Sʜᴇɴɢ Dong’s blog

对东京的惊鸿一瞥似乎让刻板印象有增无减。 落地前，空乘提醒大家可以从左侧舷窗看到富士山。夕阳下有一个锥形的庞然大物拔地而起，耸立云端。黑色的岩体和山尖的积雪都蒙上了一层金黄。直到飞机降落，还是一眼就能在天边看到富士山突兀地站着，显得脚底下的一切高楼和丘陵都与平地无异。以前一直觉得《富士山下》里所谓 “富士山爱情论” 是很烂的比喻1，总觉得这喻体有些莫名其妙。现在总算明白为什么偏要硬扯上富士山——因为它的轮廓真的是一抬头就能看到，如影随形。难怪它成为如此著名的日本的文化符号。 本想落地后找个好的角度再拍照，可惜夜幕已经完全降临。但又有别的收获。从羽田机场看过去的东京建成区，是一片密密麻麻的红光。我印象里从未见过如此密集的警示灯，将城市的天际线勾勒得如此清晰——似乎所有高的矮的宽的窄的都并非房屋，而是仅仅由红色光点组成的阵列，在黑暗里形成天和地的轮廓。科幻作品里的那个赛博朋克的城市似乎又在向我招手。 转机的时间只有匆匆几十分钟。机场派了专人在舱门前等待，然后一路引导我赶往下一个登机口。他们对旅客的服务意识很好，但不会很好地回应超出既定流程的问题。一路上行色匆匆，与别人交流之后必恳切鞠躬。人和人之间感觉确实是礼貌恭敬，而又隔着厚壁障的。目光所及都在强化我对于这个社会的文化的刻板印象。这是件坏事，毕竟对服务行业的采样本带有强烈的系统偏差。我不应该拿到这样一个小而偏的样本就大肆演绎。 今年夏天经首尔转机的经历亦如是。经典的的锅盖头发型，精心打扮的妆容，让人觉得这么多韩剧的服化道诚不欺我。还有各种不遗余力推广韩国传统文化的宣传片、演出、体验中心等。作为中国人，看到变种(?)的汉服、毽子、投壶以“K-Culture”的标签大力宣传，真的很难绷住。看到“请对韩国文化保持尊重，不要有冒犯性言论”的手写标语之后更难绷了，不禁让人联想这里的工作人员经历了什么尴尬的场面。好的坏的刻板印象，同样在短短几小时内不减反增…… 想起高中的几个同窗正在东京读书，可惜转机时间紧迫，也没有办过境签，不能顺道小聚。 再次起飞后，终于看到了建成区发出暖黄色或白色的灯光，勾勒出道路、建筑、河流和公园。富士山早已隐入夜幕，我也辨别不出东京塔在哪里，现在的夜景倒是似与其他的城市别无二致了。 从左至右：透过舷窗看到日落时的富士山；东京都市圈夜景俯瞰；仁川机场的文化宣传海报 2024年12月15日，杭州至匹兹堡途中 ...

九月发生了两件值得高兴的事情：通过了博士开题答辩，以及进组以来的第一篇论文（综述）见刊了！希望今后再接再厉🎉🎉

长滩的早上通常被浓浓的海雾所笼罩，温度很宜人。穿过downtown街道上隐约的甜腻与骚臭气息，一路向南到海边，再一路往西经过成排的度假酒店和棕榈树，就到了2024 Annual Meeting of the Ecological Society of America的会场。然后在数个不同的会议室之间来回穿梭听报告，直到傍晚再滑着滑板回到旅馆，或者在沿途路边的墨西哥餐车买个torta当晚饭。 这样子听会议的日子重复了接近一个礼拜，笔记本上的潦草记录也飞速增长了好几页。碰到几位课题感兴趣的教授，冲上去提问交流并在会后发了跟进的邮件——属实是没想到身为I人的自己原来也能social至此。会议的规模很大，分会场的主题也很多。我试图在每一个感兴趣的话题上都了解到一些前沿进展，给自己9月份的博士开题积攒些灵感。期间还参观了当地中产社区里的花园农场，走出学术界听了听当地居民在生活中面临着什么食品问题。 最后一天只有上午有活动，而我预定了夜里的飞机，于是下午到海边的景区逛了逛。不得不说风景确实很美，彩色的小屋​​、游艇​​、草坪和灯塔在午后晴朗的天空下明净艳丽。可惜没能​去逛水族馆和观​鲸，希望以后有机会再见吧！​

使用自定义的类别和数据集训练了MMDetection的目标检测模型，需要汇报模型的precision, recall等等各项指标。在MMDetection的官网文档里只找到了生成混淆矩阵的代码，但似乎并不支持直接给出其他常见的评价指标（见Github项目的issue#6212和issue#8791。搜索一番后发现CSDN博客上有人分享了如何通过在tools/analysis_tools/confusion_matrix.py的main()函数末尾添加代码，从而得到precision, recall, F1, AP, AR。然而实际运行后发现其实有bug，并且原理上也有一些问题，所以进行了适当修改。 总体思路是，先从混淆矩阵中计算出每个分类的真阳性样本量FP、假阳性样本量TP、假阴性样本量FN，然后按照公式计算各分类标签的precision和recall。 需要注意的是，precision和recall的长度其实比分类数量多1。这是因为前面生成confusion matrix的时候，在已有分类的后边还加了一个“background”的标签。precision和recall的最后一位其实就是“background”的精确率和召回率，并且总是为零。从混淆矩阵里面也可以看出，background的真阳性比例一定是0%。在计算平均precision和recall的时候，我们不需要考虑这一个额外的分类。 MMDetection官方文档里的normalized confusion matrix，"background"分类的真阳性比例一定是0% 需要在main()函数末尾添加的代码为： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 TP = np.diag(confusion_matrix) FP = np.sum(confusion_matrix, axis=0) - TP FN = np.sum(confusion_matrix, axis=1) - TP precision = TP / (TP + FP) recall = TP / (TP + FN) average_precision = np.mean(precision[:-1]) average_recall = np.mean(recall[:-1]) f1 = 2* (average_precision * average_recall) / (average_precision + average_recall) print('\n===Averaging all classes===') print('AP:', average_precision) print('AR:', average_recall) print('F1:', f1) print('Classes', dataset.metainfo['classes'] + ('background', )) print('Precision', precision) print('Recall', recall) 然后按照官方文档的说明，正常运行代码就可以输出结果了。 1 python tools/analysis_tools/confusion_matrix.py ${CONFIG} ${DETECTION_RESULTS} ${SAVE_DIR} --show 打印内容形如： ...

凭借曾经在E志者学到的功夫，拆开笔记本并添加了一条固态硬盘(SSD)。 ...