Photometric Stereo是一個用於估計影像的深度資訊或是物體表面的一種方法。其方法使用單一固定的相機搭配不同角度的光源，通過再不同光照條件來估計物體的表面法線。通過測量反射到相機中的光量，可能的表面方向的空間是有限的。給定來自不同角度的足夠光源，表面方向可能會被限制為單一方向。 基本理論 其方法是利用光的漫反射，當一束平行的入射光線射到凹凸不平的粗糙表面時，由於每條入射光皆遵守反射定律，表面會把光線向著四面八方反射

YOLOv4: Optimal Speed and Accuracy of Object Detection — 這篇文章會介紹Bag-of-specials中的Attention Module及Feature Integration，這兩個都可以使網路的效果提升，Attention Module改變網路關注區域，Feature Integration增加不同尺度的特徵融合，可以適應物體尺度變化 YOLO v4 Reference: Bag-of-Freebies 提升Accuracy，增加Training時間成本，也些微增加 …

YOLOv4: Optimal Speed and Accuracy of Object Detection — 接續YOLOv4 Reference，這篇文章開始介紹Bag-of-specials的相關文獻，會介紹Enhance Receptive Field，比較其中不同方法的差異性。 YOLO v4 Reference: Bag-of-Freebies 提升Accuracy，增加Training時間成本，也些微增加Inference時間 Enhance Receptive Field 目前的網路接是使用多個Convolution層組成，而圖片在經過不同層時，所能看到或是感受圖片的範圍是不同的，當層數越淺，感受範圍越小，只能看到局部圖片，但越解析度越高，還存在較多細節；而層數越深時，感受範圍越大，可以看到圖片中較大的範圍，但解析度越低，細節較大量丟失。因此在設計網路時，會希望感受野越大越好，與此同時期望保留一定的細節。

YOLOv4: Optimal Speed and Accuracy of Object Detection — 接續上一篇文章，這篇文章繼續介紹Bag-of-Freebies相關文獻，會介紹Data Imbalance及Bounding Box Regression，並且介紹各方法的優缺點。 YOLO v4 Reference: Bag-of-Freebies 提升Accuracy，只增加Training時間成本，不增加Inference時間 Data Imbalance 在物體檢測中，正負樣本不平均的狀況在檢測中也是一個問題，有許多paper提出了創新 …

YOLOv4: Optimal Speed and Accuracy of Object Detection — 在Convolution Network中，有許多方法可以提升檢測的效果，針對大型資料集的處理方法，或是針對特定問題的調整技巧，YOLOv4中引用先前Paper中多種改進方法，並加以調整，使其實現精度與速度的平衡。 YOLOv4 改進總整理: 提供一個使用單一GPU就可以進行訓練的模型 驗證YOLOv4中多項改進，包含Bag-of-Freebies及Bag-of-Specials 調整多種方法，使其更適用單GPU訓練模 …

在以往，機器學習方法需要將訓練數據集中在一台機器或是數據中心，但在現實情況下，可能遇到無法收集資料的狀況，像是個資或是企業資源的問題，而且資料的隱私權是一個在近年來受到更重視的問題，陸續推出了多個相關的法案。 例如歐盟在2016年通過了 ”一般資料保護規則” (General Data Protection Regulation, GDPR)，其目的是在加重企業「控管」及「處理」資料的責任，並強化個資當事人權益。簡單來說就是要蒐集個人相關資料時，都需要經過個人的授權，因此近期Facebook、Apple、Google等科技巨頭及其他多數的企業都受到了相當大的衝擊。 而對於機器學習，數據是一個相當重要的部分，假如沒有資料便沒有機器學習，以上的問題造成資料無法集中的情況 Federated Learning聯邦學習 2016年Google提出了Federated Learning聯邦學習，其是使用本地的資料在本地的設備上訓練出一個模型，之後將這些訓練完的模型合併為一個模型，再將這個模型分享給所有本地設備。這種方法能夠使手機以合作學習的方式共享預測模型，同時只將訓練數據保留於設備中，而不會取得個人相關的資料，避免觸碰個資法的問題。

現在所使用的CPU通常具有多核多執行緒的功能，而執行程式通常只會使用到一顆核心，但想要充分的發揮多核心硬體的運算能力，就需要使用多執行緒(Multi-Threading)或多行程 (Mult-Processing)等的平行運算技術 Thread 執行緒 Thread為作業系統(OS) 進行運算排程的最小單位，它被包含在行程(Process)，是行程(Proces …

YOLOv3: An Incremental Improvement — YOLOv3是根據YOLOv2再次改進，其參考其他Paper改動了多個部分，優化自身模型，其效果相當顯著，提升檢測效果的同時依然保留較高的檢測速度。 以下根據Paper安排，依序介紹YOLOv3改進之處: Bounding Box Prediction

在現實生活中，有越來越多正負樣本不均的情況，像是瑕疵檢測、癌症預測等，這些狀況可能會是幾萬筆資料中只有幾筆資料的懸殊比例，使用目前常見的CNN Classifier會難以檢測，正負樣本過度懸殊會使分類器學習資料量多的類別來達到較高的準確率，資料量少的類別幾乎無法被檢測出。 使用Class Weight或是Focal Loss也會難以平衡正負樣本的懸殊差異，因此此篇論文單純使用正樣本訓練模型，並可以區分出正樣本及負樣本(異常檢測abnormal detection)。 Deep SVDD