI,都需要经过一个AlexNet提特征,为所有的RoI提特征大约花费47s。

       3) 三个模块是分别训练的,并且在训练的时候,对于存储空间的消耗很大。

       那么,面对这种情势,Ross在2015年提出的Fast R-CNN进行了改进,下面我们来概述一下Fast R-CNN的解决方案:


       首先还是采用selective search提取2000个候选框,然后,使用一个神经网络对全图进行特征提取。接着,使用一个RoI Pooling Layer在全图特征上摘取每一个RoI对应的特征,再通过全连接层(FC Layer)进行分类与包围框的修正。Fast R-CNN的贡献可以主要分为两个方面:

       1) 取代R-CNN的串行特征提取方式,直接采用一个神经网络对全图提取特征(这也是为什么需要RoI Pooling的原因)。

       2) 除了selective search,其他部分都可以合在一起训练。

       可是,Fast R-CNN也有缺点,体现在耗时的selective search还是依旧存在。那么,如何改良这个缺陷呢?发表于2016年的Faster R-CNN进行了如下创新:

       取代selective search,直接通过一个Region Proposal Network (RPN)生成待检测区域,这么做,在生成RoI区域的时候,时间也就从2s缩减到了10ms。我们来看一下Faster R-CNN是怎么做的。


       首先使用共享的卷积层为全图提取特征,然后将得到的feature maps送入RPN,RPN生成待检测框(指定RoI的位置)并对RoI的包围框进行第一次修正。之后就是Fast R-CNN的架构了,RoI Pooling Layer根据RPN的输出在feature map上面选取每个RoI对应的特征,并将维度置为定值。最后,使用全连接层(FC Layer)对框进行分类,并且进行目标包围框的第二次修正。尤其注意的是,Faster R-CNN真正实现了端到端的训练(end-to-end training)

       要理解Mask R-CNN,只有先理解Faster R-CNN。因此,笔者根据Faster R-CNN的架构(Faster R-CNN的ZF model的train.prototxt),画了一个结构图,如下所示:


       如上图所示,Faster R-CNN的结构主要分为三大部分,第一部分是共享的卷积层-backbone,第二部分是候选区域生成网络-RPN,第三部分是对候选区域进行分类的网络-classifier。其中,RPN与classifier部分均对目标框有修正。classifier部分是原原本本继承的Fast R-CNN结构。我们下面来简单看看Faster R-CNN的各个模块。

       首先来看看RPN的工作原理:


       简单地说,RPN依靠一个在共享特征图上滑动的窗口,为每个位置生成9种预先设置好长宽比与面积的目标框(文中叫做anchor)。这9种初始anchor包含三种面积(128×128,256×256,512×512),每种面积又包含三种长宽比(1:1,1:2,2:1)。示意图如下所示:


       由于共享特征图的大小约为40×60,RPN生成的初始anchor的总数约为20000个(40×60×9)。对于生成的anchor,RPN要做的事情有两个,第一个是判断anchor到底是前景还是背景,意思就是判断这个anchor到底有没有覆盖目标,第二个是为属于前景的anchor进行第一次坐标修正。对于前一个问题,Faster R-CNN的做法是使用SoftmaxLoss直接训练,在训练的时候排除掉了超越图像边界的anchor;对于后一个问题,采用SmoothL1Loss进行训练。那么,RPN怎么实现呢?这个问题通过RPN的本质很好求解,RPN的本质是一个树状结构,树干是一个3×3的卷积层,树枝是两个1×1的卷积层,第一个1×1的卷积层解决了前后景的输出,第二个1×1的卷积层解决了边框修正的输出。来看看在代码中是怎么做的:


       从如上代码中可以看到,对于RPN输出的特征图中的每一个点,一个1×1的卷积层输出了18个值,因为是每一个点对应9个anchor,每个anchor有一个前景分数和一个背景分数,所以9×2=18。另一个1×1的卷积层输出了36个值,因为是每一个点对应9个anchor,每个anchor对应了4个修正坐标的值,所以9×4=36。那么,要得到这些值,RPN网络需要训练。在训练的时候,就需要对应的标签。那么,如何判定一个anchor是前景还是背景呢?文中做出了如下定义:如果一个anchor与ground truth的IoU在0.7以上,那这个anchor就算前景(positive)。类似地,如果这个anchor与ground truth的IoU在0.3以下,那么这个anchor就算背景(negative)。在作者进行RPN网络训练的时候,只使用了上述两类anchor,与ground truth的IoU介于0.3和0.7的anchor没有使用。在训练anchor属于前景与背景的时候,是在一张图中,随机抽取了128个前景anchor与128个背景anchor。

       在上一段中描述了前景与背景分类的训练方法,本段描述anchor边框修正的训练方法。边框修正主要由4个值完成,tx,ty,th,tw。这四个值的意思是修正后的框在anchor的x和y方向上做出平移(由tx和ty决定),并且长宽各自放大一定的倍数(由th和ty决定)。那么,如何训练网络参数得到这四个值呢?Fast R-CNN给出了答案,采用SmoothL1loss进行训练,具体可以描述为:


       到这里有个问题,就是不是对于所有的anchor,都需要进行anchor包围框修正的参数训练,只是对positive的anchors有这一步。因此,在训练RPN的时候,只有对128个随机抽取的positive anchors有这一步训练。因此,训练RPN的损失函数可以写成:


       在这里Lreg就是上面的Lloc,λ被设置为10,Ncls为256,Nreg为2400。这样设置的话,RPN的两部分loss值能保持平衡。

       到这里RPN就解析完毕了,下面我们来看看后面的classifier,但是在介绍classifier之前,我们先来看看RoI Pooling到底做了什么?

       首先第一个问题是为什么需要RoI Pooling?答案是在Fast R-CNN中,特征被共享卷积层一次性提取。因此,对于每个RoI而言,需要从共享卷积层上摘取对应的特征,并且送入全连接层进行分类。因此,RoI Pooling主要做了两件事,第一件是为每个RoI选取对应的特征,第二件事是为了满足全连接层的输入需求,将每个RoI对应的特征的维度转化成某个定值。RoI Pooling示意图如下所示:


       如上图所示,对于每一个RoI,RoI Pooling Layer将其对应的特征从共享卷积层上拿出来,并转化成一样的大小(6×6)。

       在RoI Pooling Layer之后,就是Fast R-CNN的分类器和RoI边框修正训练。分类器主要是分这个提取的RoI具体是什么类别(人,车,马等等),一共C+1类(包含一类背景)。RoI边框修正和RPN中的anchor边框修正原理一样,同样也是SmoothL1 Loss,值得注意的是,RoI边框修正也是对于非背景的RoI进行修正,对于类别标签为背景的RoI,则不进行RoI边框修正的参数训练。对于分类器和RoI边框修正的训练,可以公式描述如下:


       上式中u>=1表示RoI边框修正是对于非背景的RoI而言的,实验中,上式的λ取1。

       在训练分类器和RoI边框修正时,步骤如下所示:

       1) 首先通过RPN生成约20000个anchor(40×60×9)。

       2) 对20000个anchor进行第一次边框修正,得到修订边框后的proposal。

       3) 对超过图像边界的proposal的边进行clip,使得该proposal不超过图像范围。

       4) 忽略掉长或者宽太小的proposal。

       5) 将所有proposal按照前景分数从高到低排序,选取前12000个proposal。

       6) 使用阈值为0.7的NMS算法排除掉重叠的proposal。

       7) 针对上一步剩下的proposal,选取前2000个proposal进行分类和第二次边框修正。

       总的来说,Faster R-CNN的loss分两大块,第一大块是训练RPN的loss(包含一个SoftmaxLoss和SmoothL1Loss),第二大块是训练Fast R-CNN中分类器的loss(包含一个SoftmaxLoss和SmoothL1Loss),Faster R-CNN的总的loss函数描述如下:


       然后,对于Faster R-CNN的训练方式有三种,可以被描述如下:

       1) RPN和Fast R-CNN交替训练,这种方式也是作者采用的方式。

       2) 近似联合RPN和Fast R-CNN的训练,在训练时忽略掉了RoI边框修正的误差,也就是说只对anchor做了边框修订,这也是为什么叫"近似联合"的原因。

       3) 联合RPN和Fast R-CNN的训练。

       对于作者采用的交替训练的方式,步骤如下:

       1) 使用在ImageNet上预训练的模型初始化共享卷积层并训练RPN

       2) 使用上一步得到的RPN参数生成RoI proposal。再使用ImageNet上预训练的模型初始化共享卷积层,训练Fast R-CNN部分(分类器和RoI边框修订)。

       3) 将训练后的共享卷积层参数固定,同时将Fast R-CNN的参数固定,训练RPN。(从这一步开始,共享卷积层的参数真正被两大块网络共享)

       4) 同样将共享卷积层参数固定,并将RPN的参数固定,训练Fast R-CNN部分。

       Faster R-CNN的测试流程和训练流程挺相似,描述如下:

       1) 首先通过RPN生成约20000个anchor(40×60×9)通过RPN

       2) 对20000个anchor进行第一次边框修正,得到修订边框后的proposal。

       3) 对超过图像边界的proposal的边进行clip,使得该proposal不超过图像范围。

       4) 忽略掉长或者宽太小的proposal。

       5) 将所有proposal按照前景分数从高到低排序,选取前6000个proposal。

       6) 使用阈值为0.7的NMS算法排除掉重叠的proposal。

       7) 针对上一步剩下的proposal,选取前300个proposal进行分类和第二次边框修正。

       到这里,Faster R-CNN就介绍完毕了。接下来到了Mask R-CNN,我们来看看RoI Pooling出了什么问题:

       问题1:从输入图上的RoI到特征图上的RoI feature,RoI Pooling是直接通过四舍五入取整得到的结果。

       这一点可以在代码中印证:


       可以看到直接用round取的值,这样会带来什么坏处呢?就是RoI Pooling过后的得到的输出可能和原图像上的RoI对不上,如下图所示:


       右图中蓝色部分表示包含了轿车主体的的信息的方格,RoI Pooling Layer的四舍五入取整操作导致其进行了偏移。

       问题2:再将每个RoI对应的特征转化为固定大小的维度时,又采用了取整操作。在这里笔者举例讲解一下RoI Pooling的操作:


       在从RoI得到对应的特征图时,进行了问题1描述的取整,在得到特征图后,如何得到一个6×6的全连接层的输入呢?RoI Pooling这样做:将RoI对应的特征图分成6×6块,然后直接从每块中找到最大值。在上图中的例子中,比如原图上的的RoI大小是280×480,得到对应的特征图是18×30。将特征图分成6块,每块大小是3×5,然后在每一块中分别选择最大值放入6×6的对应区域中。在将特征图分块的时候,又用到了取整,这点同样可以在代码中得到佐证:


       这种取整操作(在Mask R-CNN中被称为quantization)对RoI分类影响不大,可是对逐像素的预测目标是有害的,因为对每个RoI取得的特征并没有与RoI对齐。因此,Mask R-CNN对RoI Pooling做了改进并提出了RoI Align。

       RoI Align的主要创新点是,针对问题1,不再进行取整操作。针对问题2,使用双线性插值来更精确地找到每个块对应的特征。总的来说,RoI Align的作用主要就是剔除了RoI Pooling的取整操作,并且使得为每个RoI取得的特征能够更好地对齐原图上的RoI区域。

       下图阐述了Mask R-CNN的Mask branch:


       在Mask R-CNN中的RoI Align之后有一个"head"部分,主要作用是将RoI Align的输出维度扩大,这样在预测Mask时会更加精确。在Mask Branch的训练环节,作者没有采用FCN式的SoftmaxLoss,反而是输出了K个Mask预测图(为每一个类都输出一张),并采用average binary cross-entropy loss训练,当然在训练Mask branch的时候,输出的K个特征图中,也只是对应ground truth类别的那一个特征图对Mask loss有贡献。

       Mask R-CNN的训练损失函数可以描述为:


       在上式中,Lbox和Lmask都是对positive RoI才会起作用的。

       在Mask R-CNN中,相较于Faster R-CNN还有些略微的调整,比如positive RoI被定义成了与Ground truth的IoU大于0.5的(Faster R-CNN中是0.7)。太过于细节的东西本篇博文不再赘述,详情参见Mask R-CNN中的Implementation Details。

       到这里再将Mask R-CNN和FCIS做个比较,首先两者的相同点是均继承了Faster R-CNN的RPN部分不同点是对于FCIS,预测mask和分类是共享的参数。而Mask R-CNN则是各玩各的,两个任务各自有各自的可训练参数。对于这一点,Mask R-CNN论文里还专门作了比较,显示对于预测mask和分类如果使用共享的特征图对于某些重叠目标可能会出现问题。


       Mask R-CNN的实验取得了很好的效果,达到甚至超过了state-of-the-art的水平。不过训练代价也是相当大的,需要8块GPU联合训练。


       Mask R-CNN的实验非常详细,还做了很多对比实验,比如说改换网络深度,在训练mask branch时的误差种类,将RoI Align同RoI Pooling和RoI Warping进行比较,改变预测mask的方式(FCN和全连接层)等,详情请参见Mask R-CNN的实验部分。





       到这里Mask R-CNN介绍就接近尾声了,笔者还想说一些自己的思考与感想:

       1) 可继承工作的充分体现。大家看到Mask R-CNN的结构相当复杂,实际上是继承了大量之前的工作。首先bounding box regression在2014年的R-CNN中就出现过。Mask R-CNN的主要创新点RoI Align改良于RoI Pooling,而RoI Pooling是在2015年的Fast R-CNN中提出的。对于RPN的应用,更是直接继承了2016年的Faster R-CNN。值得一提的是,上述的每一篇文章,都是颠覆目标检测领域计算架构的杰出作品。

       2)集成的工作。还是那句老话,到了2017-2018年,随着深度学习的高速发展,单任务模型已经逐渐被抛弃。取而代之的是更集成,更综合,更强大的多任务模型。Mask R-CNN就是其中的代表。

       3)引领潮流。再次向何凯明和Ross Girshick致敬,他们的实力引领了目标检测领域的发展,因此无论他们在哪,无论是在微软还是FaceBook,他们的idea和作品都被非常多的人应用或者继承。

       欢迎阅读笔者后续博客,各位读者朋友的支持与鼓励是我最大的动力!


    written by jiong

    鸿爪踏雪泥,还是来得及。

    展开全文
  • R语言入门-安装R和Rstuido软件

    万次阅读 多人点赞 2018-09-15 20:31:01
    安装R和Rstuido软件 R语言是用于统计分析,图形表示和报告的编程语言和软件环境;Rstudio是编辑、运行R语言的最为理想的工具之一。 1、官网下载R安装包  下载地址为:https://cran.r-project.org 进入链接,如...

    安装R和Rstuido软件

    R语言是用于统计分析,图形表示和报告的编程语言和软件环境;Rstudio是编辑、运行R语言的最为理想的工具之一。

    1、官网下载R安装包

      下载地址为:https://cran.r-project.org   进入链接,如下图所示,在页面顶部提供了三个下载链接,分别对应三种操作系统:Windows、Mac和Linux。请选择自己操作系统对应的链接,接下来我将以windows为例给大家展示安装过程。

    接下来单击【Download R for Windows】——>【base】——>【Download R 3.3.1 for Windows】,即可下载相应安装包。

    单击base,进入下面页面,点击【Download R 3.5.1 for Windows】

     

    2、安装R

    下载完R安装包(我下的按转包名称为:“R-3.3.1-win.exe”),之后双击开始安装,跟一般的软件安装一样,根据需要进行相关安装设置并不断点击下一步即可。

    step1、选择安装位置

    可改成自己的安装路径。

    step2、安装组件

    注意:根据自身电脑操作系统的位数选择,但64位系统可全选,因为64位向下兼容32位系统。(要想知道R语言的32位和64位区别请查看改博客:http://blog.csdn.net/to_baidu/article/details/52904681

    step3、启动选项

    step4、正在安装

    step5、安装完成,并生成桌面快捷方式

     

    下面是桌面快捷方式,分为32位和64位:i386为32位的,x64为64位的。

     

    step6、打开R

    双击两个快捷方式中任意一个即可打开R的原生IDE

    3、官网下载RStudio安装包

     

    下载地址: http://www.rstudio.com/ide   进入下载页面后,可以发现有Desktop和Server两个版本,我们选择Desktop。

    单击蓝色圆形图标,进入跳转到Desktop版本下载窗口,Desktop版本又分为两个版本:Open Source Edition(免费)和Commercial License(付费)。

    初学者自己用的话可选择前者,单击【DOWNLOAD RSRUDIO DESKTOP】。

    单击【DOWNLOAD RSRUDIO DESKTOP】后进入下载页面,根据自己电脑的操作系统选择下载的版本,因为我的操作系统是win7,所以我选择【RStudio 0.99.903-Windows Vista/7/8/10】,单击并下载得到【RStudio-0.99.903.exe】。


    4、安装RStudio

    step1、双击【RStudio-0.99.903.exe】进行安装

    step2、选择安装位置

    可自行更改安装路径。

    step3、正在安装

     

    step4、安装完成


    step5、IDE功能介绍

    打开RStudio之后,会出现上图所示的窗口,其中有三个独立的面板。最大的面板是控制台窗口,这是运行R代码和查看输出结果的地方。也就是运行原生R时看到的控制台窗口。其他面板则是RStudio所独有的。隐藏在这些面板中的包括一个文本编辑器、一个画图界面、一个代码调试窗口、一个文件管理窗口等。

    注意:有的人可能会问,有了RStudio还需要下载R吗?

    即使使用RStudio,还是需要事先为计算机安装好R。RStudio只是辅助你使用R进行编辑的工具,它自身不附带R程序。

    step3、正在安装

    step4、安装完成


    step5、IDE功能介绍

     

    打开RStudio之后,会出现上图所示的窗口,其中有三个独立的面板。最大的面板是控制台窗口,这是运行R代码和查看输出结果的地方。也就是运行原生R时看到的控制台窗口。其他面板则是RStudio所独有的。隐藏在这些面板中的包括一个文本编辑器、一个画图界面、一个代码调试窗口、一个文件管理窗口等。

    注意:有的人可能会问,有了RStudio还需要下载R吗?

    即使使用RStudio,还是需要事先为计算机安装好R。RStudio只是辅助你使用R进行编辑的工具,它自身不附带R程序。

     

    展开全文
  • Faster R-CNN文章详细解读

    万次阅读 多人点赞 2018-08-22 14:33:29
    文章《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》
  • OPPOR11解锁开机密码忘记OPPOR11强制解锁教程OPPOR11解锁工具 OPPOR11解锁开机密码忘记OPPOR11强制解锁教程OPPOR11解锁工具 OPPOR11解锁开机密码忘记OPPOR11强制解锁教程OPPOR11解锁工具 OPPO R11拥有5.5寸1080P...
  • MATLAB R2019b超详细安装教程(附完整安装文件)

    万次阅读 多人点赞 2020-03-03 13:13:46
    摘要:本文详细介绍MATLAB R2019b的安装步骤,为方便安装这里提供了完整安装文件的百度网盘下载链接供大家使用。从文件下载到证书安装本文都给出了每个步骤的截图,按照图示进行即可轻松完成安装使用。本文目录包括...
  • Python字符串前加r的真正含义

    万次阅读 2020-03-23 18:34:32
    \r 回车(CR) ,将当前位置移到本行开头 \n 换行(LF) ,将当前位置移到下一行开头 \\ 代表一个反斜线 \ \' 代表一个单引号 ' \" 代表一个双引号 " \? 代表一个问号 ? 字符串中,碰到上述字符组合,会自动识别为转义字符...
  • P-R曲线深入理解

    万次阅读 多人点赞 2018-04-19 19:48:09
    P-R曲线就是精确率precision vs 召回率recall 曲线,以recall作为横坐标轴,precision作为纵坐标轴。首先解释一下精确率和召回率。解释精确率和召回率之前,先来看下混淆矩阵,负 正负TNFP正FNTP把正例正确分类为...
  • R语言的各种分布函数

    万次阅读 多人点赞 2017-09-23 16:36:46
    R语言的各种分布函数: 至于具体的用法了,大家可以使用help命令,根据实际情况来进行使用 R提供工具来计算累计分布函数p(cummulative distribution function CDF),概率密度函数d和分位数函数q,另外...
  • Mac版R语言入门(一)R语言入门操作

    万次阅读 多人点赞 2016-11-20 20:37:20
    R语言问题讨论交流,欢迎关注我的新浪微博:Jenny爱学习 微信公众号:R语言数据分析与实践 2019R语言视频教程,已在微信公众号上同步更新: 第一集:数据科学与R 第二集:安装R 第三集:安装RStudio 第四集:...
  • R语言中的vector(向量),array(数组)总结

    万次阅读 多人点赞 2016-04-09 12:10:13
    对于那些有一点编程经验的人来说,vector,matrix,array,list,data.frame就相当于编程语言中的容器,因为只是将R看做数据处理工具所以它们的底层是靠什么实现的,内存怎么处理的具体也不要深究。 R语言很奇怪的是...
  • R语言常用函数总结大全

    万次阅读 多人点赞 2017-03-12 09:01:58
    今天把R常用函数大体汇总了一下,其中包括一般数学函数,统计函数,概率函数,字符处理函数,以及一些其他函数; 1.数学函数 函数 作用 abs() 绝对值 sqrt() ...
  • R语言实现霍夫曼编码

    万次阅读 2020-06-02 10:24:04
    可读性极低,而且其实也没必要用R语言写,图个乐罢了 p=c(0.4,0.2,0.2,0.1,0.1)###输入形如c(0.4,0.2,0.2,0.1,0.1)的概率向量,即每个待编码消息的发生概率 p1=p###将概率向量另存,最后计算编码效率要用 ...
  • R语言作图——density plot(密度图)

    万次阅读 热门讨论 2018-10-09 13:22:57
    上次分享了小提琴曲线(violin plot)的作图方法,今天小仙同学给大家介绍一下如何用R画出漂亮的密度图(density plot)。 Step1. 绘图数据的准备 首先还是要把你想要绘图的数据调整成R语言可以识别的格式excel中保存成...
  • linux安装MATLAB R2018a步骤

    万次阅读 多人点赞 2018-07-01 20:07:38
    1 下载MATLAB R2018a for Linux full crack文件,这里提供我的云盘共享地址 链接: https://pan.baidu.com/s/1W6jWkaXEMpMUEmIl8qmRwg 密码: igx6 2 进入下载后的文件夹(假如下载后的文件放在了/home/jesson中,其中...
  • R | 如何更新R版本及Rstudio

    万次阅读 多人点赞 2019-07-27 23:29:02
    文章目录Windows下更新R版本及Rstudio一、更新R版本二、Rstudio中更新R Windows下更新R版本及Rstudio 在R中安装一些包时,经常会出现包与旧版本R不兼容的问题,所以就对Windows下R的版本进行了更新(Version 3.4.4—...
  • R语言运行R脚本

    千次阅读 2019-09-05 14:37:53
    讲解R语言的基本用法链接:https://www.w3cschool.cn/r/r_data_types.html 之前按照链接中的运行R脚本 ...2.运行命令: source(“D:\R\R-3.6.1\tests\***.R”),其中“”号里面试R脚本的绝对路径,...
  • 第一:R方(R-squared)定义:衡量模型拟合度的一个量,是一个比例形式,被解释方差/总方差。公式:R-squared = SSR/TSS =1 - RSS/TSS其中:TSS是执行回归分析前,响应变量固有的方差。 RSS残差平方和就是,回归...
  • r只读,r+读写,不创建 w新建只写,w+新建读写,二者都会将文件内容清零 (以w方式打开,不能读出。w+可读写) w+与r+区别: r+:可读可写,若文件不存在,报错;w+: 可读可写,若文件不存在,创建 r+与a+区别...
  • R方和调整R

    万次阅读 2019-09-04 15:38:37
    当拟合线性回归模型时,人们经常报告的一个数量是R平方值。这可以通过协变量/预测变量来解释结果Y中变化的比例。如果R平方接近于1(在我的工作中不常见),则意味着协变量可以共同解释结果Y的变化。这意味着可以使用...
  • R语言入门基础

    万人学习 2019-06-01 21:11:46
    本课程旨在帮助学习者快速入门R语言: 课程系统详细地介绍了使用R语言进行数据处理的基本思路和方法。 课程能够帮助初学者快速入门数据处理。 课程通过大量的案例详细地介绍了如何使用R...
  • R、RStudio的下载及安装及RStudio打开后空白的解决

    万次阅读 热门讨论 2017-12-31 15:52:05
    首先明确一点安装完成的R中自带页面编译器,但是通常我们使用更强大的RStudio编译器,下面了解他们的下载以及安装 R的下载及安装 首先进入R语言的官网https://cran.r-project.org/点击网站进入官网进入官网后我们会...
  • 快速入门Win+R命令(附图)

    万次阅读 多人点赞 2018-09-21 21:52:53
    这次我们就先讲一下Win+R运行框里的快捷键,绝对能提高不少效率! 什么是Win+R 防止有些小白看不懂,所以说明一些,使用Windows+R快捷键就可以打开如下图的运行窗口,在里面输入命令可以方便快捷地打开很多东西,...
  • R语言】4种R包安装方式

    万次阅读 2018-12-14 02:49:12
    4种R包安装方式 第一种方式,当然是R自带的函数直接安装包了,这个是最简单的,而且不需要考虑各种包之间的依赖关系。 对普通的R包,直接install.packages()即可,一般下载不了都是包的名字打错了,或者是R的版本...
  • RR_square

    千次阅读 2019-02-10 21:42:55
    一、数学中的R平方: 数学算法 1、R:一般用来度量数据之间的线性相关性,通常分为三种:Spearman,Pearson和kendall,在SPSS中也能直接使用,R的定义如下图公式(1)所示: (1)R数学公式   2、R_square...
  • R语言绘制图例(legend)的各种问题_详细综合解析

    万次阅读 多人点赞 2017-01-17 00:54:04
    一幅图解决R语言绘制图例的各种问题 2016-11-01 用R画图的小伙伴们有木有这样的感受,“命令写的很完整,运行没有报错,可图例藏哪去了?”“图画的很美,怎么总是图例不协调?”“啊~~啊,抓狂,图例盖住关键...
  • R语言是什么?

    万次阅读 多人点赞 2018-06-17 18:56:38
    1什么是R语言?R语言,顾名思义,它首先是一门计算机的编程语言,就跟传统的C语言,Java语言类似,但是,它又不仅仅是一门计算机语言。这是因为,R语言天生为统计而生,所以,它做不到像C语言那般的普适,数据分析、...
  • 【深度学习】R-CNN 论文解读及个人理解

    万次阅读 多人点赞 2018-08-24 10:04:15
    背景 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》,翻译过来就是针对高准确度的目标检测与语义分割的多特征层级,通俗地来讲就是一个用来做目标检测...
  • 更新R软件和R

    千次阅读 2019-08-17 12:13:53
    windows下更新R后,将原来的老版本的所有R包直接拷贝到新版R library后,使用 install.packages("installr") library(installr) #updateR(fast=TRUE,cran_mirror="https://mirrors.ustc.edu.cn/CRAN/") ##更新R...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,002,175
精华内容 400,870
关键字:

r