resume summary(1)
welcome to my blog,enter password to read.
RDSNet的一个亮点在于同一个网络同时学习目标检测和目标分割,这两个任务相互促进提升模型精度。RDSNet提出了双流结构,分别取学习目标尺度和像素尺度上的物体。同时两条流上的信息相互融合,相互促进各自的训练。object level为pixel level提供了实例信息,为pixel提供一些分割上的先验。pixel level为object level重新定义边框的定位,提升精度。
在这个结构中,来自两个流的信息是交替融合,即对象层的信息引入实例意识和翻译差异到像素级,像素级的信息-在对象级别细化对象的定位精度作为回报
这篇post主要构建一个BERT的五分类模型,然后研究使用TrackIn来确定样本在模型训练中,对模型inference的影响。
trackIn是一种模型解释的方法,可用于评价每一个样本对模型的贡献度,通常可用于找出训练样本中,标注错误的样本。
本篇post以Bert QA问题为切入,研究一下这个问题。