医疗保健领域安全预测

马赛克打得够严实了，不过 Depix 还是基本解读出了被隐藏的信息。

如何使用

使用 Depix 从像素化图像截图中恢复文字密码，操作也比较简单：

从截图中分割出矩形像素化 block；

在具有相同字体设置（包括文本大小、字体、颜色、hsl）的编辑器中，粘贴待处理字符的德布鲁因（De Bruijn sequence）。

给该序列截图，尽可能使用和像素化图像相同的截图工具。

执行命令：
 

有些人可能比较关心训练时间，因为潜意识里在 dense prediction 上做 bipartite matching 应该是很慢的。然而实际上依赖于 scipy 对 linear_sum_assignment 的优化，实际训练时间仅仅下降了 10% 左右。

如果对这一时间依然敏感，可以用 topk（k=1）代替 bipartite matching；在 dense prediction 里 top1 实际上是 bipartite matching 的近似解 [8] 。相似地，k>1 的情况对应了 one-to-many 的一种新做法，研究者也对此做了一些工作，后续可能会放出来。
 

这里 highlight 几点：

α越低，分类权重越大，有无 NMS 的差距越小，但绝对性能也会降低 [4]；α太高也不好，后续所有实验用α=0.8；

在α合理的情况下，空间先验不是必须的，但空间先验能够在匹配过程中帮助排除不好的区域，提升绝对性能；研究者在 COCO 实验中采用 center sampling radius=1.5，在 CrowdHuman 实验中采用 inside gt box[5]；

加权几何平均数（Mul）[6]比加权算术平均数（Add）[7]更好。

去掉 NMS 的最大收益其实是 crowd 场景，这在 COCO 上并不能很好地体现出来。所以又在 CrowdHuman 上做了实验如下：
 

如 Figure 3 所示，这个模块只采用了卷积、插值、max pooling 3d，速度非常快，也不需要写 cuda kernel。

One-to-many auxiliary loss

针对第二点监督不够强、收敛速度慢，研究者依旧采用 one-to-many assignment 设计了 auxiliary loss 做监督，该 loss 只包含分类 loss，没有回归 loss。assignment 本身没什么可说的，appendix 的实验也表明多种做法都可以 work。这里想提醒大家的是注意看 Figure 2 的乘法，它是 auxiliary loss 可以 work 的关键。在乘法前的一路加上 one-to-many auxiliary loss，乘法后是 one-to-one 的常规 loss。由于 1*0=0，1*1=1，所以只需要大致保证 one-to-one assignment 的正样本在 one-to-many 中依然是正样本即可。

实验

最主要的实验结果已经在 Table 1 中呈现了，此外还有一些 ablation 实验。

（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!