比特派苹果app下载|gwd
作者： 比特派苹果app下载
2024-03-07 19:04:39
旋转目标检测方法解读（GWD, ICML2021） - 知乎
旋转目标检测方法解读（GWD, ICML2021） - 知乎首发于CVer计算机视觉切换模式写文章登录/注册旋转目标检测方法解读（GWD, ICML2021）yangxuehttps://yangxue0827.github.io一、前言文章链接：代码链接：有段时间我一直在想如何让旋转检测也能用上通用检测那一套IoU系列的损失函数。由于我不确定旋转的IoU计算是不是真的不可导不能直接作为损失函数，我还特意在知乎上提了一个问题，希望有知乎大佬能给个比较有说服力的解释和证明。之所以想用IoU loss，是因为我觉得IoU loss在旋转检测可能比通用检测的作用更大，它不仅可以解决损失（loss）和评估（metric）的不一致问题，还可以解决由于角度周期性等引起的回归边界问题。虽然我在SCRDet中给了一种比较巧妙的损失形式，但是这里面还是有几个问题的。如损失函数的梯度方向依然是由smooth l1损失主导的。更新：目前我的结论是旋转IoU存在稀疏的几个不可导点（其实ReLU、Smooth L1也有不可导点），但在工程上可以实现来作为损失函数，只不过可能无法使用框架现有的op实现需要用自己底层写一个op并写好梯度反传，具体可以看下面一片文章和相关的实现：但这毕竟是工程方面的手段，我们还是希望找到用现有深度学习框架支持的op就能实现的近似方法，毕竟像ReLU这种只有一个不可导点的激活函数都被研究出了各种光滑近似的替代品。想归想，但是实在想不出能让人眼前一亮的方法，这期间就去做其他的idea了，比如CSL。当CSL中了ECCV的时候，我在ECCV官方的相关论文推荐以及提醒我有新引用的邮件上发现了两篇做近似IoU loss的文章。第一篇是中ECCV20的PIoU LossPIoU Loss的想法比较简单，就是统计两个任意旋转框之间的共有像素个数来近似IoU：PIoU Loss原理图文章有一个很大的问题就是baseline太低了，文章最终报的性能才60出头，但是在这个领域做DOTA数据集的baseline不给65以上都不好意思了，所以有理由质疑这个方法是否有效了。第二篇是做3D检测的，也中的ECCV20，给了一种近似的可导的IoU方法：近似的方式如下：近似RIoU计算方法大致做法就是：每次让一个框不动，另一个框旋转到和不动框垂直，然后计算IoU，最终取最小值。由于仿射变换过程是可导的，两个垂直框计算IoU也是有办法可导的，所以整个过程就是可导的。我当时觉得这个做法还是比较有趣的，但是还是不够惊艳。看完这两篇让我产生了重拾做近似IoU loss的想法。二、灵感的诞生回到我们的这篇论文，这篇文章中“将任意旋转矩形近似成一个二维的高斯分布，通过计算分布之间的Wasserstein距离解决RIoU不可导的问题”的相似是非常具有脑洞的，具体转换过程就是下面这张图：任意旋转矩形近似成一个二维的高斯分布但是，最初的想法并不是我想出来的，而是我的一个同学在看完SCRDet之后和我交流时提到的。当时虽然被惊艳到，但是框到分布之间怎么转换、分布之间Wasserstein距离怎么计算、的分布之间的计算是否可导仍未可知。然后通过查找资料以及咨询实验室数学比较好的同学，得到以下几个初步的结果。任意旋转矩形框和二维高斯分布的转换关系：两个高斯分布之间的Wasserstein距离公式：很明显，两个高斯分布之间的Wasserstein距离是可导的，具体的推导过程可以参考下面这篇博客：万事具备，就要准备初步的实验了，毕竟实验是否成功才是最重要的。三、初步的实践由于我以前没有用过tensorflow中关于矩阵计算的操作，所以不清楚有没有具体的算子。于是乎，我让同学帮我用matlab仿真了一下Wasserstein距离公式，让他发我化简之后的公式。当我拿到结果的时候我是傻了眼的，化简结果整整好几页的，但总算是可导吧。可能是公式太长了，每次tensorflow启动都要半天，真的要命。代码其实是比较简单的，但再简单的代码我也很少能一次写对，经过几次单步调试解决几个低级错误之后终于跑起来了。没开心到一分钟，loss直接nan了。然后的然后就是各种调参数还是持续nan，加上要准备CVPR了，所以暂时搁置了这个想法，去做了CSL的优化方法DCL。初步实验虽然以失败告终，但好在把大体的框架打通了，我还会卷土重来的。四、再次实验在准备CVPR论文期间，我知道了tensorflow是有矩阵操作的算子的，但是pytorch好像并不怎么友好，缺少矩阵开方的算子，需要使用第三方实现的。有了官方的矩阵算子，Wasserstein距离公式的代码也就是几行代码的事了，启动速度也很快，方便调试。CVPR投稿结束之后，我就重新开始了实验，很快我就发现了一个bug，就是我把协方差的开方当协方差在用了，难怪一直nan。另外，我发现两个任意框位置从重合逐渐分离时，Wasserstein距离值会越来越大。举个例子，在两个框重叠面积较大的时候，他们的Wasserstein距离值都在100以内，之后就爆发式增长，甚至一下好几千，如下图蓝线所示：这就使得我们不能直接使用Wasserstein距离作为损失函数，需要做变换控制值域，让它在大误差（重叠率较小）情况下不要这么敏感。我最早的变化是这样子的：这是仿照IoU loss的形式（1-IoU），引进了两个超参数，我一开始默认使用 \tau=1 ， f(.)=\log ，代码总算是不nan了。以65.73%性能的旋转RetinaNet为baseline，GWD在DOTA的结果只有64%出头，虽然没有体现有效性，至少跑出结果了。需要吐槽的是，这个回归损失的训练收敛非常慢，下面就是和Smooth L1 loss的损失训练收敛对比图：这个图还算好一些，在DOTA数据集上，Wasserstein距离损失（GWD）的收敛曲线就是上图前半截（近似水平），悠哉悠哉地下降，一直到训练结束，整个过程loss也就下降了零点几。而且训练前半部分都没有学习到角度信息，预测出来的框都是水平的。接下来的任务就是调优性能了，我在比较IoU loss和GWD曲线的时候，意外得发现当两个框接近重合的时候，GWD的值出现了负数（是因为我忘记在log里+1了）。这表示之前训练时高度重合的结果并没有作为模型优化的最终目的，反而让模型远离预测这种结果。这下性能不高的原因找到了，经过截断和+1等处理之后，模型很快学习到了角度信息，但是整个loss曲线还是接近水平，收敛依然缓慢。最后的结果是好的，性能提高到了67.87%，高了2.14%，这已经挺不错了（后来经过调整参数后又提高到了68.93%）。原以为后面就到此为止了，文章以脑洞为主要买点，有一些“高大上”的数学公式可以点缀，然后各种消融实验做一下，SOTA刷一下，就可以写论文投稿了。没想到的是，惊喜却在后面。五、方法的分析我们最初的目的就是像构造一个近似的旋转IoU损失来解决损失和评估不一致的问题（SLP），但在一次意外经历之后发现问题并没有我想的这么简单。首先我常用的旋转矩形的定义方式有两种，下图左边是OpenCV采用的方式（但是最新版本的好像吧角度范围改了），记为 D_{oc} ，右边是长边定义法，记为 D_{le} ：这两种定义法是可以相互转换的，转换关系如下：这两种定义法各有各的缺点，比如 D_{oc} 在边界处有角度周期性（PoA）和边的交换性（EoE）两种问题，而 D_{le} 有角度周期性（PoA）和类正方形检测问题（SLP）。这些问题我都总结在下图中了：我们的目的是想让模型可以按照way1走通。这里有些小伙伴可能会有疑惑，way1走不通不是有way2吗，反正模型能有回归到正确位置的方式就行了。我们来看下面这张图，在非边界位置的时候模型是按下图底部方式回归的，而在边界位置就不会这么回归了，这说明存在边界位置和非边界位置的回归方式的不一致。由于非边界位置出现的概率非常大，因此模型在边界处时“经验”告诉它应该通过way1训练，但是计算出来的Loss又告诉它要用way2，这使得模型在边界处训练的非常“左右摇摆不定”。加之way2也比较复杂，因此边界处的预测往往比较不准，尤其是使用 D_{oc} 定义法。在之前的工作中，我们提出了各种针对不同问题的方法，但是在一次意外测试的时候我们发现了GWD几个重要的性质。我们模拟了不同边界框定义下PoA、EoE、SLP的情况，发现这些情况下GWD依然可以计算出准确的IoU。这意味着GWD可能对这些问题是免疫的。因此就有了以下三个性质的提炼：这三个性质分别对应解决 D_{oc} 的PoA和EoE、 D_{le} 的PoA、D_{le} 的SLP问题。其实我们发现根据性质1， D_{oc} 和 D_{le} 在GWD下是等价的。这下好了，我们就不用考虑选用什么边界框的定义方式、以及乱七八糟问题的困扰，GWD可以说是全免疫了。回过头来再分析，这些好处都归功于旋转框转换成高斯分布这一步骤，正式因为高斯分布的 \Sigma 才有了这些性质。至于后续使用Wasserstein距离来作为回归损失都是水到渠成的操作了。六、实验结果我们首先做了GWD里两个超参数的实验，最终使用 sqrt 和 \tau=2 的组合。当然我们后来发现直接使用 f(d^2) 的形式会更好。不同的是此时 f=\log ，原因是使用 sqrt 依然会产生非常大的损失值。随后我们在不同数数据集和检测器上进行了验证。我们发现GWD更NB的地方在于高精度的检测，它在高精度指标上碾压Smooth L1 Loss。我们还对比了IoU-Smooth L1 Loss, Modulated loss, CSL, 和DCL在DOTA-v1.0上的比较，GWD都基本是完胜的。最后在华为的8*V100机器上把SOTA刷了一下。七、后记DOTA-v1.0目前Task1已经被刷到80+了，个人认为已经差不多到头了。想要接着做的话可以着眼于提高高精度指标（ AP_{75} 等），或者专注于小目标检测（DOTA-v1.5和DOTA-v2.0）。最近把十几种方法在DOTA三个版本的Task1上跑了一个baseline结果，方便相关的小伙伴比较使用。代码、权重和结果就放在我开源的RotationDetection上。编辑于 2022-12-02 17:11・IP 属地上海目标检测遥感图像计算机视觉赞同 391188 条评论分享喜欢收藏申请转载文章被以下专栏收录CVer计算机视觉CVer：一个专注于分享计算机视觉的平台旋转目标检测关于旋转/有向目标检测的内容分享Thinklab计算
gmat考700加的人做GWD是什么样的感受？ - 知乎
gmat考700加的人做GWD是什么样的感受？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册商科GMATGMAT备考gmat考700加的人做GWD是什么样的感受？题主九月份就要考试了。。 姑且是花了一个月时间把OG还有曼哈顿看了一遍总结了一遍。但是做了搜集到的GWD的题，发现错题数平均都在14道左右。 又去做了…显示全部 关注者78被浏览152,953关注问题写回答邀请回答好问题 51 条评论分享7 个回答默认排序PierreGaming | Analytics | Econ | FMCG 关注我GMAT760，V42， Q50，考前两周左右开始每两天做一套GWD的Verbal找感觉。基本情况是，考前最后几次次做GWD，基本都稳定在错8-9个，其中阅读和逻辑各1-2个，语法5-6个。但从题主你这个问法看，能大致看出题主有两个问题。首先，只问错题个数，不管错在哪。闷头做题在准备的前期是有效提高的方法，因为可以帮助熟悉GMA的题型。但到了中后期，就需要更多有的放矢的联系和复习，包括总结错题的类型，错在哪些考点，错的原因等等，避免只是闷头做题，原来错的还一直错下去。我复习前对于语法题每种考点错误率的统计第二，过多的使用prep。Prep是GMAT官方的模考软件，也是最接近真实考试，最能够测试自己水平的软件。但Prep有两个非常严重的问题，会导致高估你自己的真实水平。第一个问题是，Prep的题库是有限的，基本当你第三次开始用GMAT模考的时候，应该就能发现很多眼熟的题目。也就意味着，你在模考的时候可能会读的更快，判断的更准，但并不意味着你真实的水平上去了。第二个问题是，Prep早就被破解过，所以prep里的题目，很多都会出现在各种各样的复习资料中。你在其他地方可能已经做过prep的题目，或是接触过非常类似的内容和逻辑，也会让你prep的正确率提高。一般来说，到复习后期，prep大概会高估20-30分，如果你做了七八九十遍prep的话，甚至可能高估40-50分。我在复习过程中大概用了三次prep。第一次是在开始复习第一天，用prep测试一下自己到底水平怎么样，强项弱项在哪，帮助制定复习计划。第二次是在复习主干部分结束，考试前2-3周，开始掐时间做整套的verbal题之前，用来看一下复习效果和需要加强的地方。最后一次是在考前一天，在考试同样的时间，做一套找感觉。最后说一下，GWD是个很好的资料，但是年代久远，各种版本比较多，有些版本错误也比较多，所以一定要挑一个好的版本，免得浪费自己时间。发布于 2017-10-28 15:20赞同 605 条评论分享收藏喜欢收起知乎用户A9SYgu 关注我是题主。过了几个月再看这个问题感触良多啊。最终GMAT成绩在我提了这个问题一个多月后终于是考出来了。虽然有点晚，但是答案可能会对其他考生有帮助也说不定，我来试着自问自答一下吧。先说结果，考了四次，分数分别为580,640(问问题的时候),680,740。然后gmat考700+的人做GWD什么感受？就是做完了自己也不知道对不对，看答案也不知道答案对不对，然后想摔桌子（至少我是这样的）。其实备考过程中我犯的最大的错误，就是考试初期花费大量时间去做GWD! 做练习不要做GWD！考试资料全程都以OG为准。数学我就不说了，只要单词搞得定，不要做太快，一点一点来，拿50超级简单。语法部分，我觉得其实考验最大的是阅读速度。因为由大量材料在等着你读！整个考试其实考验最大的就是阅读速度！我托福最后两次考试阅读分数都是29，我在考gmat阅读的时候都觉得有点吃力，读的懂，但是做不对。所以对于语法部分的阅读，我的解决方案就是，不要脸的看机经。。。机经超级有用啊！！一定要看啊！！！我前三次都没看机经就去做题了，做错了活该啊！阅读机经一定要在考前看至少一边啊！！！其次是逻辑题，逻辑题，只要阅读水平上去了，看到题能直接读懂了，那就不难。学习方法是，先把OG的逻辑题从头到尾做一遍，看一遍，模拟再做一遍，再看一遍，做总结，想为什么错的答案是错的，对的答案是对的，再做一遍，再看一遍。。。。。。。还有一个参考的材料时helr写的对逻辑的解释。。。嘛，我个人观点是，这个材料，，略不靠谱。但是看一看他是怎么想的，有几种题型，我觉得还是有那么点道理的。作为参考毕竟不是坏事。逻辑题也要去看机经！！！！最后的是改错。我觉得改错这14道题才是gmat的核心。。的核心。学习方法是，先把曼哈顿SC从头到尾看一遍，做OG，做不下去了，把曼哈顿再从头到尾的再看一遍。。。继续做，做不下去了，把后面哪几个高分章节，选几个章节看一看，看熟了就行。。。然后我再告诉你，曼哈顿的材料，还是有一部分没覆盖到，它的解释有点偏美国人思维了，比如对状语几乎没提，还有对伴随状语的解释，有点不理解。这个时候还是要上我们中国人自己的总结嘛。。我觉得是一部超神的资料，国人自己总结的中文版的GMAT的语法笔记！ 我不确定是不是现在CD上的prep语法笔记。。。因为有整整半年没关注GMAT了（考完就再没看过了），反正 看上去很像，就是每个英文选项后面都有中文版解释的这种，不过我看的那个版本大多是题目都是OG上的题，官方都有明确公布每道题的答案的，里面没这么多GWD的题呀，反正找到这个材料看个几百道题，吃透了，SC就会成为优势项！不小心写了一堆。。不知道有人看没= =||。有没有人知道。。美留硕士现在好找工作不= =？发布于 2016-04-25 22:13赞同 11742 条评论分享收藏喜欢
【GMAT考满分模考】GMAT考试_GMAT在线模考_GWD GMAT_GWD模考_GMAT真题-GMAT模考-GMAT考满分
【GMAT考满分模考】GMAT考试_GMAT在线模考_GWD GMAT_GWD模考_GMAT真题-GMAT模考-GMAT考满分
GMAT
TOEFL
IELTS
GRE
GMAT
在线课堂
首页
练习
我的练习
模考
题库
公开课
提分课程
备考资讯
满分主讲
APP
我的GMAT
我的课程
练习记录
活动中心
登录
模考练习
GWD-TN24套
GWD30套
PREP
应GMAC（GMAT考试试题及答案版权方）要求，考满分不再提供该类题目的在线练习和模考服务。请访问GMAC官方网站 https://www.mba.com/exam-prep 查看GMAT备考资料并通过合法途径购买”
填空六选二秒选攻略一行应该能放下填空六选二秒选攻略一行应该能放下
马上报名
问题反馈
TN24套的版本是来源于GWD31套，在GWD31套的基础之上，把重复的题目全部都去除了，并且对题目的顺序进行了更为合理的排序。虽然有24套题，我更愿意把它分成24=21+3。因为最后三套的题目只有阅读/逻辑是新的，语法题目大部分来自Prep1 (SC题目不够了)。所以大家不要把22/23/24留到最后模考。 前21套里面1-13应该是携隐13套，题目相对有些老，14-21感觉比较新一些。
GWD题目是在从2002年左右开始出现的一些真题，因为是逐渐流出，所以形成了众多的版本。从比较早零星几套，到后来的天山5套，XY13套，到最后的涛涛30套。该版本的是最为全面的GWD试题版本，其它的所有版本均来源于此。包含完整的Verbal和Math部分，但是在每一套题目之间可能会有一定的重题。
破解版的PREP题目是我们核心的复习资料。题目均来自于早期的两个PREP软件破解出来的题目，并且增加了PREP12全部题目，其中SC和CR部分与真实考试极为相似，具有很高的价值。
多维度了解GMAT考试
知己知彼，百战不殆。考取国外商学院
主要内容
GMAT考生情况
GMAT备考材料与消费
GMAT考试结构
题数
基础分数
包含科目
考试时间
备考建议
AWA
1题
6分
--
30分钟
了解AWA
IR
12题
8分
--
30分钟
暂无介绍
Quant
31题
51分
PS、DS
62分钟
了解Quant
Verbal
36题
51分
SC、RC、CR
65分钟
如何备考
SC、
CR、
RC
总时间
3小时
如何备考GMAT
2016年GMAC官方数据
参加GMAT考生年龄分布
GMAT考生得分分布
GMAT考生对GMAT的态度分布
2016年GMAC官方数据
考生备考工具选择情况
GMAT考生GMAT备考费用情况
模考排行榜
模考时间筛选：
今日
上周
昨日
今日
我的模考数据概览
模考一段时间后，可更好了解自己备考情况~
这个人很懒，还有没进行过模考练习
登录后可以记录 你模考成长曲线哦~
GMAT 101 | GWD题的真面目 - 知乎
GMAT 101 | GWD题的真面目 - 知乎首发于GMAT干货分享切换模式写文章登录/注册GMAT 101 | GWD题的真面目小吕老师上海立托商务信息咨询有限公司 创始人1 揭秘GWD题GWD是国内GMAT培训界的祖师爷——管卫东前辈名字的缩写，其代表2002-04年左右GMAT培训的模考套题。GWD的版本有很多，如果在备考论坛搜索的话，你可能会遇到天山6套，XY 13套，CD22套，TN24套，涛涛31套。题目的更新并不是完全按照数字的增长而来，GWD题鼎盛的版本应该是涛涛31/ 32套。但是其中每套题之间的重复率在30%，并不能得出最好的模考效果。在经过网友们的校对之后，GWD-TN24套已经是2008年市面上最有价值的模考题。注意这里的时间点是2008年，2008年还发生了什么事情？2 PREP的诞生从2007年起，就有网友开始收集GMAT官方模考题库—PREP中的所有题目，并整编成了PREP 9套题。而在2008年完善了PREP题库之后，就发现了PREP题与GWD题中的已经有一部分重合。这时候就产生了一个矛盾：模考应该先做PREP还是GWD呢？↓你想知道的关于PREP的内容在这里↓GMAT 101 | 瓦特！我居然做了假的PREP？GWD的优势是题目数量多，这点也一直是中国学生备考时的重灾区。经历过X年高考Y年模拟等国内体制摧残的学生，往往会形成一个意识：考高分就是多刷题，考不了高分的原因是题刷得不够多。因此，很多人还是会偏向GWD，但是GWD有个致命的缺点：没有标准答案。从2019年这个时间点来看，当年争议颇多的题目，争议答案可能是B或D，但是2018年的官方指南上给出这道GWD原题的答案却是A。相比GWD，PREP的套题数量偏少，因此大多数人会将其重要性放在GWD之后。3 GWD还是不是最好的模考题？经历过与PREP的博弈之后，GWD题一直存活到2019年。在这个年头教GMAT的老师，大多数没有经历过GWD题风靡的2008-10年代。因此，根据网上和论坛上的评论，现在的大多数GMAT老师依旧会“强力推荐”GWD-TN24作为模考题。甚至目前国内大小机构的网站上依旧挂着TN24版本的习题。但是，我对以上问题的答案却是否定的。GWD不再是备考GMAT中最好的模考题。原因一上文已经提及，GWD题没有唯一的标准答案。原因二是GMAT在2018年的改革之后，将语文Verbal和数学Quant部分的题目数量进行了调整，分别从41和37题降至36和31题。除了数量上的变化，暗藏的玄机是每种题型的比重也进行了调整。例如SC不再是语文中最重要的题型，而是被RC取代。但以上的两个原因依旧不能阻止大量的老师推荐学生去做GWD-TN24。其根本原因是最后这一点，GWD题已经遍布在目前几大官方的备考习题中。包括OG官方指南，OG Verbal官方指南的语文分册，Official Practice (也就是网上流传的PREP 2012), 以及上文提到的2007-2008年的PREP模考题中都有GWD题的影子。据我的“完全统计”，现在没有官方题目中露脸的GWD题已经不足40%。这也能解释为什么从2014年后，GMAC将官方指南的更新频率调整为一年一次。官方不仅能一直捞钱，而且还能稀释掉之前泄露的真题。那回到这段开头的问题，为什么还有这么多老师推荐学生去做GWD-TN24套呢？很简单，自己都没做过呗，自然也不知道这些题已经和OG重复。4 什么题是当下最好的模考题？其实最好的模考题就在GMAC官网，但很多中国考生甚至都不曾发现官网上这两套免费的模考题—Practice Test 1&2。这两套题也就是之前2007-08年流行的PREP题的题库。但是，相比网友编写的PREP 9套，官方给出的2套题具有与真实考试相同的自适性机制以及得分算分。换句话说，这两套就是一模一样的官方考试，只不过这些题的原题不会再在真实考试中出现。那再得出了这两套题的分数之后，如果还需要做更多题的话。这时候不妨再拿出之前的PREP 9套或者PREP0708。但是真到了这个时候，各位不妨自审：考高分真得需要做那么多题吗？在做了那么多题之后，我的分数真得有提升了吗？往期推荐：GMAT 101 | 应不应该做官方Verbal和Quantitative的分册OG？GMAT语法 | 语法结构&逻辑关系，这两个到底谁重要？考题档案馆 | Capuchin Monkeys（卷尾猴）发布于 2019-09-20 07:36赞同 71 条评论分享喜欢收藏申请转载文章被以下专栏收录GMAT干
GWD：基于高斯Wasserstein距离的旋转目标检测 | ICML 2021 - 知乎
GWD：基于高斯Wasserstein距离的旋转目标检测 | ICML 2021 - 知乎首发于晓飞的算法工程笔记切换模式写文章登录/注册GWD：基于高斯Wasserstein距离的旋转目标检测 | ICML 2021VincentLee 论文详细描述了当前旋转目标检测的主要问题，提出将旋转回归目标定义为高斯分布，使用Wasserstein距离度量高斯分布间的距离用于训练。目前，常规目标检测也有很多将回归转化为概率分布函数的做法，本文有异曲同工之妙，值得阅读 来源：晓飞的算法工程笔记 公众号论文: Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss论文地址：https://arxiv.org/abs/2101.11952论文代码：https://github.com/yangxue0827/RotationDetectionIntroduction 任意朝向的目标在检测数据集中无处不在，相对于水平的目标检测，旋转目标检测仍处于起步阶段。目前，大多数SOTA研究都集中于回归目标的旋转角度，而解决旋转角度则带来新的问题：i) 指标与损失不一致。ii) 旋转角度回归区间不连续。 iii) 方形问题。事实上，以上的问题还没有很好的解决方案，这会极大地影响模型的性能，特别是在角度在范围边界的情况。 为了解决上述问题，论文提出了GWD方法，首先使用二维高斯分布来对旋转目标进行建模，然后使用Gaussian Wasserstein Distance(GWD)来代替不可微的旋转IoU，根据GWD计算loss值，这样就将模型训练和度量标准对齐了。 论文的主要贡献有以下几点：总结了旋转目标检测的三个主要问题。使用Gaussian Wasserstein Distance(GWD)描述旋转bbox间的距离，再用GWD计算代替IoU损失的loss，且是可微的。GWD-based损失能够解决旋转角度范围不连续问题和方形问题，且对bbox的定义方式没有要求。在多个公开数据集上进行测试，论文的方法均有不错的表现。Rotated Object Regression Detector RevisitBounding Box Definition 图2展示了两种旋转bbox的定义方式：OpenCV形式D_{oc}和长边形式D_{le}，前者的角度为h_{oc}和横坐标的夹角\theta\in[-90^{\circ},0^{\circ})，后者的角度则为长边与横坐标的夹角\theta\in[-90^{\circ},90^{\circ})，两种定义可以进行相互的转换(不考虑中心点)： 两种表示方法的主要差异在于边顺序和角度(h,w,\theta)，相同的bbox用不同的表达方式，可能需要交换边的顺序或角度加减90。在现在很多的研究中，将模型的设计与bbox的定义进行耦合来避免特定的问题：如D_{oc}可避免方形问题，D_{le}可避免边交换问题。Inconsistency between Metric and Loss（指标与损失不一致问题） IoU是检测领域的重要评测指标，但在实际训练中使用的回归损失函数(如l_n-norms)与评测指标往往存在不一致的问题，即更小的损失值并不等于更高的性能。目前，不一致问题在水平目标检测领域已经有了一些应对措施，如DIoU和GIoU。而在旋转目标检测领域，由于角度回归的加入，使得不一致问题更加突出，但目前仍没有很好的解决方案，论文也列举了一些例子来对比IoU损失和smooth L1损失：Case 1: 角度差值与损失值之间的关系，曲线几何都是单调的，但只有smooth L1曲线是凸曲线，能优化到全局最优解。Case 2:长宽比差异与损失值之间的关系，smooth-l1损失值是固定的(主要来自于角度差异)，而IoU损失则随着横轴剧烈变化。Case 3:中心点偏移对损失值的影响，曲线都是单调的，但smooth L1曲线与差值大小没有高度一致。 从上面的分析可以看出，在旋转目标检测领域，IoU损失更能填补评判准则与回归损失间的差异。但很遗憾，在旋转目标检测领域，两个旋转bbox间的IoU计算是不可微的，不能用于训练。为此，论文基于Wasserstein distance提出可微的损失来替代IoU损失，顺便也可以解决旋转角度回归区间不连续问题和方形问题。Boundary Discontinuity and Square-Like Problem（旋转角度回归区间不连续以及方形问题） 上图的Case1-2总结了旋转角度回归区间不连续问题，以以OpenCV形式的Case 2为例，对于anchor(0,0,70,10,-90^{\circ})以及GT(0,0,10,70,-25^{\circ})，存在两种回归的方法：way1逆时针旋转一个小角度即可，预测结果为(0,0,70,10,-115^{\circ})，但由于角度的周期性(PoA)和边顺序交换(EoE)，若使用smooth L1损失函数，这个结果与GT间会产生巨大的损失值。另外，这个角度也超出了预定的角度范围。选择way2则需要在缩放宽高的同时，顺时针旋转一个大的角度。 上述的问题通常出现在anchor和GT的角度在角度范围的边界位置时，当anchor和GT的角度不在边界位置时，way1则不会产生巨大的损失值。因此，对于smooth-L1，边界角度和非边界角度的最优处理会太一致，这也会阻碍模型的训练。 方形问题主要出现在使用长边形式的检测方法中，由于方形目标没有绝对的长边，长边形式对方形目标的表达本身就不唯一。以Case3为例，存在anchor(0,0,45,44,0^{\circ})以及GT(0,0,45,43,-60^{\circ})，way1可以顺时针旋转一个小角度变成位置与GT一致的(0,0,45,43,30^{\circ})。但由于角度差距较大，way1会产生较高的回归损失。因此，需要像way2那样逆时针旋转较大的角度。造成方形问题的主要原因并不是前面提到的PoA和EoE，而是度量标准和损失计算的不一致导致的。The Proposed Method 经过上述的分析，论文希望新的旋转目标检测方法的回归损失函数满足以下几点：Requirement1: 与IoU度量标准高度一致。Requirement2: 可微，允许直接学习。Requirement3: 对角度回归范围的边界场景更为平滑。Wasserstein Distance for Rotating Box 目前大多数IoU损失都可认为是距离函数，基于此，论文基于Wasserstein distance提出新的回归损失函数。首先，将旋转bbox\mathcal{B}(x,y,h,w,\theta)转化为2-D高斯分布\mathcal{N}(m,\sum)：R为旋转矩阵，S为特征值的对角向量。对于\mathbb{R}^n上的任意两个概率测度\mu和\upsilon，其Wasserstein距离W可表达为： 公式2对所有的随机向量组合(X,Y)\in\mathbb{R}^n\times\mathbb{R}^n,X\sim\mu,Y\sim\upsilon进行计算，代入高斯分布d:=W(\mathcal{N}(m_1,\sum_1);\mathcal{N}(m_2,\sum_2))，转换得到： 特别要注意： 考虑在可交换的情况(水平目标检测)\sum_1\sum_2=\sum_2\sum_1下，公式3可转换为：\parallel\parallel_F为Frobenius范数，这里的bbox均是水平的，公式5近似于l_2-norm损失，表明Wasserstein距离与水平检测任务中常用的损失一致，能够用于回归损失。这里的公式推算比较复杂，有兴趣的可以看看参考文献。Gaussian Wasserstein Distance Regression Loss 论文采用非线性转化函数f将GWD映射为\frac{1}{\tau+f(d^2)}，得到类似于IoU损失的函数： 前面的曲线图也描述了使用不同非线性函数f下的损失函数曲线，可以看到公式6十分贴近IoU损失曲线，也能度量无相交的bbox。因此，公式6显然可以满足Requirement1和Requirement2，下面开始分析Requirement3，先给出公式1的特性： 根据特性1可知，GWD损失函数对于OpenCV形式和长边形式是相等的，即模型不需要固定特定bbox表达形式进行训练。以Case2的Way1为例，GT(0,0,70,10,65^{\circ})和预测(0,0,70,10,-115^{\circ})拥有相同的均值m和方差\sum，GWD损失函数不会输出较大的损失值。而根据特性2和特性3，Case2和Case3的way1同样不会产生较大的损失值，所以GWD损失函数也满足Requirement3。 整体而言，GWD在旋转目标检测的优势有以下几点：GWD使得bbox的不同定义形式相等，保证模型能够专注于准确率提升，不需要顾忌bbox的定义形式。GWD是可微的IoU损失替代方案，与检测指标高度一致。而且，GWD可以度量无相交bbox间的距离，类似于GIoU和DIoU的特性。GWD避免了旋转角度回归区间不连续问题和方形问题，降低了模型的学习难度。Overall Loss Function Design 论文将RetinaNet作为基础检测器，bbox表示为(x,y,w,h,\theta)，实验主要采用OpenCV形式，回归目标定义为： 变量x,x_a,x^{*}分布代表GT，anchor和预测结果，最终的多任务损失函数为：N为anchor数，obj_n为前景或背景的指示器，b_n为预测bbox，gt_n为GT，t_n为GT的标签，p_n为预测标签，\lambda_1=1和\lambda_2=2为超参数，L_{cls}为focal loss。Experiments 对比其他针对特定问题的解决方案。 在DOTA数据集上对比多个模型，论文还有很多其他实验，有兴趣的可以去看看。Conclusion 论文详细描述了当前旋转目标检测的主要问题，提出将旋转回归目标定义为高斯分布，使用Wasserstein距离度量高斯分布间的距离用于训练。目前，常规目标检测也有很多将回归转化为概率分布函数的做法，本文有异曲同工之妙，值得阅读。参考内容Wasserstein distance between two Gaussians - https://djalil.chafai.net/blog/2010/04/30/wasserstein-distance-between-two-gaussians/ 如果本文对你有帮助，麻烦点个赞或在看呗～更多内容请关注 微信公众号【晓飞的算法工程笔记】发布于 2022-06-29 11:57深度学习（Deep Learning）目标检测图像识别赞同 10添加评论分享喜欢收藏申请转载文章被以下专栏收录晓飞的算法工程笔记更多内容关注公众号 【晓飞的算法工程笔
gwd_百度百科
百度百科 网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10gwd播报讨论上传视频管卫东名字简称GWD, 既指中国GMAT第一代名师管卫东（名字简称），也指以管卫东始创的GMAT考试备考资料套题集。中文名管卫东外文名gwd领 域教育创始时间 2000年目录1基本简介2GWD起源3GWD特点4GWD版本5GWD与博智GWD团队6GWD与GMAT7GWD与GMAC8GWD与GMAT在中国的发展基本简介播报编辑因GWD题被广大考生奉为最接近GMAT真题而在网络上被考生广泛流传，而成为与GMAT考试主办方GMAC提供的GMAT OG （Official Guide,官方指南）题， GMAT PREP题（官方模考题）而并列的三大必备复习资料。而GWD题又以其逻辑难度、阅读难度最接近真实题库而著称，从2000年起流传十几年而经久不衰，在最新的第十三版《GMAT Official Guide》也收录有部分GWD题。 [1]GWD起源播报编辑从2000年开始，中国最早的GMAT/GRE/LSAT老师、博智教育创始人管卫东经过18次亲身经历GMAT考试，经历了GMAT纸考、机考、及最新一次2012GMAT改革，屡次考试，缕获高分，最大的事件是还被当时的GMAT考试主办方官方通告被禁考而出名，但真正让管卫东被广大考生奉为“中国GMAT考试名师“的，还是以他名字命名的GWD题，据传参加过管卫东GMAT经典培训的学生高分率达到70%，而主因就是GWD题与GMAT真实题库几乎一模一样，从06年起，几乎所有中国GMAT考生都会采用GWD题作为必备参考资料。GWD题最后的集大成来自与管卫东和他的学生们将自己参加GMAT考试时的真实考题进行回忆，并在网络上将所有套题以管卫东的名字简称“GWD”进行分享，进而被各大考试门户网络、BBS论坛、社交网络上的GMAT考生奉为“秘籍”、“真题”而疯狂流传，而他本人也在网络上被简称为GWD。2009年，管卫东GWD因“GWD题”广泛流传，被GMAT考试主办方-美国GMAC起诉侵犯GMAT试题知识产权，同年12月，双方达成和解，成为中美之间首例知识产权官司达成和解的案例； [1]GWD特点播报编辑GWD题网络流传的答案争议大；因为这几年时间在网络和论坛上流传广，大家使用的套题集已经有很大变化，而各自版本提供的答案的争议也很大。最完整而真实的版本目前应该只有管卫东本人及由其创办的GMAT培训机构-博智教育拥有最完整及标准答案版本。GWD题并非自适应的；也就是说无论上一道题做对或做错都不会影响到下道题的难度。但从GWD题博智官方模考题库来看，GWD的出题顺序有一定规律:前两篇阅读都出得很早。并且SC在前25道的难度比后面大，且划线较长,比较接近真实考试。CR部分总体来说前后难度变化不大。GWD和实战没有什么区别。GWD被公认为就是实战的题。所以做GWD时，时间的把握在模考中可以得到很好的锻炼。但GWD里面与GMAT真题非常像，常有模棱两可的选项。语法部分GWD SC汇总中至今仍有10多道题没有结论。考试时也会出现这样的情况。考生通过对GWD的练习，能很好适应真实的考试临场心态。 [1]GWD版本播报编辑网上流行的各个GWD题版本，关于各个版本的GWD题，目前论坛上常用的GWD套题有三种版本：博智GWD套题31套，目前公认的GWD套题完整版本只有管卫东所在的培训机构博智教育模考题库中。拥有最完整的套题集，该模考系统正是在GWD的基础上，集合了GMAT 历年OG题、PREP题、以及机经题，从而成为目前最接近GMAT真实界面的模考系统，在模考中达到70%的正确率即对应达到GMAT700分。CD22套（sen4sun），在博智GWD官方模考题库之外比较齐全的GWD套题版本，但每套中间，重题也很多。如果尚未进入GWD阶段，不建议使用该版本套题，因为除查询讨论贴较吃力外，重复题也不利于培养良好的做题pace，速度快、正确率高，容易产生进步错觉。其他在网络上流传的GWD版本，确实能帮助一些同学提高GMAT成绩、熟悉GMAT题目，但是GWD网络题的答案向来争议颇多，希望大家不要拘泥于GWD题目或GWD分数。兼听则明，偏信则暗。 [1]GWD与博智GWD团队播报编辑博智教育GWD与博智教育的创始人都是管卫东，因此博智教育拥有GWD的官方题库与标准答案版本，博智教育也倚赖最完整的GWD版本，同时集合了历年GMAT OG题、GMAT PREP题和GMAT机经题，从而组建出目前国内最接近真实GMAT考试机考界面的最庞大模考题库系统。2011-2013年，博智GMAT学员人均提分 117 分，超过全国考生平均分110分，2011年10月，博智教育收到GMAC发布的改革新例题，从而成为首家发布“2012GMAT新题解析”的中国培训机构。还因此成为继新东方之后第二家引进2012年第十三版《GMAT OFFCIAL GUIDE》版权的国内培训机构。 [1]GWD与GMAT播报编辑GWD最早源自GMAT的纸考题，与现在使用的GMAT机考题库源自同一个历史题库，在最新的GMAT考试中，还经常出现GWD原题，也在最新的GMAT考试机经中出现。GWD和GMAT除了形式之外，和实战没有什么区别。所以做GWD时，时间的把握在模考中可以得到很好的锻炼。 [1]GWD与GMAC播报编辑2009年11月23日，管卫东与美国研究生入学管理委员会（Graduate Management Admission Committee，以下简称GMAC）就“GWD侵犯GMAT试题知识产权”一案，在北京市第一中级人民法院的调解下，双方已达成和解。 [1]管卫东创办的博智教育，将GMAT培训模式由单一的面授课复合成FMAS教学体系，培训费远超新东方3000元左右的定价，高达7800元/每生起。由于GMAC允许考生多次重复考试这一策略，且GMAT是按照一个时间段采用同一种题库的方法，成为原被告双方诉讼过程中唯一的争议点：GMAC认为正是因为“GWD”套题的流传造就了管卫东GMAT培训的高分传奇；管卫东则坚持认为“GWD”流传已经是一种网络上的群体行为，每一个考生都可以很方便地从相关网站上获取GWD套题的内容用于自己的考前培训，但获取700+高分的考生比例还是只有7%左右，并没有绝对变化。所以博智独特的FMAS教学体系才是帮助考生获取高分的利器：GMAT作为商学院的入学考试，与其他美国通行的研究生类考试GRE不同，GMAT更确切的是一种商业思维考试，把考生放到一种接近于真实的商业决策思维情景下进行选择的测试。而博智的FMAS教学体系通过短短四天的面授帮助考生快速建立起能够理解GMAT考试的总纲性思维体系。进而推荐考生采用大量的“远程GWD模考”题进行模拟机考，同时安排管卫东、英吉、徐诚等业内名师每周固定的时间给考生们就考试难点进行即时答疑，所以管卫东坚持自己胜在教育思维，胜在培训模式。由于这一教学体系帮助考生大大缩短了备考的时间和减少了考试的次数。因此也影响到GMAC从GMAT上获取重复考试收费的利益才是起诉管卫东的核心诉因。在GMAC致法院的厚达2米的起诉材料上，所有在网上流传的GMAT考题被通称为“GWD”的同时，参与分享GMAT考试内容和解题思路的考生同时也都被称为“GWDers”。起诉书指向的核心内容正是“GWD”套题内容侵权和“GWDers”行为侵权。最终，这一次诉讼，作为GMAT考试的版权人GMAC不仅越过了GMAT考试代理人ACT和PEARSON，更没有指向新东方，而是将矛头直指博智，其重视程度可见一斑。 [1]与03年ETS起诉新东方一案当事人双方口水大战的一幕相比，本案更具戏剧性的一幕是，作为被告的管卫东及其团队高层在法院首次聆讯时就痛快承认了侵权责任，但表示侵权更是出于无奈，原因是当时在中国境内也没有直接获取GMAT备考资料的官方渠道，广大考生进行考题回忆并作为课堂资料确实是出于无奈，并一再诚恳表达愿意和解，这一立场几乎引起其诉讼代理人的错愕和严谨建言，更出乎原告意料，被告尊重知识产权、知错认错的诚意成为这起跨国知识产权纠纷达成和解的直接原因。这是自1992年中国加入《伯尔尼公约》以来，中美之间众多知识产权纠纷中原被告双方未进入正式诉讼程序即达成和解的首个案例。2012年，管卫东正式宣布博智与GMAC达成合作，并且引进十三版官方指南。同时，双方将携手走进中国大学校园，扩大GMAT在中国的考生市场。 [1]GWD与GMAT在中国的发展播报编辑在中国的发展因为GMAT考试的高含金量，GMAC规定全球统一的考试报名费高达250美元，折合人民币为1601 [2]元。由于该项考试规定考生一年内多次重复考试，但是考试报名费也按照报名次数重复收取。对于为了获取理想分数而多次重复参加考试的中国考生来说所需承担的考试费用更为高昂。GMAC每年仅从中国获取的考试费收入就高达近亿元，而这还不包括延迟考试申请费、考试资料费等其他收入。对于GMAC来说，中国实实在在是个大市场。尤其是中国这个全球报考人数增长最快、重复参加考试考生人数最多的市场，GMAC一直予以重点关注。而GWD创始人管卫东所在教学机构博智教育，却在2012年接受GMAC邀请，不仅参加了针对最新的2012GMAT改革的2011 GMAT SUMMIT，还成为继新东方之后第二家引进《13th GMAT Official Guide》的版权引进方。2012年4月起，管卫东和GMAC的官方代表一起走进了20多所中国顶尖大学，开始了GMAT中国校园行，为一致扩大GMAT在中国的市场从“诉讼”走向了“合作”。 [1]新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号 京公网安备110000020000博智教育-GWD GMAT培训 - GWD GMAT培训 | 管卫东 GMAT培训 | 博智 GMAT培训
博智教育-GWD GMAT培训 - GWD GMAT培训 | 管卫东 GMAT培训 | 博智 GMAT培训
GWD GMAT
请扫描下方二维码关注GWD微信
博智LSAT
请扫描下方二维码关注微信公众号
博智教育
请扫描下方二维码关注博智教育微信
GMAT
GRE
LSAT
TOEFL
国内联考
在线模考
学员专区
GMAT学员专区
GRE学员专区
在线课堂
资源下载
联系我们
支付方式
首页
GMAT课程
咨询电话：400-638-5988
2024 GMAT 名师课程
GWD团队名师领衔，课后第7天考720分，高分770
GMAT
LSAT
GWD团队现由管卫东、英吉、唐瑭、王文静、陆旭组成，管卫东老师从95年开始研究英语类出国考试应试技巧，专注于GMAT教学20余年，管卫东99年开始创业并有GWD团队成立20年，一直秉承着精英化学者型路线。五位老师潜心研究GMAT多年，以严谨地治学态度将他们研究所得与众多学生分享，帮助学生追逐心中的梦想。
2022 GMAT 名师课程
目前普遍的GMAT培训
近一两年多了很多貌似“GMAT武林高手”，我们看到的GMAT培训类型
论资排辈型：GMAT鼻祖，GMAT教皇，GMAT教父就差叫GMAT祖宗了，可是这些所谓的教父真的会从授课到模考一直监督你吗？
卖假药型：单词不用背，阅读不用读，GMAT还用复习吗，上了我的课，下课两三天直接考试去。我呵呵了，你信吗？如果我要减肥，一个人跟我说不打针不吃药不痛苦不流血，此人八成是个骗子
一次不行免费重来型：这种班级已经知道他的学员几乎一次是考不过的，所以让你免费重新学，无非是加一把椅子，不增加他的任何成本，不过他们会把这个班叫做保过班，保证了什么呢？
你需要的是什么？
各种高手，各种吹嘘，各种承诺，但是细想一下，考生需要考虑的是：你缺的是什么
这个行业里非常酷非常牛的老师，我们这里有，你可以问问别的辅导班的什么教皇，什么哥，那个姐，是不是老管、老英以前的助教，大言不惭的说，90%以上都是GWD门徒？
上完课了，没人管，导致所学方法和实际应用脱节。我们的刷刷刷题班从你早上睁眼到你晚上睡觉，所有的学习都有老师全程监督，保证理论和应用的无缝连接
没太多时间复习，大哥，这个考试时全世界比较难的考试了，一共就辛苦20几天，刷出分来你我都解脱，我们讨厌细水长流，练习游泳的有效方式就是直接把你踹进河里，几天就会了，时间成本对你我来说比金钱的付出更重要。
GMAT全名师网络直播全程课
基础薄弱，希望老师和助教能全天候督促上课，作业、小组讨论和答疑。
希望通过在线，高强度、系统性，基础+解题方法+完整刷题、全程化训练，迅速进入临考状态。
课程设计优势
一、名师直播授课+分小组作业+小组讨论+名师微信群答疑
二、授课老师结合当日教学，每日定量布置作业练习，促进学生内化吸收解题思路。7人标准分小组讨论，相互吸收多元解题思维，不同角度灵活解读题干和选项
三、四大全科名师教学，保障教学水平，并且新颖、特色教学风格吸引学生在线听课专注力。
四、助教/班主任全程督促：微信建群，开课通知，作业发布，小组讨论，互动答疑，在线模考，微信答疑器24小时陪伴
五、全科方法论教学衔接刷题课，单项刷、套题刷+在线讲解，保障将老师解题思路和方法快速实现内化和做题应用。确保课后能快速上考场。
教学形式
每日四项教学活动，实质性保障学习效果
19:30-22:00 名师直播授课，精讲GMAT解题思维
22:00 老师布置当日作业
第二天 9:00-11:00 独立作业、小组群内讨论
11:30-12:30 授课名师互动答疑
学制安排
预习：高频词汇，数学专用词汇，度量衡和专用方程式。
正式课程：逻辑，语法，阅读，数学一周一个单科，连续四周解题思路和方法学习论学习，衔接刷题课程，四科单项刷、5套GWD题套题刷。连刷15天。
全程课从逻辑、语法、阅读、数学，单项提升，套题讲解，强力刷题，六周一气呵成。确保课后14天内直接上考场。
2022GMAT封闭集训班
适合人群
基础薄弱，自控能力也偏弱一点的。希望通过参加封闭集训实现突破性备考效果的。
希望通过全封闭、高强度训练迅速进入备考状态。
教学特点
GMAT名师，系统讲课，带你刷题，教、学、练、模考、一对一、答疑、吃、住全管！
如果这个班上完还考不到分数，就不必在GMAT上死磕的培训班。
王文静、英吉等名师领衔，全封闭，思维引领+全套模考刷题+讲评
我们就想成为GMAT培训界的一股清流，坚持在出分、出高分的老师调调上下不来了，这是每年都被老学员和海外学员提前预约了好多，你想上就要早点报名！
教学形式
封闭式面授
学制安排
预习：高频词汇，数学专用词汇，度量衡和专用方程式。
正式课程：总论，语法和阅读入门，单项提升，套题讲解，强力刷题，三周时间一气呵成。走出封闭班，一周内可直接上考场。
封闭集训，从总论、语法基础、阅读能力，数学、逻辑、语法、阅读专项讲解到单项、套题现场刷题。封闭教学，吃住一体，集中时间，集中精力，集中训练，集中刷题。
就是把零基础全科班的课程在集训期间进行强化式封闭训练。
24小时全题库模考系统+出国考试答疑器
查看《2017-2020封闭集训班出分报告》
2022疫情特惠——定金膨胀计划
博智GMAT/GRE封闭班推出“定金膨胀计划：怎么也不吃亏！”
新冠疫情从春节到现在，虽然各地新增确诊已经快速下降，但国家依然处于严密防控阶段，可能下半年都会处于紧抓不放松状态，对于计划出分的同学来说，能够参加培训的时间段将更加集中，为此锁定一个好的培训班名额将是一种理性的决策。为此，博智特别推出“定金膨胀计划：怎么也不吃亏”全国优惠活动：
5月31日前，只需先交定金300元，不论你后续是上线上封闭班或线下封闭班，即享受3000元优惠！
为保证效果，此优惠名额仅限20人，抢完即止！
赶紧找博智的顾问小姐姐/小哥哥去确认一下吧！
GWD团队历史 (1999 - 至今)
报名须知
在线视频
GMAT课程
在线视频
2017-2019GMAT封闭班出分报告
2020年GMAT封闭班出分报告
OG 2021新题
GMAT封闭班
GMAT零基础班
咨询顾问团队
名师+刷刷刷题班
GMAT直播课程
GMAT换题库时间表
GMAT中坚教师一对一课程
GMAT培训高分榜
名师一对一&Plus课程
GMAT教学团队
GMAT百科
GMAT模考测评
阅读精讲课程
GMAT每日一题
报名须知
活动日历
GMAT备考制胜关键：心态调整与临考技巧！
添加小智微信，回复“GMAT讲座”即可免费参加~
查看详情 »
活动日历
GMAT Focus首考685掌握CR做题技巧+错题反复练习+稳定的心态使我成功上岸
欢迎宝子们，报名参加！
查看详情 »
活动日历
GMAT Focus Edtion考试一战685！上课+错题总结+稳定心态使我稳定持续提分！
欢迎同学们报名参加！
查看详情 »
GMAT逻辑公开课-英吉
学员感言
23~24申请季，乔治城大学JD录取分享会，陆本生的T14申请之路
查看详情 »
学员感言
2024年1月场LSAT一战179！听听她的备考干货！
查看详情 »
学员感言
LSAT备考与T14申请分享会 | 一路坚持，终遇Duke
查看详情 »
学员感言
LSAT公开课 | 恰逢改革，2024年LSAT备考需要注意哪些？
查看详情 »
合作伙伴
石榴乐学
地址：北京市朝阳区东三环北路甲2号京信大厦22层22_B7三 咨询电话：400-638-5988
© 2011-2024 北京博智东方教育科技股份有限公司
京ICP备11014575号-2
京公网安备 11010502044765号
关于我们 |
联系方式 |
加入我们 |
支付方式
ICML 2021 | 上交&华为提出GWD：旋转目标检测新方法-CSDN博客
>ICML 2021 | 上交&华为提出GWD：旋转目标检测新方法-CSDN博客
ICML 2021 | 上交&华为提出GWD：旋转目标检测新方法
最新推荐文章于 2024-01-26 09:43:34 发布
Amusi（CVer）
最新推荐文章于 2024-01-26 09:43:34 发布
阅读量1.9k
收藏
21
点赞数
7
文章标签：
计算机视觉
机器学习
人工智能
深度学习
编程语言
原文链接：https://zhuanlan.zhihu.com/p/372357305
版权
点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
作者：yangxue | 已授权转载（源：知乎）
https://zhuanlan.zhihu.com/p/372357305
一、前言
先给文章和代码：
主页：https://yangxue0827.github.io/
代码：https://arxiv.org/abs/2101.11952
代码链接（已开源）：
https://github.com/yangxue0827/RotationDetection
有段时间我一直在想如何让旋转检测也能用上通用检测那一套IoU系列的损失函数。由于我不确定旋转的IoU计算是不是真的不可导不能直接作为损失函数，我还特意在知乎上提了一个问题，希望有知乎大佬能给个比较有说服力的解释和证明。
两个任意旋转框的IoU计算过程可导吗？
https://www.zhihu.com/question/402342622
之所以想用IoU loss，是因为我觉得IoU loss在旋转检测可能比通用检测的作用更大，它不仅可以解决损失（loss）和评估（metric）的不一致问题，还可以解决由于角度周期性等引起的回归边界问题。虽然我在SCRDet中给了一种比较巧妙的损失形式，但是这里面还是有几个问题的。一是损失函数的梯度方向依然是由smooth l1损失主导的，二是在边界处计算ground truth和预测框的时候需要额外判断这个预测框是不是超出了当前框的定义，如果是则需要把预测框转成和ground truth相同的表示形式（这个判断和转换的功能其实OpenCV自带的函数已经有了，所以我们只要愉快地调包就行）。但目前的结论是旋转IoU应该是不可导的，但是这不意味着工程师无法实现，具体可以看下面一片文章和相关的实现：
论文：https://arxiv.org/abs/1908.03851
代码：github.com/lilanxiao/Rotated_IoU
但这毕竟是工程方面的手段，学术上还是要想办法找到近似的方法。想归想，但是实在想不出能让人眼前一亮的方法，这期间就去做其他的idea了，比如CSL。当CSL中了ECCV的时候，我在ECCV官方的相关论文推荐以及提醒我有新引用的邮件上发现了两篇做近似IoU loss的文章。
第一篇是中ECCV20的PIoU Loss
ECCV 2020 | PIoU Loss：面向旋转目标检测的损失函数（已开源）
PIoU Loss的想法比较简单，就是统计两个任意旋转框之间的共有像素个数来近似IoU：
PIoU Loss原理图
文章有一个很大的问题就是baseline太低了，文章最终报的性能才60出头，但是在这个领域做DOTA数据集的baseline不给65以上都不好意思了，所以有理由质疑这个方法是否有效了。
第二篇是做3D检测的，也中的ECCV20，给了一种近似的可导的IoU方法：
http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123650460.pdf
近似的方式如下：
近似RIoU计算方法
大致做法就是：每次让一个框不动，另一个框旋转到和不动框垂直，然后计算IoU，最终取最小值。由于仿射变换过程是可导的，两个垂直框计算IoU也是有办法可导的，所以整个过程就是可导的。我当时觉得这个做法还是比较有趣的，但是还是不够惊艳。
看完这两篇让我产生了重拾做近似IoU loss的想法。
二、灵感的诞生
回到我们的这篇论文，这篇文章中“将任意旋转矩形近似成一个二维的高斯分布，通过计算分布之间的Wasserstein距离解决RIoU不可导的问题”的相似是非常具有脑洞的，具体转换过程就是下面这张图：
任意旋转矩形近似成一个二维的高斯分布
但是，最初的想法并不是我想出来的，而是我的一个同学在看完SCRDet之后和我交流时提到的。当时虽然被惊艳到，但是框到分布之间怎么转换、分布之间Wasserstein距离怎么计算、的分布之间的计算是否可导仍未可知。然后通过查找资料以及咨询实验室数学比较好的同学，得到以下几个初步的结果。
任意旋转矩形框和二维高斯分布的转换关系：
两个高斯分布之间的Wasserstein距离公式：
很明显，两个高斯分布之间的Wasserstein距离是可导的，具体的推导过程可以参考下面这篇博客：
https://djalil.chafai.net/blog/2010/04/30/wasserstein-distance-between-two-gaussians/
万事具备，就要准备初步的实验了，毕竟实验是否成功才是最重要的。
三、初步的实践
由于我以前没有用过tensorflow中关于矩阵计算的操作，所以不清楚有没有具体的算子。于是乎，我让同学帮我用matlab仿真了一下Wasserstein距离公式，让他发我化简之后的公式。当我拿到结果的时候我是傻了眼的，化简结果整整好几页的，但总算是可导吧。
https://github.com/yangxue0827/RotationDetection/blob/main/utils/gaussian_wasserstein_distance.py
可能是公式太长了，每次tensorflow启动都要半天，真的要命。代码其实是比较简单的，但再简单的代码我也很少能一次写对，经过几次单步调试解决几个低级错误之后终于跑起来了。没开心到一分钟，loss直接nan了。然后的然后就是各种调参数还是持续nan，加上要准备CVPR了，所以暂时搁置了这个想法，去做了CSL的优化方法DCL。初步实验虽然以失败告终，但好在把大体的框架打通了，我还会卷土重来的。
四、再次实验
在准备CVPR论文期间，我知道了tensorflow是有矩阵操作的算子的，但是pytorch好像并不怎么友好，缺少矩阵开方的算子，需要使用第三方实现的。
有了官方的矩阵算子，Wasserstein距离公式的代码也就是几行代码的事了，启动速度也很快，方便调试。CVPR投稿结束之后，我就重新开始了实验，很快我就发现了一个bug，就是我把协方差的开方当协方差在用了，难怪一直nan。另外，我发现两个任意框位置从重合逐渐分离时，Wasserstein距离值会越来越大。举个例子，在两个框重叠面积较大的时候，他们的Wasserstein距离值都在100以内，之后就爆发式增长，甚至一下好几千，如下图蓝线所示：
这就使得我们不能直接使用Wasserstein距离作为损失函数，需要做变换控制值域，让它在大误差（重叠率较小）情况下不要这么敏感。我最早的变化是这样子的：
这是仿照IoU loss的形式（1-IoU），引进了两个超参数，我一开始默认使用 ， ，代码总算是不nan了。
以65.73%性能的旋转RetinaNet为baseline，GWD在DOTA的结果只有64%出头，虽然没有体现有效性，至少跑出结果了。需要吐槽的是，这个回归损失的训练收敛非常慢，下面就是和Smooth L1 loss的损失训练收敛对比图：
这个图还算好一些，在DOTA数据集上，Wasserstein距离损失（GWD）的收敛曲线就是上图前半截（近似水平），悠哉悠哉地下降，一直到训练结束，整个过程loss也就下降了零点几。而且训练前半部分都没有学习到角度信息，预测出来的框都是水平的。
接下来的任务就是调优性能了，我在比较IoU loss和GWD曲线的时候，意外得发现当两个框接近重合的时候，GWD的值出现了负数（是因为我忘记在log里+1了）。这表示之前训练时高度重合的结果并没有作为模型优化的最终目的，反而让模型远离预测这种结果。这下性能不高的原因找到了，经过截断和+1等处理之后，模型很快学习到了角度信息，但是整个loss曲线还是接近水平，收敛依然缓慢。最后的结果是好的，性能提高到了67.87%，高了2.14%，这已经挺不错了（后来经过调整参数后又提高到了68.93%）。原以为后面就到此为止了，文章以脑洞为主要买点，有一些“高大上”的数学公式可以点缀，然后各种消融实验做一下，SOTA刷一下，就可以写论文投稿了。没想到的是，惊喜却在后面。
五、方法的分析
我们最初的目的就是像构造一个近似的旋转IoU损失来解决损失和评估不一致的问题（SLP），但在一次意外经历之后发现问题并没有我想的这么简单。
首先我常用的旋转矩形的定义方式有两种，下图左边是OpenCV采用的方式（但是最新版本的好像吧角度范围改了），记为 ，右边是长边定义发，记为 ：
这两种定义法是可以相互转换的，转换关系如下：
这两种定义法各有各的缺点，比如 在边界处有角度周期性（PoA）和边的交换性（EoE）两种问题，而 有角度周期性（PoA）和类正方形检测问题（SLP）。这些问题我都总结在下图中了：
我们的目的是想让模型可以按照way1走通。这里有些小伙伴可能会有疑惑，way1走不通不是有way2吗，反正模型能有回归到正确位置的方式就行了。我们来看下面这张图，在非边界位置的时候模型是按下图底部方式回归的，而在边界位置就不会这么回归了，这说明存在边界位置和非边界位置的回归方式的不一致。由于非边界位置出现的概率非常大，因此模型在边界处时“经验”告诉它应该通过way1训练，但是计算出来的Loss又告诉它要用way2，这使得模型在边界处训练的非常“左右摇摆不定”。加之way2也比较复杂，因此边界处的预测往往比较不准，尤其是使用 定义法。
在之前的工作中，我们提出了各种针对不同问题的方法，但是在一次意外测试的时候我们发现了GWD几个重要的性质。我们模拟了不同边界框定义下PoA、EoE、SLP的情况，发现这些情况下GWD依然可以计算出准确的IoU。
这意味着GWD可能对这些问题是免疫的。因此就有了以下三个性质的提炼：
这三个性质分别对应解决 的PoA和EoE、 的PoA、 的SLP问题。其实我们发现根据性质1， 和 在GWD下是等价的。这下好了，我们就不用考虑选用什么边界框的定义方式、以及乱七八糟问题的困扰，GWD可以说是全免疫了。回过头来再分析，这些好处都归功于旋转框转换成高斯分布这一步骤，正式因为高斯分布的 才有了这些性质。至于后续使用Wasserstein距离来作为回归损失都是水到渠成的操作了。
六、实验结果
我们首先做了GWD里两个超参数的实验，最终使用 和 的组合。
当然我们后来发现直接使用 的形式会更好。
不同的是此时 ，原因是使用 依然会产生非常大的损失值。
随后我们在不同数数据集和检测器上进行了验证。
我们发现GWD更NB的地方在于高精度的检测，它在高精度指标上碾压Smooth L1 Loss。
我们还对比了IoU-Smooth L1 Loss, Modulated loss, CSL, 和DCL在DOTA-v1.0上的比较，GWD都基本是完胜的。
最后在华为的8*V100机器上把SOTA刷了一下。
七、后记
DOTA-v1.0目前Task1已经被刷到80+了，个人认为已经差不多到头了。想要接着做的话可以着眼于提高高精度指标（ 等），或者专注于小目标检测（DOTA-v1.5和DOTA-v2.0）。最近把十几种方法在DOTA三个版本的Task1上跑了一个baseline结果，方便相关的小伙伴比较使用。代码、权重和结果就放在我开源的RotationDetection上。
论文PDF和代码下载
后台回复：GWD，即可下载上述论文和代码
后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的两篇Transformer综述PDF
重磅！旋转目标检测交流群成立
扫码添加CVer助手，可申请加入CVer-旋转目标检测 微信交流群，方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。
一定要备注：研究方向+地点+学校/公司+昵称（如旋转目标检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲长按加小助手微信，进交流群
▲点击上方卡片，关注CVer公众号
整理不易，请给CVer点赞和在看
优惠劵
Amusi（CVer）
关注
关注
7
点赞
踩
21
收藏
觉得还不错?
一键收藏
知道了
0
评论
ICML 2021 | 上交&华为提出GWD：旋转目标检测新方法
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：yangxue|已授权转载（源：知乎）https://zhuanlan.zhihu.com/p/372357...
复制链接
扫一扫
参与评论
您还未登录，请先
登录
后发表或查看评论
技术分享 | 遥感影像中的旋转目标检测系列(一)
AIEarth的博客
12-22
2170
基于 Transformer 的旋转目标检测框架 D2Q-DETR
计算机视觉下的旋转目标检测研究综述
最新发布
renhongxia1的博客
01-26
59
在边界框中增加不同旋转角度的旋转目标框可有效解决上述问题,其被广泛应用在遥感图像、场景文本图像、货架商品图像等目标检测领域,具有重要研究价值。首先根据当前流行的目标框表征方式,将目标框分为旋转矩形框(Oriented Bounding Box,OBB)、四边形边界框(Quadrilateral Bounding Box,QBB)和点集(Point set)3种类型,并比较了不同旋转目标检测算法的优缺点、网络结构和性能;作者：王旭 吴艳霞 张雪 洪瑞泽 李广生。
【数学】Wasserstein Distance理解
caoyongsheng的博客
07-10
1256
https://zhuanlan.zhihu.com/p/58506295
如何理解K-L散度（相对熵）
https://www.jianshu.com/p/43318a3dc715
旋转目标检测模型-TensorRT
爱CV
11-29
520
未标记的输出的张量由构建器优化掉的瞬态值，输入和输出张量必须命名，所以在Runtime的时候，TensorRT知道如何将对应的缓存给到模型的定义。如果没有特殊算子的检测框架，依然可以使用下面的这个Pipeline, 旋转目标检测主要分成五参数和八参数的表征方法，分别对应的 x,y,w,h.以及对应的八参数的转化求法 x_1,y_1,x_2,y_2,x_3,y_3,x_4,y_4。直接利用torch.onnx.export就可以直接转换，相关的学习文件可以参考MMDeploy中有关的介绍性文章，收益良多。
GWD loss 损失函数的示例
beneficial的博客
01-04
503
学习了论文《Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss》，想看一下GWD损失函数在代码层面是怎么实现的。于是就在mmrotate代码库中把GWD损失函数代码单独摘了出来，写了一个小demo测一下。三、GWD loss代码在mmrotate中位置。时间：2023年1月4日。
旋转目标框angle损失计算：
m0_49534117的博客
05-26
156
1.旋转矩形框表示为高斯分布：2.两个高斯分布Wasserstein distance距离：3.
CIOU实现及可视化过程【附代码】
z240626191s的博客
06-16
5257
CIOU是IOU的改进版，本文将对CIOU原理进行代码实现，同时附上可视化过程，为的是从代码层面更好的理解、弄懂CIOU具体实现过程，看一下是如何对张量进行操作和求loss的，而不是停留在了解的层面。【IOU的实现过程可以参考我另一篇文章：非极大值抑制(NMS)，采用IOU筛选预测框，进行可视化过程分析【附代码】.........
目标检测中的IOU和CIOU原理讲解以及应用（附测试代码））
哆啦A梦爱学习的博客
08-15
8137
上期讲解了目标检测中的三种数据增强的方法，这期我们讲讲目标检测中用来评估对象检测算法的IOU和CIOU的原理应用以及代码实现。交并比IOU交并比IOU(Interp ov...
目标检测---CIOU原理及代码实现
weixin_42206075的博客
03-03
1万+
目标检测—CIOU原理及代码实现
最近刚写完一篇YOLO V4-tiny的blog，其中Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（三）- 损失函数的构建涉及到了CIOU。所以特地单独领出来写一篇blog记录一下。
在YOLO V3中，对于位置的损失函数，使用的还是普通的smooth-l1损失函数，但是到了YOLO V4中，关于位置的损失函数已经变成CIOU了。
一、原理，公式
关于它的原理，在YOLOV4与YOLOV3的区别中已经有了大致的介绍。
二、优点
相比于IOU的优点
详解IoU、GIoU、DIoU、CIoU、EIoU和DIoU-NMS
进击的扛把子
03-30
2万+
IoU厨师大赛
详解经典旋转目标检测算法RoI Transformer
qq_36561737的博客
07-12
1万+
一、引言
1、旋转目标检测检测就是将具有旋转方向的目标检测出来，也就是需要检测目标的中心点、长宽、角度。在俯视图的目标检测中比较常见，如遥感图像目标检测、航拍图像目标检测等。(见下图旋转目标检测，图源论文RoI Transformer )
2、旋转目标检测算法，目前多阶段里面性能较好的是RoI Transformer这个算法，本篇博客将详细分析此算法。
论文《Learning RoI Transformer for Oriented Object Detection in Aerial Images》
开
FreeMarker 的入门应用-基础篇
艾利克斯冰的博客
01-30
308
一.简介
FreeMarker 是一个模板引擎，一个基于模板生成文本输出的通用工具，使用纯 Java 编写，FreeMarker 被设计用来生成 HTML Web 页面，特别是基于 MVC 模式的应用程序，虽然 FreeMarker 具有一些编程的能力，但通常由 Java 程序准备要显示的数据，由FreeMarker 生成页面，通过模板显示准备的数据
FreeMarker 不是一个 Web 应用框架，而适合作为 Web 应用框架一个组件。FreeMarker 与容器无关，因为它并不知道 HTTP 或
【博士论文】复杂场景下高精度有向目标检测的研究
数据派THU
12-04
108
来源：专知
本文为论文介绍，建议阅读5分钟
本论文旨在研究复杂场景下高精度的有向目标检测算法。来自上海交大的杨学博士论文，入选2023年度“CCF博士学位论文激励计划”初评名单。https://www.ccf.org.cn/Focus/2023-11-29/798503.shtml本论文旨在研究复杂场景下高精度的有向目标检测算法。有向目标检测是 通用水平目标检测的一个扩展研究方向，其主要特点是可以...
记录使用yolov5进行旋转目标的检测
weixin_42182534的博客
06-09
1万+
记录用yolov5进行旋转目标检测
韦东山衔接班——4.4_构建根文件系统之构建根文件系统
gongweidi的博客
08-26
851
作者:GWD 时间:2019.8.26
一、创建○1中的两个设备文件
1、首先看一下PC机上的这两个文件夹是怎么样的
这两个均是字符型设备，主设备号为5/1，次设备号为1、3
2、在自制根文件系统中加入这两个文件夹和设备号。
...
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04
2484
目标检测常用边界框IOU对比
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
路人贾的博客
06-20
1万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
深入理解 YOLOv4 中的 CIOU 损失函数计算方法
AI_dataloads的博客
11-13
1616
CIOU 损失函数是 YOLOv4 在原有 IOU（Intersection over Union）损失函数基础上的改进版本。它考虑了目标框之间的完整交叉，并引入了修正因子，以更精准地度量目标框之间的相似性。CIOU 损失函数的计算方法相比于传统 IOU 更为复杂，但这也使得模型在训练过程中能够更好地理解目标框的准确位置和形状。CIOU 损失函数在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性。这使得模型更容易捕捉目标的准确形状。
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08
2万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
“相关推荐”对你有帮助么？
非常没帮助
没帮助
一般
有帮助
非常有帮助
提交
Amusi（CVer）
CSDN认证博客专家
CSDN认证企业博客
码龄8年
暂无认证
334
原创
8645
周排名
514
总排名
443万+
访问
等级
2万+
积分
6686
粉丝
2658
获赞
1165
评论
2万+
收藏
私信
关注
热门文章
完美卸载Visual Studio2015的方法汇总
146326
《OpenCV学习之路》OpenCV3.3安装教程(Windows版)
66401
C++ vector中的resize，reserve，size和capacity函数讲解
55080
CVPR 2021 | 即插即用！ CA：新注意力机制，助力分类/检测/分割涨点！
43947
超越一切YOLO！旷视提出YOLOX：新一代实时目标检测网络
41872
分类专栏
CLIP
2篇
计算机视觉论文速递
122篇
Transformer
54篇
YOLO
7篇
CVPR
6篇
backbone
32篇
MLP
4篇
涨点神器
5篇
开源项目
20篇
医学图像分割
8篇
GAN
2篇
图像检索
4篇
Re-ID
2篇
人脸识别
2篇
3D目标检测
3篇
线段检测
2篇
全景分割
3篇
综述
8篇
多目标跟踪
2篇
语义分割
6篇
人体姿态估计
3篇
实例分割
6篇
行为识别
2篇
CNN
3篇
数据集
1篇
超分辨率
1篇
人群计数
2篇
数据增广
1篇
图像处理
2篇
OpenCV学习之路
3篇
C++
37篇
数据结构
3篇
OpenCV
7篇
Visual Studio
4篇
Java
CUDA
1篇
VS2013/MFC编程
1篇
牛客刷题ing
11篇
MFC
5篇
VS2013
2篇
排序
排序算法
1篇
算法
2篇
C++ Primer
2篇
计算机视觉
42篇
Python
24篇
黑科技&实用
3篇
Qt
3篇
学术
1篇
论文
8篇
leetcode
机器学习
4篇
三维重建
git
github
7篇
C
2篇
深度学习
21篇
tensorflow
2篇
MNIST
1篇
linux
1篇
牛客网
7篇
sh'y'j
数据结构与算法
1篇
论文速递
7篇
PyTorch
2篇
MXNet
1篇
目标检测
41篇
论文精读
13篇
图像拼接
2篇
刷题
15篇
卷积神经网络
6篇
Julia
1篇
Julia1.0
1篇
编程语言
6篇
目标跟踪
1篇
人脸检测
2篇
最新评论
即插即用！Skip-Attention：一种显著降低Transformer计算量的轻量化方法
treetree13:
这篇文章没有公布源码吗
最新！52个OpenCV图像处理实战项目
分享让知识快乐传播:
看不到了
神经网络画图神器ML Visuals更新了！含100多个自定义图形
XXC20180025:
绘图神器
用YOLO玩「吃鸡」？搭载AI的自瞄外挂来了！一枪爆头！又快又准...
m0_68780802:
CVPR2021
CVPR 2021 | 强化学习太脆弱？VAI: 用注意力和不变性来让像素输入的强化学习更加稳定...
deavn2236:
请问这和语义分割出物体来之后做强化学习有什么区别呢
您愿意向朋友推荐“博客详情页”吗？
强烈不推荐
不推荐
一般般
推荐
强烈推荐
提交
最新文章
碾压GPT-4！Claude 3最强大模型实测来了！各项能力超群！
怒斥Sora之后，LeCun放大招！视觉世界模型来了！揭示AI学习物理世界的关键...
独自一人，怒发AI顶会！
2024
03月
29篇
02月
110篇
01月
129篇
2023年1097篇
2022年812篇
2021年1222篇
2020年132篇
2019年8篇
2018年48篇
2017年26篇
2016年32篇
目录
目录
分类专栏
CLIP
2篇
计算机视觉论文速递
122篇
Transformer
54篇
YOLO
7篇
CVPR
6篇
backbone
32篇
MLP
4篇
涨点神器
5篇
开源项目
20篇
医学图像分割
8篇
GAN
2篇
图像检索
4篇
Re-ID
2篇
人脸识别
2篇
3D目标检测
3篇
线段检测
2篇
全景分割
3篇
综述
8篇
多目标跟踪
2篇
语义分割
6篇
人体姿态估计
3篇
实例分割
6篇
行为识别
2篇
CNN
3篇
数据集
1篇
超分辨率
1篇
人群计数
2篇
数据增广
1篇
图像处理
2篇
OpenCV学习之路
3篇
C++
37篇
数据结构
3篇
OpenCV
7篇
Visual Studio
4篇
Java
CUDA
1篇
VS2013/MFC编程
1篇
牛客刷题ing
11篇
MFC
5篇
VS2013
2篇
排序
排序算法
1篇
算法
2篇
C++ Primer
2篇
计算机视觉
42篇
Python
24篇
黑科技&实用
3篇
Qt
3篇
学术
1篇
论文
8篇
leetcode
机器学习
4篇
三维重建
git
github
7篇
C
2篇
深度学习
21篇
tensorflow
2篇
MNIST
1篇
linux
1篇
牛客网
7篇
sh'y'j
数据结构与算法
1篇
论文速递
7篇
PyTorch
2篇
MXNet
1篇
目标检测
41篇
论文精读
13篇
图像拼接
2篇
刷题
15篇
卷积神经网络
6篇
Julia
1篇
Julia1.0
1篇
编程语言
6篇
目标跟踪
1篇
人脸检测
2篇
目录
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
祝福语
请填写红包祝福语或标题
红包数量
个
红包个数最小为10个
红包总金额
元
红包金额最低5元
余额支付
当前余额3.43元
前往充值 >
需支付：10.00元
取消
确定
下一步
知道了
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝
规则
hope_wisdom 发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额
0
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。
余额充值
Google Web Designer - Home
Google Web Designer - Home
Web Designer
Skip to Content
Initiative
Home
Support
Tutorials
Web Designer
Initiative
Home
Support
Tutorials
Download Web Designer
Create engaging videos, images, and HTML5-based designs for your business that can run on any device
Intended for business use only
System requirements
Features that help businesses bring ideas to life
Google Web Designer gives you the power to create beautiful and compelling videos, images, and HTML5 ads. Use animation and interactive elements to build out your creative vision, then scale your content for different sizes or audiences with responsive and dynamic workflows.
Animation
Even Choose Your Modes
Animate by stringing together simple scenes in Quick mode or by using layers on a timeline in Advanced mode. Motion paths and custom easing give you full control of your animation.
3D
Create and manipulate 3D content using the power of CSS3. Rotate objects and 2D designs along any axis, visualizing 3D transformations and translations as you author.
Workflow
Google Integrations
Take advantage of other Google products throughout your ad creation process. Browse Google Fonts and pull assets from the Studio Asset Library. Once you finalize your creative, publish it directly to Studio or share the files on Google Drive.
Content Creation Tools
Create your own designs using the Shape or Pen tools, then easily add text and import assets. Add some polish by fine-tuning element properties.
Templates
Template Gallery
Browse through a range of pre-made layouts for inspiration or an easy starting point. You can adjust any aspect of the template to fit your needs, and save your own custom templates for future use.
Easy Mode
Build full-featured ads without needing to master advanced design tools. Use Easy Mode's streamlined interface to quickly customize templates with your assets, text, and colors.
Flexible
Dynamic Workflow
Tailor your ad to your audience with the dynamic ad workflow. Connect elements to data signals and preview how your creative looks with sample feed data.
Responsive Ads
Build media rules into your ad unit to set the style and layout of your creative, so a single ad unit can adapt to any screen size it shows up on.
Interactive
Events
Set up events to make your creative react to the user's actions, even physical gestures like touch, rotation, or shaking on mobile devices. Use preset events, or build your own from scratch with JavaScript.
Components
Drag and drop components into your project to instantly add functionality such as image galleries, video players, maps, and more. Plus, each component automatically reports metrics no coding required.
Pages
Create multiple pages to include multiple scenes within a project. Let your audience switch to a different experience while still viewing the same creative.
MARQUEE
1
2
3
4
5
Design and develop
Find the tools you need whether you're a designer or a developer: a full design suite and the ability to edit HTML, CSS, and JavaScript directly. Switch between Design view and Code view to see how your changes render.
Get Started
Click Download Web Designer below to begin downloading the tool. Follow the on-screen instructions to install.
Download Web Designer
×
Google Web Designer
Google Web Designer is intended for business use. By accepting the terms below, you acknowledge that your use of the product is for professional, business purposes only.
Please select your download package
64 bit .deb (For Debian/Ubuntu)
64 bit .rpm (For Fedora/openSUSE)
Note: Installing Google Web Designer will add the Google Repository so your system will automatically keep Google Web Designer up to date. If you don't want Google's repository, do "sudo touch /etc/default/google-webdesigner" before installing the package.
Agree and Download
Follow Us
Google Web Designer Resources
Help Center
Community Forum
Youtube Channel
Integrations
Display & Video 360
Google Ads
Campaign Manager 360
Google Drive
Privacy
Terms
About Google
Google Products
Help
Change language or region
Deutsch
English (United Kingdom)
español
français
italiano
Nederlands
polski
português (Brasil)
Türkçe
Pусский
ไทย
中文（简体）
中文（繁體）
日本語
한국어
English
葡聚糖水合二激酶的生物学功能及其应用
葡聚糖水合二激酶的生物学功能及其应用
Please wait a minute...
导航切换
浙江大学学报（农业与生命科学版）
首页
关于期刊
期刊介绍
编委会
期刊荣誉
联系我们
在线期刊
当期目录
过刊浏览
最新录用
推荐文章
专题浏览
最多阅读
最多下载
最高引用
作者中心
作者投稿
投稿指南
版权协议
论文模板
读者服务
读者登录
留言板
订阅服务
E-mail Alert
资源中心
下载中心
多媒体中心
English Version
浙江大学学报(农业与生命科学版) 2014, Vol. 40 Issue (6): 591-597 DOI: 10.3785/j.issn.1008-9209.2014.04.301
生物科学与技术
葡聚糖水合二激酶的生物学功能及其应用
孙潇, 包劲松*
（浙江大学原子核农业科学研究所,杭州 310029）
Biological function and application of glucan-water dikinase: a review
Sun Xiao, Bao Jinsong*
(Institute of Nuclear Agricultural Sciences,Zhejiang University,Hangzhou 310029, China)
摘要
相关文章
Metrics
全文:
PDF(2797 KB)
HTML ( )
摘要： 葡聚糖水合二激酶（glucan-water dikinase,GWD）催化淀粉发生的磷酸化反应是植物临时淀粉降解的必要过程.该文总结了GWD的结构、生物学功能及其与其他淀粉代谢相关酶类的互作,以及GWD基因的研究进展及其在淀粉改性工艺上的应用现状,展望了GWD在淀粉磷酸化改性工艺上的应用前景,旨在为淀粉生物改性提供一种环境友好型、资源集约型的思路和方法.
Abstract: Starch phosphorylation is a general phenomenon existing naturally in the plant kingdom. The reaction of phosphorylation catalyzed by the glucan-water dikinase （GWD） is a necessary process during the degradation of the transitory starch in plant. In this review, we summarized the progress made on GWD from the view of its structure, biological functions and its interactions with other enzymes involved in starch metabolism. We also discussed its potential application in starch processing industries to provide environment-friendly methods for starch modification through genetic engineering. Potato GWD gene （StGWD） encodes a protein of 1 461 amino acid residues with a calculated molecular mass of about 160 ku for the entire coding sequence. From the N-terminal to C-terminal of the mature StGWD protein, there is a chloroplast transit peptide domain, two carbohydrate-binding modules, a phosphohistidine domain and nucleotide binding domain in turn. GWD marks sections for glucan hydrolysis via C6 phosphorylation to initiate granule surface hydration, while phosphoglucan water dikinase （PWD）, an isoform of GWD then recognizes these partially solubilized sections and catalyzes C3 phosphorylation of nascent glucans to induce steric strain that breaks the helical structure and prevents recrystallization. The starch in leaves will encounter an excess accumulation if the expression of the GWD is inhibited or decreased. And the overexpression of the enzyme may increase the phosphate content of the natural starch. In vivo, many enzymes related to starch metabolism can interact with the GWD, but the mechanisms of their real interaction are not clear yet. The growth will be profoundly inhibited if plants are encountered with environmental stress. We hypothesize that higher phosphorylated starch may be accumulated if farmers can make good use of the adversary conditions. However, further research and experimental data are needed to support this hypothesis.
出版日期: 2014-11-20
CLC:
Q 555+.7
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
孙潇
包劲松*
引用本文:
孙潇, 包劲松*. 葡聚糖水合二激酶的生物学功能及其应用[J]. 浙江大学学报(农业与生命科学版), 2014, 40(6): 591-597.
Sun Xiao, Bao Jinsong*. Biological function and application of glucan-water dikinase: a review. Journal of Zhejiang University (Agriculture and Life Sciences), 2014, 40(6): 591-597.
链接本文:
http://www.zjujournals.com/agr/CN/10.3785/j.issn.1008-9209.2014.04.301
或
http://www.zjujournals.com/agr/CN/Y2014/V40/I6/591
No related articles found!
Viewed
Full text
Abstract
Cited
Shared
Discussed
浙ICP备14002560号-5
版权所有 © 浙江大学学报（农业与生命科学版）
地址：浙江省杭州市天目山路148号 浙江大学出版社内 邮编：310028
联系电话：0571-88272801 E-mail：zdxbnsb@zju.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发