赞
踩
来源:投稿 作者:LSC
编辑:学姐
(1)使用专门相关的模型,比如,YOLOv4-tiny、tph-yolov5和SSD等轻量级检测器通常会比较适合处理小目标。
(2)训练的时候调大img_size,但是比较耗显卡
(3)anchor_base修改anchor的大小和尺寸(根据调小),anchor_point修改point的步长(变小)
(4)特征增强:针对小目标,可以考虑使用一些特殊的方法来增强目标的特征。比如,可以使用特殊的损失函数来惩罚小目标的预测误差,或者使用多尺度特征融合来增强目标的特征。
(5)数据增强: 数据增强:使用数据增强技术来增加训练数据的多样性,以提高模型的鲁棒性。比如,对训练图像进行随机旋转、缩放、平移等变换,以及使用不同的色彩空间等。
(6) 后处理技术:针对小目标,可以考虑使用一些后处理技术来进一步提高检测的准确率。比如,可以使用非极大值抑制算法来抑制多余的检测框,或者使用目标跟踪算法来跟踪小目标的位置。
示例 1:
输入: s = "abcabcbb"
输出: 3
解释: 因为无重复字符的最长子串是 "abc",所以其长度为 3。
示例 2:
输入: s = "bbbbb"
输出: 1
解释: 因为无重复字符的最长子串是 "b",所以其长度为 1。
示例 3:
输入: s = "pwwkew"
输出: 3
解释: 因为无重复字符的最长子串是 "wke",所以其长度为 3。请注意,你的答案必须是 子串 的长度,"pwke" 是一个子序列,不是子串。
示例 4:
输入: s = ""
输出: 0
0 <= s.length <= 5 * 104
s 由英文字母、数字、符号和空格组成
- s = input()
- n = len(s)
- if n == 0 or n == 1:
- print(n)
- else:
- dp = [0 for _ in range(n)]
- dp[0] = 1
- d = {}
- ans = 0
- d[s[0]] = 0
- for i in range(1, n):
- t = s[i]
- if t not in d:
- dp[i] = dp[i - 1] + 1
- d[t] = i
- else:
- dp[i] = i - d[t]
- d[t] = i
- ans = max(ans, dp[i])
-
- print(ans)
![](https://csdnimg.cn/release/blogv2/dist/pc/img/newCodeMoreWhite.png)
(1) 主要的业务,用的模型
(2) 需要学什么,做什么准备
(3) 总共有几面(4面)
(4) 其他候选人实习生的情况(基本人均顶会)
(5) 要有自学的能力,不要太频繁打扰别人,实在不会可以请教,公司有文档和资料可以学习
关注下方《学姐带你玩AI》声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:【wpsshop博客】
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。