ECCV2020 Spotlight | CPN:Anchor Free,Two-stage目标检测

表现SOTA，更强的recall，对任意尺度，任意形状的物体都不惧；更高的precision，MS COCO 获得最高可达49.2 AP；更好的precision/speed trade-off，41.6 AP/26.2 FPS or 39.7 AP/ 43.3 FPS。

论文链接：arxiv.org/abs/2007.13816

github：https://github.com/Duankaiwen/CPNDet

2018年CornerNet [1]的提出使人们对anchor-free重新重视起来，并启发了后面一系列的工作，包括但不限于ExtremeNet [2], FCOS [3], CenterNet (Objects as Points) [4], Foveabox [5], RepPoints [6], SAPD [7]，等等，当然也包括我们的CenterNet (Keypoint Triplets) [8]。但大家好像都对其中的center-based比较感兴趣，而对corner-based关注度不太高。它俩的区别主要在于生成目标框的方式不一样，如图1， center-based预测一个点（这个点一般位于物体内部）以及这个点到物体边缘的距离从而生成目标框，而corner-based则是预测两个角点（也可以是ExtremeNet的极值点那样）然后通过特定的方式组合角点从而生成目标框。另外center-based还有一个比较大的优势，就是它能很容易的嫁接到ResNet/ResNext + FPN那套已经很成熟的，几乎成为目标检测方法标配的框架中。虽然大家对center-based比较感兴趣，但其实corner-based这种通过组合角点生成目标框的方法也有个很大的优点，那就是具有很高的recall，比anchor-based，anchor-free中的center-based这些方法都要高，这也是本工作的起点。

   1. Anchor-based or Anchor-free? One-stage or Two-stage?

大部分论文都会提到anchor-free的一个优点：anchor引入了很多参数且需要手动设置，但如何设置一组合适的参数需要一定的经验，而且因数据集而异。而anchor-free彻底解除了anchor的设定，不存在参数设置的问题，因此anchor-free比anchor-based更加灵活和简洁。但anchor-free还有其他优点没有？当然有，拥有比anchor-based更高的 recall便是其中一个。其实这个优势很好理解，在anchor-based方法中，anchor的位置，长宽比，尺度这些参数设定好了之后就不变了，后面对anchor的回归只是微调，也就是说回归之后其位置，长宽比，尺度与回归之前相比变化不大。但问题是图片中的物体形状，尺度，位置是任意的，如果图片中有个物体与那些初始的anchor差别都很大，那么anchor再怎么回归也很难比较好的包住这个物体。但anchor-free就会好很多，理想情况下，不论物体在哪，它都能在那个位置检测到关键点，并通过预测点到边的距离或者通过关键点组合，尤其后者，能够更准确的包住物体。图2是anchor-based方法Faster R-CNN与anchor-free方法CornerNet的对比。绿色框是true positives，蓝色框是false positives，红色框是false negatives。可以看到anchor-based对大尺度或长宽比夸张的物体包不太住 (当然并不是说只要出现这类物体， anchor-based就包不住，当然也有包的很好的，只是包不住的情况比正常物体多一点），而anchor-free就能包的比较好。

我们还进一步地做了更加详尽的实验。表1是我们选了4种比较有代表性的方法，在MS COCO validation上计算了他们的AR，其中Faster R-CNN代表的是anchor-based方法，FCOS代表的是anchor-free方法中的center-based方法，CornerNet和CenterNet (Keypoint Triplets) 代表的是anchor-free方法中的corner-based方法，同时这两个方法也是我们的baseline。我们只想关注这些方法能包住物体的上限在哪，因此在计算AR时，我们根据每个预测框的score选择了最多top 1000的目标框，并且选出来之后，排除了目标框的预测类别和score对AR的影响，得到了下面的结果(我们也做了考虑类别和score，选top 100的实验，其AR的变化趋势是相同的)。， ， 和  分别表示检测器对尺度为 ，  ，  和 的目标的average recall，， ， 和  分别表示检测器长宽比为 5:1, 6:1, 7:1和 8:1的目标的average recall。

可以观察到，整体上anchor-free要比anchor-based方法的recall要高。更重要的是随着物体尺度增大，Faster R-CNN并没有获得更高的AR，这没有达到我们的预期，因为毕竟越大的物体越容易被检测到才是，反观令外3种anchor-free方法，随着物体尺度的增大，其AR也越来越接近100%。物体长宽比方面，随着长宽比的增加，Faster R-CNN的AR表现得也很低。这是因为事先设置好的anchor并不能很好得适配到这些特殊形状的物体。同样值得注意的是anchor-free中的center-based方法FCOS虽然AR表现得比anchor-based方法好，但不如corner-based，例如它得各项指标都落后于CornerNet和CenterNet， 之后下滑得也很严重。这是因为FCOS需要预测关键点到物体的距离，当物体尺度很大或者长宽比很悬殊的时候，点到物体的距离就变大，使得预测变得困难，导致最后生成的目标框不准确，而corner-based就好很多，因为corner-based既没有anchor的限制也不需要预测距离，而是通过组合角点生成目标框，只要角点能预测正确，角点能组合正确，就能生成正确的目标框，巧妙的是角点的检测和角点的组合 (参考CornerNet) 都对物体的尺度，长宽比，位置不敏感，因此它的AR格外高。最后一行是本工作CPN的结果，它的各项指标比它的baselines更高。

通过以上两个实验，现在我们可以回答第一个问题了：Anchor-based or Anchor-free？我们的答案是anchor-free，而且是anchor-free中的corner-based。

当然corner-based缺点也很明显，还是如图2以所示，虽然它能够准确的包住物体，但也出现了很多误检，这是由于角点组合的过程没法有效利用物体内部信息，因此组合出了很多错误的角点对。表2中我们进一步探究了CornerNet和CenterNet的AP指标，其中,  和  分别表示正常检测结果，去除错误角点对 (去除那些与GT的IoU < 0.5的角点对) 以及校正剩余角点对类别之后的average precision。其中  和  都需要GT的辅助才能完成。可以观察到，当把错误角点对去除后，AP有了一个非常大的提升，当进一步把角点的类别也修正之后，AP进一步提高，但提高幅度没有 大。这表明误检中，因角点组合导致错误的情况远大于因角点类别导致错误的情况，因此我们需要找到一种方法提高角点组合的正确率，其次是提升角点的分类精度，关键还是在于有效利用物体的内部信息，因为CenterNet中已经提到，角点的检测和组合都缺乏物体内部信息的辅助，导致误检问题严重。

CenterNet已经在这一方面做了尝试，它的做法是再预测一个中心点，利用中心点以一种后验的方式消除误检，但从表2可以看出，这样做显然没有把误检去除干净。另外，CenterNet还有一个很大的问题，那就是它太依赖于中心点了，假如那个中心点预测的不准确，反而会误删正确的目标框而保留错误的目标框，如图3所示。对于如何有效利用物体内部信息，有一类方法做的很成功，那就是two-stage方法。比如像Faster R-CNN，利用RoIAlign/RoIPooling提取物体内部信息，并用这个信息对目标框做进一步的调整，这是我们可以借鉴的。因此对于第二个问题：One-stage or Two-stage? 我们的选择是two-stage。

   2. CPN 方法介绍

经过前面分析，我们已经得到了心中那个方法的雏形，那就是这个方法得是个anchor-free，并且是corner-based，其次它得是个two-stage方法。Corner-based提示我们所提出的这个方法得有个检测角点，并组合角点的过程，two-stage则提示我们在角点组合或者角点分类时得像two-stage那样能有效利用到物体内部信息。图4是我们CPN的具体结构，它继承了CornerNet的框架，没有用到FPN，所有操作都只在最后一层特征层上进行，且最后一层特征层的分辨率是输入图像分辨率的1/4。整个结构分为2个stage，第一个stage是检测左上和右下角点，并枚举所有的角点组合，形成角点对。由于这个过程是在最后一层特征层上进行的，因此我们这里把角点对所形成的区域称为proposal。只要角点位置预测得准确，那么这些proposal中总是有很准确的，但大部分是错误的。第二个stage是利用RoIAlign提取每个proposal的内部特征，然后设计分类器对这些proposal进行判断，并预测每个proposal的类别。

2.1. Stage 1：检测角点并枚举角点组合

对于检测左上和右下角点，我们使用了CornerNet中所介绍的方法。然后我们在两个heatmap 中分别取top 70个左上和top 70个右下角点，进行两两组合，一共有4900种组合方式，这期间我们会去除不满足几何关系的角点对 (例如某个角点对中，左上角点的位置位于右下角点的右下方)，因此实际形成的proposal数量少于4900个，每张图片大约有3000个。但3000个对我们来说也很多，因为在训练的时候我们的方法是train from scratch，因此需要很大的batch size，具体为batch size = 48，每张卡需要放6个batch，因此每张图片3000个proposal还是太多了，而且大部分还都是负样本，这将影响训练和测试速度，以及后续的分类精度。因此我们对角点分类时不是二分类 (只分前景和背景) 而是80类 (COCO数据集一共有80个类)，这样检测出来的每个角点是带类别的，于是我们在组合角点时，不仅会去除不满足几何关系的角点对，还会考虑两个要组合角点的类别因素，即如果两个要组合角点的类别不是同一类，那么这个角点对也将被舍弃。这样每张图片~3000个proposal能减少到~800个。有人可能会担心这会不会把本来比较准确的proposal给误删了？实际上我们也有这个担心，为此我们做了一个统计，结果发现这个问题的影响程度没有想象的那么大。我们分别统计了只考虑角点几何关系时得到的所有proposal能覆盖多少物体 (与某个物体的IoU > 0.5就算覆盖到了此物体)，以及既考虑几何关系又考虑角点类别时得到的所有proposal又能覆盖多少物体，结果是前者平均能覆盖93.48%的物体，后者平均能覆盖92.29% 的物体。从结果上看，因考虑角点类别而遭到误删的准确proposal数量比较少，但却能够去除大量的不必要的角点对，因此被误删的损失是可以承受的。

虽然现在得到的~800个proposal是带类别的，且这些类别是80类中的其中某一类，不可能是背景，但显然这些proposal中还是有很多形状错误的proposal，我们需要对这些形状错误的proposal做进一步剔除。但是还有一个问题应当被注意，假设我们已经完美的剔除了那些形状错误的proposal，那么剩下的proposal是不是就是比较准确的？其实未必，因为剩下的proposal虽然形状是很准确的，但他们类别是继承的对应角点的类别，CenterNet中已经提到，角点的检测同样缺乏物体内部信息的辅助，因此它所得到的类别并一定不可靠。那既然这样我们为什么会依据角点的类别来去除不必要的proposal？因为既然你依据角点的类别来去除不必要的proposal，那说明你认为角点的类别是可靠的，但你又说角点的检测缺乏物体内部信息的辅助，因此它的类别并不可靠，这岂不是相互矛盾？其实这并不矛盾，我们知道，在角点检测过程中，我们会使用corner pooling [1]或cascade corner pooling [8]来帮助网络更好的检测角点。由于他们的存在，左上角点和右下角点得到的特征是相似的，都来自同一物体，只是具体部位不同，因此他们之间会很容易达成共识，但是这个共识是不是对的就不一定了。例如一只“猫”的左上角被错误的预测为“狗”，那么它的右下角大概率也会被错误的预测成“狗”，虽然左上角点和右下角点达成了共识，但其实这个共识的是错的，然而它们组成的形状却是很准确的。因此我们依据角点的类别来去除不必要的proposal，这并不意味着我们认为角点的类别是可靠的，而是我们利用了角点之间的共识，保留了大量形状正确的proposal。所以在剔除形状不正确的proposal后，我们还需要对剩余proposal的类别做进一步的判断。

2.2. Stage 2：双级分类器

根据上面的分析，虽然这~800个proposal是有类别的，但是并不可靠，首先形状不对的proposal，它们的类别肯定是错误的，它们的类别应为背景，其次即使是形状准确的proposal，它们的类别也不一定可靠，因此我们需要将这~800个proposal重新看成是无类别标签的proposal，然后设计分类器对他们重新分类，把那些形状错误的分成背景，对那些形状正确的proposal重新分配新的类别。简单粗暴的做法就是用RoIAlign提取每个proposal的内部信息，然后设计一个多分类器对其分类。但这样做时间消耗依然很巨大，因为RoIAlign是一个比较耗时的过程，它的耗时主要与两个因素有关，一个是proposal的数量，另一个是所在特征层channel的数量。考虑到 batch size = 48时，每张卡放6个batch，即使每张图片~800个proposal，其总数依然是很多的。另一方面，考虑到要分80类，最后一层特整层的channel数不能太少，否则会丢失太多信息，在这里我们设置最后一层的channel = 256。如果用RoIAlign在此特征层上对每个proposal提取内部信息，耗时将变得不可承受。

为此我们设计了一种双级分类器，它由两个分类器组成，第一个是二分类器，第二个是多分类器。我们首先对~800个proposal进行二分类，去除那些形状不正确的proposal，由于在这里我们只需对proposal做二分类，因此最后一层特征层可以做的很轻，我们发现当把最后一层特征层的channel数设置为32时，在每张卡放6个batch的情况下，RoIAlign可以轻处理每张图片~800个proposal。因此我们用卷积对最后一层特整层再做一次卷积操作，输出一个 Nx32xHxW轻量级特征层，称为“Box Feature Map”，如图4所示。在Box Feature Map上利用RoIAlign提取每个proposal的内部特征，每个特征的形状为32x7x7 (Channel，H，W)，接着把特征送入一个核为32x7x7的卷积中，得到一个标量，此数值表示对应proposal属于物体 (前景) 的score，在此基础上设计一个二分类器，它的loss如下：

这是一个focal loss的形式，因为其中的负样本太多了，focal loss可以比较好的平衡正负样本。其中N表示正样本 (准确proposal) 的个数，M表示proposal的总数，  表示第m个proposal的score， 是一个超参数，用来平滑损失函数， 表示第m个 proposal与所有GT都做IoU，从中得到的最大值，  表示一个设定的IoU阈值。

即使有focal loss的加持， 也总是趋向于0，因此我们设置了一个很低的阈值，选择 >0.2的proposal进入下一阶段，经过这一步，可以去除上面大约80%的proposal，保证每张图片剩余的proposal大约在200个以内。接下来，我们再设计一个多分类器对这~200个proposal进行多分类，重新分配新的类别。注意现在剩余的proposal数量已经很少了，即使在channel = 256的特征层上进行RoIAlign，速度依然很快。我们首先用另外一个卷积对最后一层特征层做卷积操作，输出一个Nx256xHxW重量级特征层，称为“Category Feature Map”，如图4所示。在Category Feature Map 上利用RoIAlign提取剩余每个proposal的内部特征，每个特征的形状为256x7x7 (Channel，H，W)，接着把特征送入C个核为256x7x7 的卷积中，得到一个C维向量，其中C表示数据集中的类别数。C中第 i 个数值表示对应proposal属于第 i 类的score，在此基础上设计一个多分类器，它的loss如下：

此loss类似于公式(1)，但考虑了类别因素。其中  和  分别表示剩余正样本 (准确proposal) 的个数和剩余proposal的总个数，  表示第m个proposal中第c个数值属于类别 c的score， 表示第m个proposal与所有属于类别c的GT做IoU，从中得到的最大值， 同样是一个超参数，用来平滑损失函数。

2.3. 测试过程

测试和训练过程大致一样。首先检测角点并枚举角点对，然后利用二分类器滤除更多的错误proposal，假设最后剩余了K个proposal，这些proposal被送入多分类器，被重新分配了新的类别。其实我们最初设想的方案1是想将这些被重新分配的类别作为proposal的最终类别，因为这毕竟是利用了物体内部信息后分类得到的类别，应该会更可靠一些。

后来发现还有更好的方案2，现在这K个proposal其实拥有了2套类别，其中一套是继承的角点的类别，另一套是多分类器重新分配的类别。如果这两套类别结合起来用，将达到更好的效果。对于某个proposal m，设  表示m继承的corner的类别号，表示它的score (左上角点score与右下角点score的平均值)，同理，设  表示多分类器重新分配的类别号 (  到 的最大值的索引)， 表示m属于的score ( 到 的最大值)。如果 ，那么就把proposal m分裂成2个proposal，其中一个proposal的类别和score由继承角点而来，而另一个proposal的类别和score则是由多分类器重新分配得到。如果 ，那么就把它们的score结合成如下形式：

 (3)

表示如果任何一方所占比重大于 0.5，将会对最终的  产生正面影响。

但又后来我们又发现还有简洁的方案3。。。其实大多数proposal的  ，此时我们就对这些proposal用公式(3)对它的score进行加强。当出现  时，我们以其中一个为主类，比如以 为主类，然后获取  的值，将与带入公式(3), 得到最终的score。最后根据score选择top 100个目标框进行测试。我们发现方案2和方案3差别不大，方案(3)表现稍好一些，并且相对更加简洁。

其实无论是方案2还是方案3都是不是我们所真正期望的，我们所期望的是方案1，因为方案1最简洁，而且也最有说服力。个人感觉多分类器可能并没有训练好，后面需要再优化一下。

2.4. 与 DeNet 的不同

其实就idea level而言，CPN与DeNet很像。DeNet也是先检测检点，然后枚举角点对，再送入一个多分类器对proposal进行分类。其实idea level层面上相似的工作有很多，例如YOLO vs. CenterNet (objects as points), FCOS vs. SAPD vs. FoveaBox vs. Densebox等，这些工作在idea level层面上都很相似，但掩盖不了每种方法的光茫，原因就在于idea level之下，每种方法都有很大的不同，DeNet与CPN也是如此：

• DeNet检测四个角点，而且在一张heatmap上进行，heatmap上的每个位置将预测5个类别，分别为背景，左上，右下，左下和右上角点。而CPN则只预测2个角点，并且这个角点是解耦的。
• 由于DeNet在一张heatmap上预测四个角点，这意味着所预测出的角点是不带类别的，而CPN分别在2张独立的heatmap上预测角点，这意味着所预测的角点可以带类别，小结2.1已经提到，我们可以利用角点的类别来去除大量不必要的角点对，节省了大量的计算资源，而通过DeNet检测的角点所形成的proposal，由于角点不带类别，将会产生大量错误的proposal。
• DeNet只有一个分类器来处理proposal，而我们设计了两个分类器，一个较轻的二分类器先去除一些误检，然后用一个多分类器对proposal重新分配类别。通过2个分类器的配合使用，可以大大加快网络的运行速度，也提高了预测精度。

• 我们为两个分类器设计了focal形式的loss，而DeNet则采用的是极大似然函数。Focal形式的loss可以很好的缓解训练过程中正负样本的严重不平衡的问题。

   3. 实验分析

3.1. 实验设置

关于代码，主体还是继承的CornerNet，另外还参考了mmdetection [9] 和 CenterNet (Objects as Points) 的部分代码，在这里我们感谢它们的杰出工作。我们使用了3种backbone，分别是HG104，HG52和DLA-34。其中HG104和HG52我们继承了CornerNet中的设置，DLA-34我们继承了CenterNet (Objects as Points) 中的设置，但是把里面的 deformable layers换成了normal conv layers。我们使用了CenterNet (Keypoints Triplets) 中提出的cascade corner pooling来帮助网络更好的检测角点。

训练阶段，HG104和HG52都是train from scratch，DLA-34使用了在ImageNet预训练的模型，输入图片分辨率均为512x512，data augmentation策略同样继承了CornerNet中的设置。总的loss function 如下：

 (5)

其中  和  分别用来训练角点以及补偿角点从heatmap映射回原图时所损失的信息，具体内容可以参考CornerNet [1]。硬件方面，我们用了8块Tesla-V100 GPU来训练, batch size = 48，每卡放入6个batch，首先用  的学习率迭代200K 步，然后用  的学习率继续迭代50K 步。训练时间方面，HG104 ，HG52， DLA-34分别大约需要训练9天，5天和3天。

3.2. CPN与SOAT方法的对比

3.3. 双级分类器对检测结果的提升

其中B-Classifier和M-Classifier分别表示二分类器和多分类器，第一排表示角点组合方法用的 CornerNet中基于角点的嵌入距离判断的方法。

3.4. B-Classifier对CornerNet和CenterNet的提升

在CornerNet和CenterNet中，使用基于角点的嵌入距离判断的方法对角点进行组合，现在换成B-Classifier之后，对检测结果有一个很大的提生。

3.5. 速度对比

为了公平对比，所有算法都在华为云上用1块Tesla-V100 GPU做测试，可以看到，在相同设置下，CPN与它的baseline相比在速度要更快，当我们换了更轻的backbone DLA-34 之后，取得了一个较不错的AP/FPS trade-off。速度之所以较快，一方面是我们对网络结构进行设计的结果 (例如使用角点类别去除不必要的角点对，设计双级分类器等)，另一方面我们对代码做了大量的优化。

3.6. 可视化结果对比

   4. Take-aways:

• 我们证明了anchor-free方法比anchor-based方法拥有更高的recall，anchor-free方法中，corner-based又比center-based拥有更更高的recall。当你下次写文章说anchor-free有哪些优点时，除了不用像anchor那样手动设置参数外，你还可以说anchor-free比anchor-based拥有更高的recall。

• 如果你的应用场景对recall要求很高，可以试一下corner-based这类方法。

• 以前大家普遍认为corner-based由于需要组合关键点，过程比较耗时，最终导致运行速度很慢，CPN说明了只要结构设计的合理，代码优化的好一点，其实corner-based并不慢，同时也说明了two-stage也不慢。

参考文献：

[1]. Law, Hei, and Jia Deng. “CornerNet: Detecting Objects as Paired Keypoints.” International Journal of Computer Vision, vol. 128, no. 3, 2020, pp. 642–656.

[2]. Zhou, Xingyi, et al. “Bottom-Up Object Detection by Grouping Extreme and Center Points.” 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 850–859.

[3]. Tian, Zhi, et al. “FCOS: Fully Convolutional One-Stage Object Detection.” 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 9626–9635.

[4]. Zhou, Xingyi, et al. “Objects as Points.” ArXiv Preprint ArXiv:1904.07850, 2019.

[5]. Kong, Tao, et al. "FoveaBox: Beyound Anchor-based Object Detection."IEEE Transactions on Image Processing(2020).

[6]. Yang, Ze, et al. "Reppoints: Point set representation for object detection."Proceedings of the IEEE International Conference on Computer Vision. 2019.

[7]. Zhu, Chenchen, et al. "Soft anchor-point object detection."arXiv preprint arXiv:1911.12448(2019).

[8]. Duan, Kaiwen, et al. "Centernet: Keypoint triplets for object detection."Proceedings of the IEEE International Conference on Computer Vision. 2019.

[9]. https://github.com/open-mmlab/mmdetection

<section style="white-space: normal;line-height: 1.75em;text-align: center;"><strong style="color: rgb(0, 0, 0);font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;widows: 1;background-color: rgb(255, 255, 255);font-size: 16px;max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;letter-spacing: 0.5px;font-size: 14px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><strong style="max-width: 100%;font-size: 16px;letter-spacing: 0.544px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;letter-spacing: 0.5px;box-sizing: border-box !important;overflow-wrap: break-word !important;">—</span></strong>完<strong style="max-width: 100%;font-size: 16px;letter-spacing: 0.544px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;letter-spacing: 0.5px;font-size: 14px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><strong style="max-width: 100%;font-size: 16px;letter-spacing: 0.544px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;letter-spacing: 0.5px;box-sizing: border-box !important;overflow-wrap: break-word !important;">—</span></strong></span></strong></span></strong></section><pre><pre style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section style="max-width: 100%;letter-spacing: 0.544px;white-space: normal;font-family: -apple-system-font, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;widows: 1;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section powered-by="xiumi.us" style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section style="margin-top: 15px;margin-bottom: 25px;max-width: 100%;opacity: 0.8;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section style="max-width: 100%;letter-spacing: 0.544px;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section powered-by="xiumi.us" style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section style="margin-top: 15px;margin-bottom: 25px;max-width: 100%;opacity: 0.8;box-sizing: border-box !important;overflow-wrap: break-word !important;"><section><section style="margin-bottom: 15px;padding-right: 0em;padding-left: 0em;max-width: 100%;color: rgb(127, 127, 127);font-size: 12px;font-family: sans-serif;line-height: 25.5938px;letter-spacing: 3px;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;color: rgb(0, 0, 0);box-sizing: border-box !important;overflow-wrap: break-word !important;"><strong style="max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="max-width: 100%;font-size: 16px;font-family: 微软雅黑;caret-color: red;box-sizing: border-box !important;overflow-wrap: break-word !important;">为您推荐</span></strong></span></section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;max-width: 100%;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;">长尾分布下图像分类问题最新综述（2019-2020）</section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;max-width: 100%;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="font-size: 14px;">GitHub重大更新：在线开发上线，是时候卸载IDE了</span></section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;max-width: 100%;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;">特朗普拿H1B签证开刀，LeCun吴恩达等实名谴责！</section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;max-width: 100%;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;">数据分析入门常用的23个牛逼Pandas代码</section><section style="margin-top: 5px;margin-bottom: 5px;padding-right: 0em;padding-left: 0em;max-width: 100%;min-height: 1em;font-family: sans-serif;letter-spacing: 0px;opacity: 0.8;line-height: normal;text-align: center;box-sizing: border-box !important;overflow-wrap: break-word !important;"><span style="color: rgb(87, 107, 149);font-size: 14px;">如何在科研论文中画出漂亮的插图？</span><br  /></section></section></section></section></section></section></section></section></section>

本篇文章来源于: 深度学习这件小事