2023年04月 深度学习-目标检测 黄海广 副教授 2 01 目标检测概述 02 目标检测算法 03 YOLO算法 04 Faster RCNN算法 本章目录 3 01 目标检测概述 1.目标检测概述 02 目标检测算法 03 YOLO算法 04 Faster RCNN算法 4 1.目标检测概述 分类（Classification） 检测则关注特定的物体目标 ，要求同时获得这一目标的 类别信息和位置信息。 分割（Segmentation） 分割包括语义分割（semantic segmentation）和实例分割（ instance segmentation），前者 是对前背景分离的拓展，要求 分离开具有不同语义的图像部 分，而后者是检测任务的拓展 ，要求描述出目标的轮廓（相 比检测框更为精细）。 5 目标检测和识别 • 牛等？ 1.目标检测概述 6 目标识别的应用 1.目标检测概述 7 难点之一: 如何鲁棒识别？ 1.目标检测概述 8 类内差异（intra-class variability） 1.目标检测概述 9 类间相似性（inter-class similarity） 1.目标检测概述 10 1.目标检测概述 学术和工业界主要将目标检测算法分成三类： 1.传统的目标检测框架 2

. . . . . . . . . . . . . . . . . . . 15 3.5 伪目标 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.6 多目标 . . . . . . . . . . . . . . . . . . . . . . . 环境变量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.8 目标变量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.9 Makefile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 8.3 指定目标 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 ii 8

文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力 • 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译 等任务。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 • 无需逐步指导，模型自动生成结构化 推理过程（若强行拆解步骤，反而可 能限制其能力）。 • 需显式引导推理步骤（如通过CoT提 示），否则可能跳过关键逻辑。 提示语设计 • 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险

文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力 • 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译 等任务。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 • 无需逐步指导，模型自动生成结构化 推理过程（若强行拆解步骤，反而可 能限制其能力）。 • 需显式引导推理步骤（如通过CoT提 示），否则可能跳过关键逻辑。 提示语设计 • 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险

9050 socks5 98.206.2.3 1893 socks5 76.22.86.170 1658 -- 插入 -- 以上信息中加粗的部分为添加的代理服务器。 （4）通过用户的连接代理解析目标主机。执行命令如下所示： root@kali:~# proxyresolv www.target.com 默认情况下，执行proxyresolv命令，可能看到该命令没找到错误信息。因为 prox 操作完成后，可以单 击Dismount All按钮卸载该卷。 大学霸 Kali Linux 安全渗透教程 87 2.5 目录加密 第3章 高级测试实验室 高级测试实验室可以构建各种渗透攻击的目标系统。通过前面的介绍，大家已经了 解在Kali Linux下可使用的工具。为了更好地验证这些工具的作用，必须有一个高级 测试实验室。本章将介绍如何使用VMware Workstation构建各种操作系统。本章主 Workstation上安装Kali Linux虚拟环境的过程。 VMware Workstation允许安装操作系统并且运行虚拟环境。这个工具是非常重要 的，它可以为熟悉Kali Linux功能提供了目标主机。本书中使用到的虚拟机操作系统 有Windows XP、Windows 7、Metasploitable 2.0和Linux。这些系统都可以到它们 的官网下载相应的ISO文件，然后在VMware

编写源程序，如：XL 语言的lex.h, lex.c, name.c, plain.c, main.c, 相关的文本编辑器有：vi, emacs等, 如： $ emacs lex.cC .2 编译生成目标文件，如： $ gcc -c lex.cC $ gcc -c plain.cC $ gcc -c name.cC $ gcc -c main.cC 如果源程序有误，返回 1⃝; .3 联结生成执行文件或库文件，如： ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . make & Makefile . 源文件、目标文件和执行文件的依赖关系图 . . plain gcc -o plain lex.o plain.o name.o main.o lex.o gcc -c lex.c plain.o Workspace 等, 工程管理 简单, 但是需要平台的支持，离开的特定的 IDE，将不能重新生成 目标文件； .3 make 通过Makefile中设定的源文件和目标文件依赖关系以及相 应的生成操作，比较源文件和目标文件的时间，如果前者更新， 表示源文件已经修改，make将按照Makefile对应的动作自动生成 新的目标文件。 ©hfwang - 6/36 - ... . ... . ... .

以点评搜索为例，在 Poker+Augur 稳定上线之后，经过短短半年的时间，点评搜索 核心 KPI 在高位基础上仍然实现了大幅提升，是过去一年半涨幅的六倍之多，提前半 算法 < 19 年完成全年的目标。 4.4 进阶预估操作：模型也是特征 4.4.1 Model as a Feature，同构 or 异构？ 在算法的迭代中，有时会将一个模型的预估的结果当做另外一个模型输入特征，进而 取得更好的效果。如美团搜索与 排序流程为多层 排序，分别是粗排、精排、异构排序等，多层排序的流程主要是为了平衡效果和性 能。其中搜索核心精排策略是 DNN 模型，我们始终贴近业务，并且结合先进技术， 从特征、模型结构、优化目标角度对排序效果进行了全面的优化。 近些年，基于 Transformer[1] 的一些 NLP 模型大放光彩，比如 BERT[2] 等等， 将 Transformer 结构应用于搜索推荐系统也成为业界的一个潮流。比如应用于对 旅游等等，各个业务之间既有共性也有自己独有的特性，并且除了优化用户体验，也 需要满足业务需求。为了更好的对这一块建模优化， 我们也正在探索 Partition Model 算法 < 35 和多目标相关的工作，欢迎业界同行一起交流。 参考资料 [1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances

. . . . . . . . . . . . . . . . . . . 第 第 8 章 章 管理指 管理指标 标目 目标 标 8.1. 在 ADMINISTRATOR 视角中访问 METRICS TARGETS 页面 8.2. 搜索和过滤指标目标 8.3. 获取目标的详细信息 8.4. 后续步骤 第 第 9 章 章 管理警 管理警报 报 9.1. 在 ADMINISTRATOR 和 DEVELOPER 查看和管理指标、警报，并查看监控仪表板。 在 OpenShift Container Platform Web 控制台的 Observe 部分中，您可以访问和管理监控功能，如 指 标、警报、监控仪表板和指标目标。 安装 OpenShift Container Platform 后，集群管理员可以选择性地为用户定义的项目启用监控。通过使用 此功能，集群管理员、开发人员和其他用户可以指定在其自己的项目中如何监控服务和 metrics 目标。CMO 由 Cluster Version Operator (CVO) 部署。 Prometheus Operator openshift-monitoring 项目中的 Prometheus Operator (PO) 负责创建、配置和管理平台 Prometheus 实例和 Alertmanager 实例。它还会根据 Kubernetes 标签查询来自动生成监控目标配置。 第

一个国家，小 到一个家庭，社会的主要组织形式呈现出“树”的特征；冬天的衣服就像“栈”，最先穿上的最后才能脱下； 羽毛球筒则如同“队列”，一端放入、另一端取出；字典就像一个“哈希表”，能够快速查找目标词条。 本书旨在通过清晰易懂的动画图解和可运行的代码示例，使读者理解算法和数据结构的核心概念，并能够通 过编程来实现它们。在此基础上，本书致力于揭示算法在复杂世界中的生动体现，展现算法之美。希望本书 具有可行性，能够在有限步骤、时间和内存空间下完成。 ‧ 各步骤都有确定的含义，在相同的输入和运行条件下，输出始终相同。 1.2.2 数据结构定义 数据结构（data structure）是计算机中组织和存储数据的方式，具有以下设计目标。 ‧ 空间占用尽量少，以节省计算机内存。 第 1 章 初识算法 hello‑algo.com 14 ‧ 数据操作尽可能快速，涵盖数据访问、添加、删除、更新等。 ‧ 提供简洁的数据表示和逻辑信息，以便算法高效运行。 两者的详细对应关系如表 1‑1 所示。 表 1‑1 将数据结构与算法类比为拼装积木 数据结构与算法 拼装积木 输入数据 未拼装的积木 数据结构 积木组织形式，包括形状、大小、连接方式等 算法 把积木拼成目标形态的一系列操作步骤 输出数据 积木模型 值得说明的是，数据结构与算法是独立于编程语言的。正因如此，本书得以提供基于多种编程语言的实现。 约定俗成的简称 在实际讨论时，我们通常会将“数据结构与算法”简称为“算法”。比如众所周知的

一个国家，小 到一个家庭，社会的主要组织形式呈现出“树”的特征；冬天的衣服就像“栈”，最先穿上的最后才能脱下； 羽毛球筒则如同“队列”，一端放入、另一端取出；字典就像一个“哈希表”，能够快速查找目标词条。 本书旨在通过清晰易懂的动画图解和可运行的代码示例，使读者理解算法和数据结构的核心概念，并能够通 过编程来实现它们。在此基础上，本书致力于揭示算法在复杂世界中的生动体现，展现算法之美。希望本书 具有可行性，能够在有限步骤、时间和内存空间下完成。 ‧ 各步骤都有确定的含义，在相同的输入和运行条件下，输出始终相同。 1.2.2 数据结构定义 数据结构（data structure）是计算机中组织和存储数据的方式，具有以下设计目标。 ‧ 空间占用尽量少，以节省计算机内存。 第 1 章 初识算法 hello‑algo.com 14 ‧ 数据操作尽可能快速，涵盖数据访问、添加、删除、更新等。 ‧ 提供简洁的数据表示和逻辑信息，以便算法高效运行。 两者的详细对应关系如表 1‑1 所示。 表 1‑1 将数据结构与算法类比为拼装积木 数据结构与算法 拼装积木 输入数据 未拼装的积木 数据结构 积木组织形式，包括形状、大小、连接方式等 算法 把积木拼成目标形态的一系列操作步骤 输出数据 积木模型 值得说明的是，数据结构与算法是独立于编程语言的。正因如此，本书得以提供基于多种编程语言的实现。 约定俗成的简称 在实际讨论时，我们通常会将“数据结构与算法”简称为“算法”。比如众所周知的