一、Nms主要目的           在物体检测非极大抑制应用十分广泛，主要目的是为了消除多余的框，找到最佳的物体检测的位置。 如上图中：虽然几个框都检测到了人脸，但是我不需要这么多的框，我需要找到一个最能表达人脸的框。下图汽车检测也是同样的原理。

目前只记录了非极大值的基本方法。          非极大值抑制（Non-Maximum Suppression，NMS），可以被理解为局部最大搜索，即领域范围内的最大值。给定一个n，1D邻域包括一个点的左侧和右侧的n个点，2D邻域为以当前点为中心的(2n+1)×(2n+1)区域。NMS在计算机视觉领域有着非常重要的应用，如跟踪、数据挖掘、3D重建、目标识别等。

Outlier Suppression：突破Transformer语言模型低比特量化瓶颈 一、摘要原论文摘要翻译： 问题：1、作者是如何发现以及探究异常值的来源以及裁剪的影响的呢？ 背景介绍：Introduction2 、Preliminaries（前期准备工作）Basic Notations.（基本符号）Quantizer.（量化器） 3 Outlier analysis（异常值分析）

这里写自定义目录标题 欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants 创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入

数据及源码链接见文末                视听事件定位，即以视频信息和音频信息作为输入，模型确定事件的存在和可见事件，并将其定位在时间维度上的边界。其主要的挑战有： i).在合并互补的音频和视觉特征时，同时保留特定于模态的信息并不是简单的。ii).无约束视频中存在的突发噪声和复杂背景会阻碍对事件类别的预测。iii).视听信息不同步的问题会误导事件边界预测。

论文：Salience-Guided Cascaded Suppression Network for Person Re-identification 来源：CVPR 2020 论文地址 动机：当前在全局特征和局部特征上结和注意力机制作为最后的特征表示已经成为了一种潮流，但在某些情况下，reid可能取决于在不同情况下显著特征所掩盖的不容易被注意到的特征。也就是说网络在学习到显著特征时会忽略学习其

行人重识别阅读笔记之Salience-Guided Cascaded Suppression Network for Person Re-identification 介绍网络结构残差双重注意力模型Residual Dual Attention ModuleChannel-wise AttentionResidual Spatial Attention 非局部多阶段特征融合Non-local