金字塔

代码如下： 1 #Python金字塔练习 2 """ 3 最大层数：max_level 4 当前层数：current_level 5 6 金字塔正序时： 7 每层的空格=最大层数-当前层数 8 每层的星星数=2*当前层数-1 9 10 金字塔倒序时： 11 每层的空格=当前层数-1 12 每层的星星数=2*(最大层数-当前层数)+1 13 14 """ 15 #金字塔正序 16 max_level = int(input('请输入金字塔的层数：')) 17 for current_level in range(1, max_level+1): 18 for i in range(max_level-current_level): 19 print(' ', end='') 20 for j in range(2*current_level-1): 21 print('*', end='') 22 print() 23 for k in range(2*current_level-1): 24 print('-', end='') 25 print('\v') 26 27 #金字塔倒序 28 for current_level in range(1,max_level+1): 29 for i in range(current_level-1): 30 print(' ', end=

FPN 论文：Feature Pyramid Networks for Object Detection 发表时间：2017 发表作者：(Facebook AI Research)Tsung-Yi Lin, Piotr Dollar, Ross Girshick, Kaiming He, Bharath Hariharan, and Serge Belongie 发表刊物/会议：CVPR 论文链接： 论文链接 论文代码： 点击此处 Feature Pyramid Networks (FPN) 是比较早提出利用 多尺度特征 和 Top-Down 结构 做目标检测的网络结构之一，虽然论文中整个网络是基于 Faster R-CNN 检测算法构建，但其整体思想可以广泛适用于目前常见的大部分目标检测算法甚至分类等的其他任务中。 整体来讲， FPN 解决的问题如下：只用网络高层特征去做检测，虽然语义信息比较丰富，但是经过层层pooling等操作，特征丢失太多细节信息，对于小目标检测这些信息往往是比较重要的。所以，作者想要将语义信息充分的高层特征映射回分辨率较大、细节信息充分的底层特征，将二者以合适的方式融合来提升小目标的检测效果。 特征金字塔 FPN算法为了解决多尺度检测的问题，引入了特征金字塔网络。FPN的结构设计了top-down结构和横向连接

# include <stdio.h> # include <stdlib.h> int main ( ) { int i , j ; for ( i = 1 ; i <= 9 ; i ++ ) { for ( j = 1 ; j < 20 - 2 * i ; j ++ ) printf ( " " ) ; { for ( j = 1 ; j <= i ; j ++ ) printf ( "%d " , j ) ; { for ( j = i - 1 ; j >= 1 ; j -- ) printf ( "%d " , j ) ; } } printf ( "\n" ) ; } system ( "pause" ) ; } 来源： CSDN 作者： Nabandon 链接： https://blog.csdn.net/Nabandon/article/details/103235921