Affinity-Aware Upsampling ​ 相似度(affinity)在稠密预测任务中是一个非常重要的信息，二阶的特征常用于建立相似度信息，本文主要工作是将原有的动态上采样过程都总结成一阶的信息，并在此基础上提出使用二阶的信息，用此将自相似性引入采样过程，同时通过低秩双线性模型减少模型参数，降低模型计算开支 另一种将Upsampling算子统一的视角： ​ 对于一个单通道的feat

Indexed Network ​ 卷积网络中上采样算子可以用文章中提出的索引函数（Index function）统一，说明了插值上采样与反池化操作等算子都是索引函数的特殊情况，由于在图像任务中，不同的部分图像对操作的要求不一样（比如图像边界需要提出边界信息，插值的方法就不如反最大值池化的操作；图像内部我们又需要邻域像素点的信息进行上采样的操作，这种情况下反最大值池化又不如插值方法），所以我们不

CARAFE ​ 在图像任务中，不同的部分图像对操作的要求不一样（比如图像边界需要提出边界信息，插值的方法就不如反最大值池化的操作；图像内部我们又需要邻域像素点的信息进行上采样的操作，这种情况下反最大值池化又不如插值方法），所以我们不能在图像中简单地用一个算子进行上采样，CARAFA是基于图像内容特征进行的采样方式。 上采样方式： kernel Prediction Module ​ 产生

支持向量机（SVM）推导 ​ 支持向量机（SVM）是机器学习中经典的二分类模型，它通过找到一个最优的超平面，最大化正负样本的分类间隔，实现对数据的有效分类。本篇博客将从问题定义开始，逐步推导 SVM 的完整数学过程，包括优化目标、拉格朗日对偶理论、KKT 条件的应用和最终决策函数的构造。推导过程力求数学完备，同时以通俗语言讲解每一步推导背后的逻辑 ​ 考虑输入空间 XXX 为 RN(N≥1)\m