企业官网建设流程全解析

河北省建设机械协会是正规网站吗,广东最新新闻,北京在线建站模板,seo网站快速排名软件【导读】香港中文大学提出了一个全新的算法框架RankSEG#xff0c;用于提升语义分割任务的性能。传统方法在预测阶段使用threshold或argmax生成掩码#xff0c;但这种方法并非最优。RankSEG无需重新训练模型#xff0c;仅需在推理阶段增加三行代码#xff0c;即可显著提高D…【导读】香港中文大学提出了一个全新的算法框架RankSEG用于提升语义分割任务的性能。传统方法在预测阶段使用threshold或argmax生成掩码但这种方法并非最优。RankSEG无需重新训练模型仅需在推理阶段增加三行代码即可显著提高Dice或IoU等分割指标。在语义分割任务中通常采用「在预测阶段通过对概率图应用threshold 或argmax来生成mask」的传统范式。然而你是否思考过这种做法真的能够最大化Dice或IoU等主流分割评估指标吗香港中文大学的最新研究证明了这一传统方法的次优性并提出了一种创新性算法框架RankSEG无需重新训练模型仅需三行代码即可显著提升分割性能。系列工作包括刚被NeurIPS 2025接收的高效分割算法以及发表于JMLR的核心理论还开源了配套的Python工具包无需重训模型仅通过增加三行代码即可有效提升分割指标表现。NeurIPS论文链接https://openreview.net/forum?id4tRMm1JJhwJMLR论文链接:https://www.jmlr.org/papers/v24/22-0712.html代码链接https://github.com/rankseg/rankseg如果业界从业者希望最大限度地「榨干」分割模型的性能只需阅读第一节即可解锁如何将RankSEG无缝集成到现有流程中。开源软件包研究人员提供了一个易用的RankSEG类初始化时可指定需要优化的分割指标如 Dice、IoU 等。随后只需调用predict方法并输入概率图即可获得优化后的预测结果。实际使用时只需将原有的probs.argmax(dim1)替换为rankseg.predict(probs)即可轻松集成无需过多改动简单高效。from rankseg import RankSEG # 1. Initialize RankSEG (optimizing for Dice) rankseg RankSEG(metricdice) # 2. Get your models probability outputs (batch_size, num_classes, *image_shape) probs model(images).softmax(dim1) # 3. Get optimized predictions; replace preds probs.argmax(dim1) preds rankseg.predict(probs)RankSEG与传统argmax方法的效果对比使用同一个训练好的模型唯一的区别仅在推理阶段的处理方式。图中用红框进行了重点标注在第一个例子中RankSEG 成功识别出桌子上的小瓶子在第二个例子中RankSEG成功分割出了被遮挡的人脸第三个例子捕捉到更完整的肿瘤块。可以明显看出RankSEG在小物体识别和处理被遮挡等复杂场景时分割效果相较于传统 argmax 有显著提升。Demo链接https://huggingface.co/spaces/statmlben/ranksegQuickStarthttps://colab.research.google.com/drive/1c2znXP7_yt_9MrE75p-Ag82LHz-WfKq-?uspsharing文档链接https://rankseg.readthedocs.io/en/latest/index.html传统threshold/argmax的局限性目前主流的分割流程通常通过训练模型来估计每个像素的类别概率随后采用threshold或argmax方法生成最终的预测掩码Mask。这种逐像素分类pixel-wise classification的方法优化目标是像素级的准确率但分割任务真正关心的是整体的重合度指标如Dice或IoU二者并不完全一致。理论上传统的threshold / argmax预测方式是次优的suboptimal。例如在下面这个由两个像素组成的简化场景中即便其中一个像素的预测概率低于0.5为了获得最优的Dice分数依然应该将其判定为前景。简单来说逐像素最优解不一定能带来全局最优的分割效果。左侧红框给出了最终分割结果右侧展示了简要的计算过程。其中表示通过threshold/argmax得到的预测结果。可以看到这种预测方式对应的Dice分数并未达到最优而为了获得最优的Dice实际上应当将第二个概率低于0.5的像素也判为前景这个例子直观地揭示了传统threshold/argmax方法在整体分割性能上的局限性。核心理论RankSEG那么如何才能获得最优的分割预测呢下面的定理给出了理论上的解答并指出了实现该最优性的具体方法这里以Dice指标为例类似的思路同样适用于IoU优化。这个定理可以分为以下几个关键部分理解Dice期望的计算已知每个像素的概率值输入预测的mask该 mask 的Dice系数的期望可以表示为只要遍历所有可能的二值 mask计算对应的Dice期望并取最大的那一个就能获得最优解。然而所有mask的组合数为2的d次方*计算量呈指数增长直接穷举在实际应用中不可行。*排序性质定理进一步指出只需关注这样一类特殊的mask即概率值排序后取前大的像素预测为前景。那么只需要搜索「体积」从0到d大大减少了计算复杂度。这里隐含了一种排序Ranking性质如果像素j的概率大于像素j’的概率那么把j判作前景对Dice期望的提升更大。该工作针对这一直观结论给出了严格的理论证明也由此取名RankSEG。自适应阈值的最优预测规则这里是遍历不同体积找到Dice期望最大的对应阈值。与传统的固定阈值不同这种阈值是自适应adaptive的会根据每张图片的概率分布动态调整不再局限于 0.5。符号记号及期望公式的化简为简化后续推导我们将上述Dice期望重写如下其中是去掉第j个元素后的向量替换为剩余像素的前景体积。由于每个像素是独立伯努利分布实质上服从泊松二项分布概率完全相同则退化为经典二项分布。RankSEG定理直接以寻找Dice最优预测为目标巧妙地利用排序性质带来了简洁且高效的分割预测方法。不过在定理的实际应用过程中仍存在两个主要挑战期望值计算的复杂性对每个候选分割Dice期望的精确计算开销大多类别分割的最优刻画困难在多类别multi-class语义分割场景下由于每个像素只能归属于一个类别即「无重叠」约束最优预测的刻画以及直接优化全局指标都变得更加复杂和棘手。针对以上难点研究人员引入近似化的技巧旨在进一步简化计算同时提出更为实用practical的算法方案以促进RankSEG在各类实际分割任务中的高效应用。高效近似算法RankSEG-RMARankSEG的计算复杂度较高限制了其在高维图片中的实际应用最新的算法NeurIPS 2025引入倒数矩近似和多类别分割。倒数矩近似RankSEG计算的主要瓶颈在于每个候选掩码都需要精确计算Dice期望。具体而言难点在于求解如下关于的倒数期望项。该期望需要针对每对重新展开d项求和如果能够找到一个近似表达式使得该期望对不同的和j无需重复独立计算就可以一次性高效推断并在不同的评估中复用结果从而大大降低整体计算复杂度。首先注意到在当前的图像分割任务中像素数量d通常非常大。在这种情况下去除单个像素j前后的和即与之间差异极小。因此可以用直接近似从而消除了对像素j的依赖。其次针对泊松伯努利分布进一步观察到当d足够大时倒数的期望和期望的倒数非常接近。因此后者可以作为前者的近似值这样一来期望的计算同样摆脱了对的依赖。研究人员将这种近似称为倒数矩近似Reciprocal Moment Approximation, RMA。借助该方法用定理2中的替换原来的在显著提升计算效率的同时依然能够保持较低的近似误差。这里和前缀和都可以提前一次性算好并在后续所有的评估中反复使用整体计算复杂度仅为。多类别分割RankSEG的框架可以自然地扩展到multi-label场景即单个像素允许属于多个类别。然而在多类别单标签multi-class分割任务中每个像素只能分配一个类别的「非重叠」约束使得直接扩展RankSEG会涉及到复杂的匹配assignment问题计算复杂度显著提升。为此研究人员提出如下近似算法兼顾了效率与精度**1. 独立二值分割**对每个类别独立应用RankSEG-RMA算法分别获得各自的binary mask。**2. 去除重叠**对于预测结果中重叠的区域仅保留masks之间无重叠部分舍弃多类别同时预测的像素。这一步可能导致部分像素没有被分配给任何类别。**3. 计算提升值**对于这些未分配的像素j计算其加入不同类别的提升值其中c是类别是已分配给类别c的像素集合。**4. 贪心分配**在重叠或未分配像素中根据最大增益为每个像素j选择类别这种方法虽然在最后一步引入了 argmax 机制但与传统方法相比具备以下两个显著优势选择性使用argmax只有在重叠区域才采用argmax而大部分像素预测仍然由RankSEG原始算法直接决定充分发挥了RankSEG的优势。Principled scores反映的是某像素j被分给类别c后Dice期望的提升因而比单纯的概率最大化更符合分割性能的优化目标。需要说明的是此方法实质上是一种贪心的近似策略因为仅考虑每次加入单个像素时的「瞬时」效益未全局协同优化。但实验结果显示在兼顾计算效率的同时该方法能够带来不错的分割性能提升体现出了合理的实用价值。实验结果研究人员在多个主流分割数据集如PASCAL VOC, Cityscapes, LiTS, KiTS等和多种深度学习模型上进行了广泛实验验证了RankSEG系列方法的优越性。从表中结果可以观察到**性能提升显著**RankSEG系列方法相较传统的argmax预测机制在分割精度上均有显著提升。**高效近似性**RankSEG-RMA与原始的RankSEG-BA在分割性能上几乎无损失但推理速度提升数十倍极大地提升了实际应用的效率。**整体开销较低**尽管RankSEG-RMA在推理阶段相较于argmax在绝对时间上有增加考虑模型前向model forward时间后其整体计算开销增加有限。而原始的 RankSEG-BA其耗时则接近于模型前向传播时间本身限制了实际部署。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】