计算训练集的pixel means真的很有用
之前都是用原工程的默认pixel mean，也没去考虑这些细节问题。看了魏秀参的小册子后，才意识到这个小问题，基于训练集更新pixel mean后，这的确加速了loss的下降。
解决小目标检测的一些浅显方法
目前工作中也遇到了小目标问题，这可能是所有目标检测的通病，轻重不同而已。分享下在实际业务场景中的浅显方法：
- 调用摄像头api，当检到目标时，拉近镜头，放大目标进行二次确认，基本都能检测出
- 检测图片的scale选择，在效率允许的情况下，设置大一点的scale，这样图片resize后小目标相对大一点
general model与specific model
现在大多数目标检测模型都是针对pascal, coco等含多类目标任务，实际业务中可能只需要检测少数几类，比如行人与安全帽，相对中型目标与小型目标，因业务需要，把这两类放在一起训练，很鸡肋。很浅显的想法是，针对特定目标物，对模型进行结构调整，可惜我还没达到这个能力阶。正在努力读文献中。
hard negatives问题
除了小目标，还有hard negatives的问题。文献“Is Faster R-CNN Doing Well for Pedestrian Detection?”，提出了一个方法，还没细看。
看爱派茶馆的“AI人才困局解析”视频的一些记录与思考
最后，分享一些最近的记录与想法
关于自学AI
“不管是在线课程还是自己看书，系统化学习很重要，形成体系，比如跟着Andrew Ng的课程，看一遍，不要求全懂，掌握体系，对体系有宏观的认知”。比如自学的我，虽然Ng的课程都看了也拿到了证书，形成了大概的体系，但是还有待加强，需要加深理解，形成自己的认知。
如何定义自己？努力的方向？
“不要用算法库、框架、编程语言去定义自己，而要用解决问题的角度、思路、方法去定义自己，因为这才是无法自动化解决的”。如何训练自己，如何形成自己的方法，是个长期问题。
多看多了解一些别人的想法，对于开阔眼界、启迪自己很有用
走得太快，会不会丢了灵魂
把物质欲望降低一点，会活得更快乐，更专注精神层面
2018-05-08 08:17
