前言：你喜欢的番剧更新了。是你喜欢的字幕组的高清资源。里面没有放肆的圣光和暗牧。尽管它也许没在国内放送。你可以在任何设备上观看它，并且可以无缝切换。电视，手机，iPad，电脑都没有问题。它很快。

这将是本篇介绍的全自动全平台订阅追番系统。

出于各种原因，有许多番剧在B站并找不到。即使开了大会员，从国外驾梯回国，还是无法看到一些喜欢的内容。但同时，各大动漫种子站却提供了几乎无所不包的资源，其中包括新番。但依靠种子追番最常见的问题就是难以track，经常会忘记更新，而且每次都需要经过一个搜索-下载种子-下载-整理-观看的过程，确实还是很劝退的。如何搭建一个易于配置、足够简单、全自动化抓取、下载、串流的追番系统，便成为了一个追番人的核心需求。

TL;DR

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# Add submodule
git submodule add

# Clone a project with submodules
git clone --recursive

# Update when submodeule remote repo changed
git submodule update --remote

# When cloned without recursive
git submodule init
git submodule update

# Push submodule change to its remote origin master
cd <submodule_name>
git add -A .
git commit -m "xxx"
git checkout <detached branch name/number>
git merge master
git push -u origin master

Equipment

FLIR Blackfly S RGB Camera

1. Spectral Range:

   • Blue: 460 nm
   • Green: 530 nm
   • Red: 625 nm

2. Resolution: 720 × 540

3. FPS: 522

构图法+出镜比例+人物动态=好的构图

常见单人构图

对称构图

主要包含：左右对称，对角线对称

相对比较中规中矩，但是同样的，限制会比较大，也需要更多细节上的不对称来中和构图上的对称。这些不对称元素往往来自于：人物动态、道具、背景元素。

日系画风与现实的区别

• 真实的“三庭五眼”：
  • 三庭：d(发际线, 眉骨) = d(眉骨, 鼻底) = d(鼻底, 下巴)
  • 五眼：眼宽=眼间距=眼睛到面部轮廓的距离
• 眼睛的长度相对真实比例更长的，并不符合三庭五眼中的五眼比例。而是眼睛宽度和眼间距大体相同且较长，而眼睛两边到脸部轮廓的距离更短。

Cascade

相当于Progressive Optimization，每个阶段都会输出一个和最终结果形状相同的Matrix，如目标分布的图像、BBox等，然后下一个block的作用则是输入这个Matrix和前面提取的Features，输出Refined后的Matrix，该步骤不断重复。核心是逐步优化。

IoU, AP, mAP, mAP@0.5, mAP@[0.5: 0.95], Average mAP

TL;DR

1. IoU：两个框框重叠部分面积/两个框框合并后的总面积​
2. AP：绘制Recall-Precision图，经过平滑后曲线的下面全面积。这个图的绘制方法是：按照每个预测结果的Confidence从上往下排列，先只取一个画出图上左上角第一个点，然后是只取前两个，直到取完。
3. mAP：AP是针对某一个类的，而mAP是把各个类的AP做一个平均。
4. mAP@0.5：当IoU阈值为0.5时的mAP。
5. mAP@[0.5:0.95]：COCO要求IoU阈值在[0.5, 0.95]区间内每隔0.05取一次，这样就可以计算出10个类似于PASCAL的mAP，然后这10个还要再做平均。

Resnet

如何应对不同尺寸输入

在网络最后添加一个AdaptiveAvgPool2d(output_size)函数，它的作用是无论输入图片形状如何，最终都会转换为给定输出尺寸。而Resnet中，这个output_size被设置为了(1,1)，即无论输入的图片尺寸为多少，只要其大小足以扛得住网络前面的一系列pooling layers，到最后的输出尺寸大于等于(1,1)，其每个Channel就会被这一层压缩成一个点，即最后只会得到一个与Channel数目相等的向量。这个向量被送到了FC层。

Attention的本质可以看做加权求和。

Attention 的 N 种类型

Attention 有很多种不同的类型：Soft Attention、Hard Attention、静态 Attention、动态 Attention、Self Attention 等等。上图为各种Attention的分类，下面是这些不同的 Attention 的解释。

由于这篇文章《Attention 用于 NLP 的一些小结》已经总结的很好的，下面就直接引用了：

本节从计算区域、所用信息、结构层次和模型等方面对 Attention 的形式进行归类。

论文

[Paper] [Code] [20XX]

自动勾线-线稿

1. Learning to Simplify: Fully Convolutional Networks for Rough Sketch Cleanup [Paper] [Code] [Blog] [2015]

   • 早稻田大学15年经典论文。

   • 粗糙手稿映射到精描线稿。

   • 使用的是自建数据集，给定精致线稿让画师去照着描粗稿，这样避免了从线稿描到精稿时候添加和大改了很多线条。数据集没有开源…不过似乎作者给了训练好的权重。