如何在最新款 Mac 上用 Windows 软件？

008 年 6 月，中国以 2.53 亿网民数量，超越美国成为互联网世界人口最多的国家，参与这一历史性时刻的中国 50 岁以上网民仅有 986 万人，而当年全国 50 岁以上的总人口有 3.7 亿人。

2012 年以后，中老年人的触网数量肉眼可见地增长，2017 年 50 岁以上网民人数占比破 10%，是 10 年前的两倍。不过从绝对人数只有 8000 万，依然是互联网网民里的少数派。

自始至终，年轻人都指引着互联网的发展方向。

服务“后浪”的公司享有资本世界最高的估值评价，羽翼初丰的“后后浪”被人掰开揉碎地研究，生怕错过下一个年轻人的风口。

与此同时，甚少有人关心前浪、前前浪在想什么，它们就像房子里的大象，明明数量庞大，却被视而不见。

反正大部分时间，它也不动弹。

直到 2020 年，大象一声怒吼，震破了次元壁。

截至 2020 年 6 月，50 岁以上的网民占比猛然激增到 22.8%，占据了中国网民总数的近四分之一。

这一切发生得很快，快到“唯快不破”的互联网都傻了眼。

2020 年 3 月到 6 月，全国中老年网民增加了 6100 万人，人数累计升至 2.14 亿。短短三个月时间，实现了最初十几年都没能达成的年龄层跨越。
 

Depix 算法利用线性方框滤波器单独处理每一个 block 这一事实。它对搜索图像中的每一个 block 执行像素化以寻找直接匹配。

对于大部分像素化图像，Depix 尽量寻找单匹配结果，并假设这些匹配是正确的。至于周围多匹配 block 的结果被看作像素化图像中相同的几何距离，并认为这些匹配也是正确的。该过程重复多次。

在正确的 block 没有更多几何匹配后，Depix 将直接输出所有正确的 block。对于多匹配 block，Depix 将输出所有匹配的平均值。

Depix 背后的算法

像素化常使用线性方框滤波器实现。线性方框滤波器的实现很简单，速度很快，可以并行处理多个 block。

由于线性方框滤波器是一种确定性算法，对同样的值执行像素化通常会产生同样的像素化 block。使用同样位置的 block 对相同文本执行像素化，会得到同样的 block 值。我们可以尝试像素化文本来找出匹配的模式。幸运的是，这对于秘密值的一部分同样奏效。我们可以把每个 block 或 block 组合看作一个子问题。

项目作者没有选择创建潜在字体的查找表。该算法要求在相同背景上具备相同的文本大小和颜色。现代文本编辑器还会添加色调、饱和度和亮度，也就是说存在海量潜在字体。

项目作者给出的解决方案也很简单：使用待处理字符的德布鲁因序列，将其粘贴到相同的编辑器中，然后截图。该截图可以用作相似 block 的查找图像，例如：
 

参考

如果有人感兴趣的话，可以在 YOLO 上去掉 NMS 尝试一下，可以接近 30mAP。

注意这里没有使用 DETR 的 CE+GIoU+L1 组合，而是直接采用 loss 本身（Focal+GIoU）。研究者认为这样更符合 DETR 用 loss 做 cost 的原意。

其实这里可以有一个脑洞留给大家，因为 cost 是不需要求导的，所以甚至是可以直接算 AP 当 cost 的。

侧面印证了分类和回归的冲突在检测任务上是显著的。

理由很简单，CrowdHuman 的遮挡问题太严重，center 区域经常完全被遮挡。

事实上加权几何平均数的负对数就是 CE+IoU Loss，加权算术平均数则没有明显的物理含义。

NoisyAnchor 在 assign 中采用了类似的公式，只不过采用的是 anchor IoU。

更具体来讲，top1（即 argmin）是 Hugarian Algorithm 只做第一次迭代的结果；由于在 dense prediction 下冲突会很少，一次迭代就已经逼近了最优匹配，这也是为什么 Hungarian Algorithm 这里实际运行很快。

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!