就在刚刚过去的周六，
第一批CV Master训练营学员顺利毕！业！啦！
感谢导师们带来干货满满的分享，
也感谢每一位CVer的用心倾听~
我们也收到了来自同学们的大力表扬????????????
（骄傲脸）
那莫，好评如潮的第一期CV Master训练营，
到底有什么魅力？
课代表来给大家总结一下~
三大优势
自研授课平台，与众不同的体验
训练营运用旷视自研MegStudio平台授课，搭载旷视深度学习开源框架天元MegEngine，并为学员提供免费的高级GPU算力以及多卡机资源，相信用自己做出来的平台上课，感受一定大不一样。
强大导师阵容，想学不会都难
曾在CVPR,ICCV,ECCV等会议上发表论文十余篇，并在COCO比赛上作为主力取得了3连冠的黎泽明老师，以及曾在ICDAR的ArT检测任务中作为主力带队获得冠军的王枫老师，带来了深入浅出的课程内容。
理论实践相结合，人人都能成为CV Master
在本期实践课中，王枫老师不仅详细介绍了RetinaNet的核心组件，还带着同学们过代码，实属少有的良心操作！学员们一方面对于RetinaNet结构上的backbone以及head有了更加直观的认识，还能对检测中常见的概念，如anchor产生更深刻的理解。
满满干货
错过本期课程的同学也不要担心，可以一边浏览下方课代表为大家整理的“干货要点”，一边观看我们的课程回看视频（视频地址在下方哦~）：
干货笔记一：物体检测经典做法
一阶段物体检测器流程
单阶段的例如SSD、RetinaNet、RefineDet、YOLO，预测出候选框。
二阶段检测器
最大的变化是增加MLP、Crop阶段，基于一阶段结果框，refind出结果集，在物体上抠出结果框所选内容，通过MLP和Crop做进一步回归。
两阶段的例如：R-CNN、SPP-Net、fast R-CNN、Faster R-CNN、R-FCN、Mask R-CNN。
多阶段检测器
把二阶段检测结果，当成候选框。注意MLP不同阶段不共享效果比较好。会提高一些精度。
干货笔记二：RetinaNet模型结构和实现方式要点
1. RetinaNet在物体检测上的Pipeline
要实现一个ResNet-50的backbone，要实现3个卷积组成的bottleneck这一基本组件；
实现了bottleneck之后，接下来就是根据ResNet-50的结构“搭积木”；
有了resnet之后，需要FPN将resnet的输出特征进行融合，可以将FPN看作接受多个特征，然后输出新的多个特征的黑盒；
在FPN的实现中，对于ResNet输出的一个特征图，FPN使用了一个水平方向的1*1卷积和一个进行上采样的方法（未必是卷积）；
得到FPN的结果之后，anchor的生成器会根据FPN的输出特征图的大小产生anchor；
最后retinanet的head网络对FPN的特征进行处理，产生实际的预测框和框置信度。
2. Loss部分
Head分类分支常用Loss——Focal loss是RtinaNet论文提出的一个loss,用于解决检测中样本不均衡问题，在RetinaNet中用于anchor的分类。
Head回归分支常用Loss——Smooth L1 Loss是常用于监督box的回归的一个loss,RetinaNet中的回归分支就是使用的这一个loss。
干货笔记三：RetinaNet后处理
1. 对预测图像缩放
每个图像有自己的原始大小，网络预测框的大小是基于resize之后的图像的，为保持一致性，需要根据原始框的大小对预测框进行处理。
2. 处理冗余框
NMS算法——处理冗余框。
输入：box list(每个box包含自身坐标和对应score)，阈值T；
输出：keep list。
（1）选取当前最高分的框A，将box list所有与A的iou大于阈值T的框删除；
（2）将A放入keep list中，重复步骤1，直到boxlist为空；
（3）返回keep list。
解锁更多内容，
可前往B站旷视MEGVII平台查看课程原视频
https://www.bilibili.com/video/BV1Xp4y1r7WV
（复制链接到浏览器观看）
彩蛋来啦！课代表还帮大家要到了导师的藏书list，
课程结束后，也要继续学习哟????????????
1.《Grokking Deep Learning》
（Andrew W.Trask）
中文版为《深度学习图解》
2.《深度学习》
（Ian Goodfellow、Yoshua Bengio 、Aaron Courville）
另外，CV Master第二期训练营即将发车~
关注旷视研究院微信，随时获取训练营最新讯息！
下期预告
11.18（三）20:00-21:30 CV Master-识别专题开营
报名方式
添加下方旷视研究院小助手微信
回复“识别”，即可报名
欢迎加入「天元开发者交流 QQ 群」，一起看直播学理论、做作业动手实践、直接与框架设计师交流互动。
24