第一阶段：R-CNN —— “蛮力穷举的开端”

核心痛点：由于全连接层（FC）需要固定输入，导致必须对图像进行破坏性缩放；且 2000 次 CNN 计算极其冗余。

1. 工作流程与维度变化

1. 输入图像：一张任意大小的图。
   • Dim: $(1,3,H,W)$
2. 生成候选框 (Proposal Generation)：
   • 使用 Selective Search (CPU) 算法。
   • 得到约 2000 个候选框坐标 $(x,y,w,h)$ 。
   • 注：这时候还没进神经网络。
3. 图像变形 (Warping) —— 你的疑问点：
   • 动作：将原图中这 2000 个不同大小的框抠出来，强制缩放成固定大小（如 $227\times 227$ ）。
   • 后果：物体变形，导致特征提取不准。
   • Tensor Dim: 变成了 $(2000,3,227,227)$ 的一堆小图片。
4. 特征提取 (Backbone)：
   • 动作：把这 2000 张图**依次（或 Batch 并行）**送入 CNN。
   • 计算量：跑了 2000 次卷积网络。（极慢的根源）
   • Tensor Dim: 得到 $(2000,4096)$ 的特征向量。
5. 分类与回归：
   • 使用 SVM 分类，使用线性回归器微调坐标。

总结：这一阶段的 BBox 回归和分类是分开的，不是端到端。

第二阶段：Fast R-CNN —— “共享特征的飞跃”

核心改进：引入 RoI Pooling，让 CNN 只跑一次；解决了变形问题。

1. 共享特征提取 (Backbone)

• 动作：整张图进 CNN，一次性得到特征图。
• Tensor Dim: $(1,3,H,W)\stackrel{CNN}{\to }(1,512,H/16,W/16)$ 。
• 关键点：这里包含了全图的上下文信息（Context），虽然最后只看局部，但特征是全局感受野算出来的（回应了你关于“视野”的疑问）。

2. 候选框映射 (RoI Projection)

• 动作：依然用 Selective Search 在原图生成 2000 个框。
• 映射：将坐标除以步长（Stride=16）。
  • $x^{\prime }=x/16$ （这里会有量化误差，即坐标不准）。
• 数据结构: 一个列表 [roi_1, roi_2, ..., roi_2000]。

3. RoI Pooling —— “万能适配器”

• 输入：
  1. 特征图 $(1,512,H/16,W/16)$
  2. 2000 个大小不一、长宽比各异 $(h\ne w)$ 的 RoI。
• 你的疑问： $H\ne W$ 怎么办？
  • 动作：使用自适应网格（Adaptive Grid）。如果 RoI 是 $10\times 5$ ，就按比例划分为 $7\times 7$ 的网格。
• 你的疑问：维度怎么变？是一次次送吗？
  • 动作：逻辑上是串行，实现上是并行。
  • RoI Pooling 层会将 2000 个区域提取并堆叠。
  • Tensor Dim: $(2000,512,7,7)$ 。
  • 注意：这里把 RoI 的数量 $N$ 合并到了 Batch 维度，变成了 $(N,C,H,W)$ 。

4. 分类与回归 (Head)

• 动作：展平 (Flatten) 后送入全连接层。
• Tensor Dim: $(2000,512\times 7\times 7)\stackrel{FC}{\to }(2000,4096)$ 。
• 输出分支：
  1. Cls: $(2000,\text{Num\_Classes}+1)$ —— 概率。
  2. Reg: $(2000,4)$ —— 坐标偏移。
• 你的疑问：回归真值？
  • 训练时，只有和 GT IoU > 0.5 的 RoI 才算回归损失，背景忽略。

第三阶段：Faster R-CNN —— “完全端到端 (End-to-End)”

核心改进：引入 RPN 和 Anchor，彻底抛弃 CPU 上的 Selective Search。

1. 特征提取 (Backbone)

• 同上，得到特征图 $(1,512,H/16,W/16)$ 。

2. RPN (Region Proposal Network) —— “猜框网络”

这是新增的独立分支。

• Anchor 生成：在特征图每个像素点生成 9 个 Anchor（3尺寸 $\times$ 3比例）。
  • 总 Anchor 数 $\approx (H/16)\times (W/16)\times 9\approx 20,000$ 个。
• 正负样本分配 (Label Assignment) —— 你的核心疑问：
  • 计算所有 Anchor 与 GT 的 IoU。
  • 正样本：IoU > 0.7（或者是最大的那个）。
  • 负样本：IoU < 0.3。
  • 忽略：中间态。
• Loss 计算：
  • Cls Loss：正负样本都算（教它认背景）。
  • Reg Loss：只算正样本（如你所悟，只有正样本有回归真值）。
• 生成 Proposal：
  • 网络输出预测偏移量 $\to$ 修正 Anchor $\to$ 得到粗略框。
  • NMS (非极大值抑制)：从 20,000 个框里剔除重叠的，选出前 2000 个。
  • 数据流出: 2000 个 Proposals。

3. RoI Pooling

• 输入：特征图 + 2000 个 Proposals (来自 RPN)。
• 动作：和 Fast R-CNN 一样，统统变成 $7\times 7$ 。
• Tensor Dim: $(2000,512,7,7)$ 。

4. R-CNN Head (最终精修)

• 输入： $(2000,512,7,7)$ 。
• 动作：再次经过 FC 层。
• 目的：
  1. 精细分类：RPN 只知道是“物体”，Head 要知道是“猫”。
  2. 二次回归：在 RPN 粗略调整的基础上，进行像素级微调。

维度与流程总结表 (Cheatsheet)

假设输入图片 $800\times 800$ ，Backbone 是 VGG16 (Stride=16)，Batch Size=1。

优缺点与发展评价

• R-CNN:
  • 优点：把深度学习引入检测，精度大增。
  • 缺点：慢（2000次CNN），缩放导致变形。
• Fast R-CNN:
  • 优点：共享特征图（快），RoI Pooling 解决变形。
  • 缺点：候选框生成（Selective Search）还在 CPU 上，是瓶颈。
• Faster R-CNN:
  • 优点：RPN 替代 CPU 算法，真正端到端，精度高。
  • 缺点：对于小物体（特征图下采样导致消失）效果一般；速度依然无法满足 30FPS 实时性（因为还有两阶段）。

下一步发展（给研究生的指引）：

1. 嫌慢？ $\to$ YOLO / SSD (去掉 RPN 和 RoI Pooling，直接在 Feature Map 上回归)。
2. 嫌小物体不准？ $\to$ FPN (Feature Pyramid Networks) (融合浅层和深层特征)。
3. 嫌 RoI Pooling 使得像素不对齐？ $\to$ Mask R-CNN (RoI Align) (用双线性插值替代取整)。

评价指标

第一层：基本判定单位 —— IoU 与 TP/FP/FN

在分类任务中，预测结果只有“对/错”。但在目标检测中，预测结果是一个框，我们需要一个量化的阈值来判断这个框到底算不算“对”。

这个阈值通常是 IoU (Intersection over Union)。

1. IoU (交并比)

2. 状态定义 (TP, FP, FN)

假设我们设定阈值 IoU Threshold = 0.5。

• TP (True Positive / 真正例)：
  • 预测框与真值框 (GT) 的 $IoU\ge 0.5$ 。
  • 类别分类正确。
  • 注意：对于同一个 GT，只能有一个预测框算 TP。如果模型对同一个物体预测了两个高分框（没被 NMS 滤掉），第一个是 TP，第二个就是 FP（重复检测）。
• FP (False Positive / 假正例)：
  • 预测框与 GT 的 $IoU<0.5$ （位置不准）。
  • 或者是对背景的误检（无中生有）。
  • 或者是重复检测（Duplicate）。
• FN (False Negative / 假负例)：
  • 图片里有一个 GT，但模型没有预测出任何与它 IoU 合格的框。
  • 或者预测出来了，但置信度太低被过滤掉了。
• TN (True Negative / 真负例)：
  • 在目标检测中不讨论 TN。因为图片中“背景”是无限多的，你没把背景框出来是理所当然的，无法计算。

第二层：统计指标 —— Precision (P) 与 Recall ®

有了 TP, FP, FN，我们就能算两个核心指标。

1. Precision (查准率)

含义：“你预测出来的这些框里，有多少是靠谱的？”

2. Recall (查全率)

含义：“所有真实的物体里，你找出来了多少？”

研究生视角的权衡 (Trade-off)：

• 如果你把置信度阈值设为 0.99（只输出最有把握的），Precision 会极高，但 Recall 会极低（漏检）。
• 如果你把置信度阈值设为 0.01（是个框就输出），Recall 会极高，但 Precision 会极低（全是误报）。

第三层：综合评价 —— AP (Average Precision)

为了不依赖某一个特定的置信度阈值，我们需要看模型在“各种置信度下”的综合表现。这就是 AP 的由来。

计算步骤（手推一遍）：

1. 排序：把你模型对某一个类别（比如“猫”）预测出来的所有框（几千个），按置信度从高到低排序。
2. 累积计算：
   • 看第 1 个框：是 TP 吗？更新 P 和 R。
   • 看前 2 个框：更新 P 和 R。
   • …
   • 看前 N 个框：更新 P 和 R。
3. 画图 (PR Curve)：以 Recall 为横轴，Precision 为纵轴，画出一条曲线。
4. 平滑 (Smoothing/Interpolation)：
   • 实际画出来的线是锯齿状的。为了标准化，我们做一个操作：对于每一个 Recall 值 $r$ ，其 Precision 取 $r$ 右侧最大的那个 Precision 值。
   • 公式： $P_{interp}(r)=\underset{r^{\prime }\ge r}{max}P(r^{\prime })$ 。
   • 效果：把锯齿线拉平成单调递减的线。
5. 算面积：这条平滑曲线下的面积，就是 AP。

结论：AP = 1.0 表示完美（既不误报也不漏报）；AP 越低表示效果越差。

第四层：全类平均 —— mAP (mean Average Precision)

上面算的是“猫”的 AP。如果你的数据集有 80 个类别（COCO）：

注：在 COCO 的语境下，通常直接用 AP 代指 mAP。

第五层：两大标准的详细对比 (VOC vs COCO)

这是你写论文时最需要分清的部分。

1. Pascal VOC 标准 (The Old School)

通常指 mAP@0.5。

• 判定标准： $IoU\ge 0.5$ 就算对。
• 计算方法：
  • VOC07：使用 11点插值法。只在 Recall = $[0,0.1,\dots ,1.0]$ 这 11 个点上取 Precision 的平均值。
  • VOC12：使用 全点插值法 (Area under curve)。这就是现代标准的雏形。
• 特点：对定位精度要求不高，属于“入门级”指标。

2. MS COCO 标准 (The Gold Standard)

这是目前的统治级标准。

• 核心指标 (AP)：
  • 它不只算一次。它让 $IoU$ 阈值从 $0.5$ 开始，每隔 $0.05$ 算一次，一直算到 $0.95$ 。
  • $IoU=\{0.50,0.55,0.60,\dots ,0.95\}$ （共 10 个阈值）。
  • 算出 10 个 AP，然后取平均值。
  • $$A{P}_{COCO}=\frac{A{P}_{50}+A{P}_{55}+\cdots +A{P}_{95}}{10}$$
• 含义：它奖励那些定位极准的模型。如果你的框只是勉强框住物体（IoU=0.5），在 AP50 里得分，但在 AP75、AP90 里就不得分了。

3. COCO 的其他细分指标 (尺度敏感)

COCO 非常关注物体的大小，这对于分析模型弱点非常有用。

• $A{P}_S$ (Small)：面积 $<{32}^2$ 像素的物体。
  • 通常这个分很低（比如 20%），是单阶段检测器的噩梦。
• $A{P}_M$ (Medium)： ${32}^2<$ 面积 $<{96}^2$ 。
• $A{P}_L$ (Large)：面积 $>{96}^2$ 。

总结表 (可以直接贴在笔记里)

常见问题解答 (Q&A)

Q: 我的 AP50 很高 (0.9)，但 COCO AP 很低 (0.4)，说明什么？

A: 说明你的模型分类很准，也能找到物体，但是框画得不准（定位误差大）。

• 改进方向：改进回归 Loss（用 CIoU/GIoU），或者增加回归分支的权重，或者提高输入分辨率。

Q: 为什么我的 APS 特别低？

A: 小物体在下采样过程中特征消失了。

• 改进方向：使用 FPN（特征金字塔），使用 Data Augmentation（Mosaic, Mixup），或者减少下采样倍数。

NMS

这是目标检测后处理（Post-processing）中最核心的环节。

如果不做 NMS (Non-Maximum Suppression，非极大值抑制)，你的模型输出结果会像“得了帕金森”一样：对着这一只猫，画出了几十个重叠的红框。

NMS 的作用就是**“杀伐决断”**：在一堆重叠的框里，只留下那个最好的，把剩下的全砍掉。

你提到的**“置信度阈值”和“NMS”其实是串行关系**，它们是检测器输出结果时的两道安检门。

第一道门：置信度阈值过滤 (Confidence Thresholding)

在 NMS 开始之前，我们先要进行第一轮海选。

• 场景：YOLO 或 Faster R-CNN 输出了成千上万个框（比如 20,000 个）。其中 19,900 个都是背景（置信度可能只有 0.001）。
• 动作：“低于这个分数的，直接滚蛋。”
  • 设定一个 conf_thres (比如 0.01 或 0.1)。
  • 所有 score < conf_thres 的框，直接丢弃。
• 目的：清除背景。这一步跟“去重”没关系，纯粹是把那些“根本不像物体”的垃圾框先清理掉，为了给后面的 NMS 减轻计算压力。

第二道门：NMS 算法 (去重)

经过第一道门，剩下的都是“看着像物体”的框了。但问题是，针对同一只猫，模型可能预测了 5 个框，得分分别是 0.9, 0.8, 0.7…

NMS 就是用来解决**“重复检测”**问题的。

1. NMS 的核心逻辑（手推版）

假设我们现在有 3 个框（都过了置信度门槛），按得分从高到低排序：

• A: Score 0.9 (位置最准)
• B: Score 0.8 (和 A 重叠很大)
• C: Score 0.7 (和 A 离得比较远，可能是旁边的一只狗)

设定一个 NMS IoU 阈值（比如 nms_iou_thres = 0.5）。

注意：这个阈值的意思是“如果咱俩重叠度超过 0.5，我就把你当成我的分身砍掉”。

算法流程：

1. 选出老大：取出当前分最高的框 A (0.9)。
   • A 直接晋级，放入“最终保留列表”。
2. 审判小弟：拿着 A，去跟剩下的 B 和 C 逐个比对（算 IoU）。
   • A vs B：算出 $IoU(A,B)=0.8$ 。
     • 判定： $0.8>0.5$ (阈值)。说明 B 和 A 重叠太严重了，B 肯定是 A 的重复预测（冗余）。
     • 结果：砍掉 B！
   • A vs C：算出 $IoU(A,C)=0.1$ 。
     • 判定： $0.1<0.5$ (阈值)。说明 C 虽然分低点，但它离 A 很远，应该是另一个物体（旁边的狗）。
     • 结果：保留 C。
3. 循环：
   • 现在列表里只剩 C 了。
   • C 自动成为这一轮的“老大”。
   • C 晋级，放入“最终保留列表”。
   • C 再去跟它后面的小弟比（如果没有小弟了，循环结束）。

最终输出：保留了 A 和 C。

关键点：两个“阈值”的区别

初学者最容易晕的就是代码里这两个参数，一定要分清：

深度思考：NMS IoU 阈值设高了会怎样？设低了会怎样？

这是研究生答辩或面试常考题。

• 如果 NMS IoU 阈值设得太低 (比如 0.1)：
  • 现象：非常严格的“社交距离”。只要两个框稍微碰一点边（IoU > 0.1），分低的那个就被砍了。
  • 后果：漏检 (Drop in Recall)。
  • 例子：两个人肩并肩站着。因为重叠了一点点，分数低的那个人直接被 NMS 误删了。
• 如果 NMS IoU 阈值设得太高 (比如 0.9)：
  • 现象：非常宽容。只有两个框几乎完全重合时，才删掉一个。
  • 后果：误检/重复 (Drop in Precision)。
  • 例子：对着同一只猫预测了两个框，一个偏左一个偏右，IoU 是 0.8。因为没达到 0.9 的红线，结果两个框都留下了。你的图上会出现重影。

进阶：Soft-NMS (给研究生加餐)

标准的 NMS 有个大缺点：它太暴力了，非黑即白。

比如：两只老虎真的重叠在一起（遮挡），IoU=0.6。

• 标准 NMS (阈值0.5)：直接把分低的那只老虎删了。导致漏检。
• Soft-NMS：我不删你，我只是降低你的得分。
  • 如果和你重叠很大，我就把你原本 0.8 的分降到 0.4。
  • 这样，如果后续还有更严格的阈值筛选，你可能会因为分低被筛掉，但也可能因为分还凑合被留下来。这在密集物体检测（CrowdHuman）中非常有用。

总结

1. 置信度阈值：先用它把背景清理干净。
2. NMS：在剩下的物体框里，用IoU阈值把重复的框清理干净。
3. 结果：输出清爽、干净的最终检测结果。

🎯 目标

将 pnpm 的所有数据（缓存、全局包、硬链接仓库）从系统盘（C 盘）迁移到 E:\Developer\pnpm，以节省 C 盘空间并统一管理开发环境。

第一步：准备工作 📂

1. 打开资源管理器。
2. 手动创建文件夹：E:\Developer\pnpm。

第二步：修改 pnpm 配置 (核心) ⚙️

打开终端（PowerShell 或 CMD），依次执行以下 5 条命令。 注意：必须加上 -g 参数，确保配置写入全局用户文件，否则不生效。

PowerShell

1
2
3
4
5
6
7
8
9
10
11
12
13
14

# 1. 设置包的物理存储位置（最占空间的部分）
pnpm config set store-dir "E:\Developer\pnpm\store" -g

# 2. 设置全局安装包的存储位置
pnpm config set global-dir "E:\Developer\pnpm\global" -g

# 3. 设置全局命令（如 astro, create-react-app）的启动文件位置
pnpm config set global-bin-dir "E:\Developer\pnpm" -g

# 4. 设置状态文件位置
pnpm config set state-dir "E:\Developer\pnpm\state" -g

# 5. 设置缓存位置
pnpm config set cache-dir "E:\Developer\pnpm\cache" -g

第三步：配置 Windows 环境变量 🌐

这一步是为了让系统能找到你在新位置安装的全局工具（比如 astro）。

1. 按 Win + S 搜索 “编辑系统环境变量” 并打开。
2. 点击 “环境变量” 按钮。
3. 在 “用户变量” (User variables) 区域，找到并选中 Path，点击 “编辑”。
4. 执行操作：
   • ❌ 删除旧路径：C:\Users\你的用户名\AppData\Local\pnpm
   • ✅ 新建新路径：E:\Developer\pnpm
5. 连续点击 “确定” 保存退出。

⚠️ 注意：修改环境变量后，必须重启所有已打开的终端/编辑器（如 VSCode、PowerShell），新设置才会生效。

第四步：验证与清理 ✅

1. 验证配置 打开一个新的终端窗口，输入：

PowerShell

1

pnpm config get store-dir

• 正确输出：E:\Developer\pnpm\store
• 错误输出：undefined (说明没加 -g) 或 C:\... (说明没生效)

2. 清理旧文件 (释放空间) 确认配置无误后，可以直接删除以下旧文件夹：

• C:\Users\你的用户名\AppData\Local\pnpm
• C:\Users\你的用户名\.pnpm-store
• E:\.pnpm-store (如果之前配置未生效导致误生成的)

📝 常见问题 (FAQ)

• Q: 为什么 E 盘根目录突然出现了 .pnpm-store？
  • A: 这通常是因为 store-dir 配置未生效（忘了加 -g），或者使用了旧的终端窗口运行命令。pnpm 找不到指定路径，就会默认在同盘根目录创建该文件夹。
• Q: 为什么安装了全局工具（如 npm i -g vercel）后提示找不到命令？
  • A: 检查环境变量 Path 是否正确添加了 E:\Developer\pnpm，并确保重启了终端。

在写技术博客或科研笔记时，经常需要使用数学公式。本文记录如何在 Hexo + Fluid 主题中配置 LaTeX 公式渲染，支持 $...$ 行内公式和 $$...$$ 块级公式。

一、问题背景

1.1 默认渲染器的局限

Hexo 默认使用 hexo-renderer-marked 作为 Markdown 渲染器，但它存在以下问题：

• 不支持 $ 语法：会将 $ 当作普通字符处理
• 符号冲突：_（下划线）会被解析为斜体，破坏公式结构
• 转义问题：\\ 等 LaTeX 转义符可能被错误处理

1.2 Fluid 主题数学公式支持

Fluid 主题内置了 MathJax 和 KaTeX 的支持，但：

• 默认是关闭状态（math.enable: false）
• 需要配合支持数学公式的 Markdown 渲染器使用

二、解决方案

2.1 更换 Markdown 渲染器

卸载默认渲染器，安装 hexo-renderer-markdown-it 及数学公式插件：

1
2
3
4
5

# 卸载默认渲染器
npm uninstall hexo-renderer-marked

# 安装新渲染器和 MathJax 插件
npm install hexo-renderer-markdown-it markdown-it-mathjax3 --save

2.2 配置渲染器

在 Hexo 根目录的 _config.yml 中添加：

1
2
3
4
5
6
7
8
9
10
11
12

# Markdown 渲染器配置 (markdown-it)
markdown:
  preset: 'default'
  render:
    html: true
    xhtmlOut: false
    langPrefix: 'language-'
    breaks: true
    linkify: true
    typographer: true
  plugins:
    - markdown-it-mathjax3

配置项说明：

2.3 开启 Fluid 数学公式功能

在 _config.fluid.yml（主题覆盖配置）中添加：

1
2
3
4
5

post:
  math:
    enable: true      # 开启数学公式
    specific: false   # false=全局生效，true=需在文章front-matter指定
    engine: mathjax   # 渲染引擎：mathjax 或 katex

MathJax vs KaTeX 对比：

2.4 重新生成网站

1

hexo clean && hexo g && hexo s

三、使用方法

3.1 行内公式

使用单个 $ 包围：

1

爱因斯坦质能方程：$E = mc^2$

效果：爱因斯坦质能方程： $E=m{c}^2$

3.2 块级公式

使用双 $$ 包围：

1
2
3

$$
\int_{-\infty}^{\infty} e^{-x^2} dx = \sqrt{\pi}
$$

效果：

3.3 常用公式示例

求和公式：

矩阵：

分段函数：

希腊字母与运算符：

四、按需加载（可选）

如果博客中只有少数文章需要公式，可以启用按需加载以提升性能：

4.1 修改配置

1
2
3
4
5

post:
  math:
    enable: true
    specific: true   # 改为 true
    engine: mathjax

4.2 在文章中启用

在需要公式的文章 Front-matter 中添加：

1
2
3
4

---
title: 我的数学笔记
math: true
---

五、常见问题

Q1: 公式不渲染，显示原始代码

可能原因：

1. 未安装 markdown-it-mathjax3 插件
2. _config.yml 中未配置 plugins
3. Fluid 主题的 math.enable 未开启

解决： 检查上述三个配置是否正确。

Q2: 下划线 _ 导致公式错误

原因： Markdown 将 _ 解析为斜体

解决：

• 使用 \_ 转义
• 或确保使用了 markdown-it-mathjax3 插件（它会正确处理数学环境中的下划线）

Q3: 公式在首页显示，但文章页不显示

原因： 可能是缓存问题

解决：

1

hexo clean && hexo g

Q4: 想用 KaTeX 代替 MathJax

步骤：

1. 安装 KaTeX 插件：npm install @vscode/markdown-it-katex --save
2. 修改 _config.yml 的 plugins
3. 修改 Fluid 配置：engine: katex

六、相关依赖

package.json 参考：

1
2
3
4
5
6

{
  "dependencies": {
    "hexo-renderer-markdown-it": "^x.x.x",
    "markdown-it-mathjax3": "^x.x.x"
  }
}

总结

配置 Hexo + Fluid 支持 LaTeX 公式的核心步骤：

1. 更换渲染器：hexo-renderer-marked → hexo-renderer-markdown-it
2. 安装插件：markdown-it-mathjax3
3. 配置渲染器：在 _config.yml 添加 markdown 配置
4. 开启主题支持：在 _config.fluid.yml 设置 math.enable: true

完成以上配置后，就可以愉快地在博客中使用 $E=mc^2$ 这样的行内公式，以及 $$...$$ 块级公式了！

插件简介

这是一个为 Typora 编辑器开发的插件,用于快速插入 Hexo 博客所需的 YAML Front Matter 模板。在这个佬的插件上vibecoding的。代码小白，若有不合理的地方请多担待。

功能特点

• ✅ 右键菜单快速插入
• ✅ 自动填充当前日期时间
• ✅ 防止重复插入
• ✅ 自动定位光标到标题字段
• ✅ 保持文件原有格式(BOM、换行符等)

安装方法

插件文件已经安装到以下位置:

1. 插件代码: Typora\resources\plugin\custom\plugins\hexoFrontMatter.js
2. 插件配置: Typora\resources\plugin\global\settings\custom_plugin.user.toml

使用方法

1. 重启 Typora

安装插件后,需要重启 Typora 以加载新插件。

2. 使用插件

1. 在 Typora 中打开或新建一个 Markdown 文件
2. 在编辑区域右键点击
3. 在右键菜单中选择 “常用插件” → “二级插件” → “插入 Hexo Front Matter”
4. 插件会自动在文件开头插入模板,并将光标定位到 title: 字段后
5. 直接输入标题,然后按 Tab 或方向键移动到其他字段填写

3. 插入的模板格式

1
2
3
4
5
6
7
8

---
title:
date: 2026-01-27 14:30:00
tags:
  -
categories:
  -
---

• title: 标题字段,需要手动填写
• date: 日期字段,自动填充为插入时的当前时间
• tags: 标签字段,可以添加多个标签
• categories: 分类字段,可以添加多个分类

注意事项

1. 重复插入保护

如果文件已经包含 Front Matter(以 --- 开头),插件会弹出提示:

1

文件已包含 Front Matter,无需重复插入

此时不会执行插入操作,以保护现有内容。

2. 光标定位

• 源代码模式: 插件会自动将光标定位到 title: 字段后,方便直接输入
• 所见即所得模式: 插件会插入模板,但光标定位可能不生效(这是 Typora 的限制)

建议在源代码模式下使用插件以获得最佳体验。

3. 撤销操作

插入操作支持撤销(Ctrl+Z),如果不小心插入了,可以立即撤销。

4. 文件格式保持

插件会自动保持文件的原有格式:

• BOM: 如果文件有 BOM,插件会保留
• 换行符: 插件会使用文件原有的换行符(CRLF 或 LF)

自定义配置

如果需要修改插件配置,可以编辑配置文件:

1

Typora\resources\plugin\global\settings\custom_plugin.user.toml

可配置项

1
2
3
4
5
6
7

[hexoFrontMatter]
name = "插入 Hexo Front Matter"  # 插件名称
enable = true                    # 是否启用
hide = false                     # 是否在菜单中隐藏
order = 1                        # 菜单中的显示顺序
hotkey = ""                      # 快捷键(可选,如 "ctrl+alt+h")
template = """..."""             # 模板内容

自定义模板

可以修改 template 字段来自定义模板内容。模板中可以使用以下占位符:

• {{datetime}} - 会被替换为当前日期时间(格式: YYYY-MM-DD HH:mm:ss)

示例:添加更多字段

1
2
3
4
5
6
7
8
9
10

template = """---
title:
date: {{datetime}}
tags:
  -
categories:
  -
author: 你的名字
description:
---"""

添加快捷键

如果想通过快捷键触发插件,可以设置 hotkey 字段:

1

hotkey = "ctrl+alt+y"

修改后需要重启 Typora 才能生效。让AI给实现了ctrl+alt+y插入

故障排除

1. 插件不显示在菜单中

• 检查配置文件中 enable = true
• 检查配置文件中 hide = false
• 重启 Typora

2. 插入后格式不正确

• 检查配置文件中的 template 字段
• 确保模板格式正确(YAML 语法)
• 注意缩进使用空格而非 Tab

3. 光标定位不生效

• 切换到源代码模式(Ctrl+/)
• 在源代码模式下使用插件

4. 日期格式不正确

• 日期格式固定为 YYYY-MM-DD HH:mm:ss
• 如需修改格式,需要修改插件代码中的 dateTimeFormat 调用

插件版本: 1.0.0
开发者: 哈雷酱 (傲娇大小姐工程师)
开发日期: 2026-01-27
兼容性: Typora 0.9.98+

FRBNet

上图是FRBNet中的指标

下面我跑出来的测试指标，比论文图降低了0.2个百分点

yolov3-只开源了yolov3代码，tood怕补充错，不补充

YOLA

Exdark-iou_thr:0.5

TOOD

yolov3

降点（得靠大batchsize来增点，点数也没之前高，离谱，之前不知道改啥了）

DarkFace-iou_thr:0.5

TOOD（逆天成绩，之前没跑出来过，莫名其妙）

yolov3

OURS

Exdark-iou_thr:0.5

TOOD

yolov3

DarkFace-iou_thr:0.5

TOOD

yolov3

Ablation

TOOD

yola_hfe_exdark_ablation1_reflected_only

work_dirs/yola_hfe_exdark_ablation2_plus_frequency

yola_hfe_exdark_ablation3_plus_wavelet

yola_hfe_exdark_ablation4_three_branches_no_attn

yola_hfe_exdark_ablation5_reflected_with_attn

新思路

路由融合

只使用yola原始的卷积融合融合多分支特征不能很好的根据样本做出分支特征的取舍，因此加入MoE的路由机制

使用mlp路由

把两个分支的特征分别池化降采样然后展平成48维输入给mlp，输出为二维向量，分别对应分支权重，下面是yolov3的表现，和yola比降低了0.1个百分点

卷积做空间上的路由

上面感觉 $B\ast 24\ast 608\ast 608$ 到 $B\ast 48$ 作为路由输入信息损失太多，想着用卷积做 $B\ast branchnums\ast 608\ast 608$ 的路由，而且感觉只利用分支的特征信息做路由感觉不够有依据，按道理还要看原材料是怎么样的然后决定选择什么特征，因此就融入了 $RGB:B\ast 24\ast 608\ast 608$ 的特征作为路由输入。

1
2
3
4
5
6
7
8
9

# 3x3 卷积生成空间权重图
# 输入: (B, 48/72, H, W) → 输出: (B, 2, H, W)
self.router_conv = nn.Conv2d(
    actual_in_channels,
    num_experts,
    kernel_size=kernel_size,
    padding=padding,
    bias=True
)

还是降点了，不多

作为一个刚入门的小白，我在搭建 Hexo 博客的过程中踩了不少坑。这篇文章总结了我的学习经验，希望能帮助到同样是新手的你！

一、Hexo 是什么？

Hexo 是一个快速、简洁且高效的静态博客框架。它使用 Markdown 解析文章，能在几秒内生成静态网页。

核心特点：

• 超快速度：Node.js 驱动，生成速度极快
• 支持 Markdown：专注写作，格式简洁
• 一键部署：轻松部署到 GitHub Pages
• 丰富的主题和插件生态

二、核心概念

2.1 目录结构

1
2
3
4
5
6
7
8
9
10
11
12

你的博客项目/
├── _config.yml          # 站点配置文件
├── _config.fluid.yml    # 主题覆盖配置（推荐）
├── package.json         # Node.js 依赖
├── source/              # 源文件目录
│   ├── _posts/          # 文章存放处
│   ├── _drafts/         # 草稿（不会发布）
│   ├── about/           # 关于页面（需手动创建）
│   └── images/          # 图片资源
├── themes/              # 主题目录
├── public/              # 生成的静态文件
└── node_modules/        # 依赖包

2.2 两个配置文件的区别

为什么推荐用 _config.fluid.yml？

因为它不会被主题更新覆盖！直接修改 themes/fluid/_config.yml 的话，更新主题时你的配置就丢了。

2.3 页面类型

三、常用命令

3.1 基础命令

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# 创建新文章
hexo new "文章标题"
# 简写
hexo n "文章标题"

# 创建新页面（如关于页）
hexo new page about

# 生成静态文件
hexo generate
# 简写
hexo g

# 启动本地服务器预览
hexo server
# 简写
hexo s
# 指定端口
hexo s -p 4001

# 清除缓存和已生成的文件
hexo clean
# 简写
hexo cl

# 部署到远程服务器
hexo deploy
# 简写
hexo d

3.2 常用组合

1
2
3
4
5
6
7
8

# 本地预览（清理 → 生成 → 启动服务）
hexo cl && hexo g && hexo s

# 部署上线（清理 → 生成 → 部署）
hexo cl && hexo g && hexo d

# 生成并部署
hexo g -d

四、写文章

4.1 创建文章

1

hexo new "我的第一篇文章"

这会在 source/_posts/ 下创建 我的第一篇文章.md 文件。

4.2 文章格式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

---
title: 文章标题
date: 2026-01-26 12:00:00
tags:
  - 标签1
  - 标签2
categories:
  - 分类名
---

这里是文章摘要，会显示在首页。

<!-- more -->

这里是正文内容，点击"阅读更多"才能看到。

## 二级标题

正文内容...

### 三级标题

更多内容...

4.3 Front-matter 说明

文章开头 --- 之间的部分叫 Front-matter，常用字段：

五、部署到 GitHub Pages

5.1 前置准备

1. 注册 GitHub 账号
2. 创建仓库，命名为 你的用户名.github.io
3. 配置 SSH Key（用于免密推送）

5.2 安装部署插件

1

npm install hexo-deployer-git --save

5.3 配置部署信息

编辑 _config.yml：

1
2
3
4

deploy:
  type: git
  repo: git@github.com:你的用户名/你的用户名.github.io.git
  branch: master  # 或 main，取决于你的仓库设置

5.4 部署

1

hexo cl && hexo g && hexo d

等待 1-3 分钟后访问 https://你的用户名.github.io/

六、常见问题

Q1: Cannot GET /about/

原因： 没有创建 about 页面

解决：

1

hexo new page about

Q2: 端口被占用

错误信息： FATAL Port 4000 has been used

解决： 换个端口

1

hexo s -p 4001

Q3: 部署后网站没更新

可能原因：

1. GitHub Pages 需要几分钟生效
2. 浏览器缓存

解决：

• 等待 1-3 分钟
• 用无痕模式访问
• Ctrl + Shift + R 强制刷新

Q4: 图片不显示

解决： 安装图片插件

1

npm install hexo-asset-image --save

七、更新博客流程

记住这个简单的流程：

1
2
3
4
5

1. 写文章/改内容
      ↓
2. hexo cl && hexo g && hexo s  （本地预览）
      ↓
3. hexo d  （部署上线）

或者一条命令：

1

hexo cl && hexo g && hexo d

八、推荐插件

总结

Hexo 的核心就三件事：

1. 写内容 → source/ 目录下写 Markdown
2. 生成页面 → hexo generate 把 md 变成 html
3. 部署上线 → hexo deploy 推送到 GitHub

掌握这些基础，你就可以愉快地写博客了！更多高级功能可以慢慢探索。