人工智能，每日面试题：
关于线性回归的描述,以下正确的有:**
A.基本假设包括随机干扰项是均值为0,方差为1的标准正态分布
B.基本假设包括随机干扰下是均值为0的同方差正态分布
C.在违背基本假设时,普通最小二乘法估计量不再是最佳线性无偏估计量
D.在违背基本假设时,模型不再可以估计
E.可以用DW检验残差是否存在序列相关性
F.多重共线性会使得参数估计值方差减小
答案：见文章底部
下载完整原文，公众号回复：1912.02424
论文地址：http://arxiv.org/pdf/1912.02424v3.pdf 代码：https://github.com/sfzhang15/atss 来源：CBSR, NLPR, CASIA 论文名称：Bridging the Gap Between Anchor-based and Anchor-free Detection viaAdaptive Training Sample Selection 原文作者：Shifeng Zhang
近年来，anchor-based检测器一直是目标检测应用中的主流。由于FPN和Focal Loss的引入，近几年来anchor-free检测器成为人们的关注热点。本文首先指出anchor-based检测与anchor-free检测的本质区别是在于如何定义正训练样本和负训练样本，从而导致两者之间的性能差距。如果他们在训练中对正样本和负样本的定义是相同的，那么无论从一个anchor还是一个point回归，最终的表现都没有明显的差异。由此可见，如何选取正、负训练样本对当前目标检测是非常重要的。然后，本文提出了一种自适应训练样本选择(ATSS)，它能根据目标的统计特征自动选择正样本和负样本。它显著地提高了anchor-based和anchor-free检测器的性能，并弥补了两者之间的差距。最后，文中讨论了在图像上每个位置平铺多个anchor点来检测目标的必要性。在COCO数据集上进行的大量实验，验证了上述的分析和结论。通过新引入的ATSS，我们在不引入任何开销的情况下，将最先进的检测器大大提高到50.7%的AP。
下面是论文具体框架结构以及实验结果：
每日面试题，答案：
号主答案：ACEF
点击右下角“在看”给出你的答案：
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
