[{"content":"敢问路在何方？ 2024年9月29日，窗外乌云密布，而我和女友在屋内一起颤抖着点下了\u0026quot;接受录取\u0026quot;。\n点完录取后，我发了朋友圈。收获了亲戚的祝福、收获了老师的肯定、收获了考研人的羡慕、收获了多年没联系过的同学的震惊和祝福。原来这就是三年拼命换来的句号？\n但随之而来的是一种莫名的空虚感。朋友圈里写着“上岸只是一个新的开始”，可是「新的开始」究竟是什么呢？「新起点」该往哪走呢？这个问题让我在凌晨四点翻完了整个招聘网站。我，找不到答案。\n行万里路 既然想不明白，干脆拖着行李箱上路。从去年到现在，去了杭州、九寨沟、昆明、西双版纳\u0026hellip;\n在重庆洪崖洞看千厮门大桥亮灯的瞬间，晚风正扶起女友的短发；在杭州西湖的游船上，看阳光在湖面碎成万点金箔；在九寨沟的栈道上，看深蓝海子倒映着满山的积雪；\n最难忘的还是西双版纳的天气，1月的我居然穿上了短袖出门，还有各种热带水果。\n停滞的齿轮 但从去年9月到现在，我发现个人成长的脚步开始放缓了。毫不夸张的说，从去年到现在的这段时间，可以认为我几乎没有什么进步，做的很多都是一些重复性的没有价值的工作。\n除了完成学校的杂事，还有帮着研究生导师做一些任务外，游戏、抖音、小红书、B站的短视频，塞满了我的每一个空闲时间。早晨睁眼先摸手机，抖音刷到手机没电才起床；深夜躺着床上看小红书，直到眼皮打架。\n那个曾经每天学10h+、在实验室通宵调参数的我，此刻正蜷缩在昏暗的寝室里，像一株正在腐烂的植物。我停止思考了，或者说我不太愿意思考了。我更习惯于从这些及时的娱乐中和这个世界建立连接。对很多事情都提不起兴趣，也不知道意义所在，好像就只是活着。\n更可笑的是，没有人懂这种焦虑和痛苦。父母觉得我\u0026quot;不知足\u0026quot;，考研的同学说我\u0026quot;凡尔赛\u0026quot;。我原本以为因为压力带来的焦虑是最让人难受的，可是这种毫无目的的迷茫和难以自洽的焦虑反而更加让我痛苦。\n迷茫中的自我拯救 当我意思到自己正在亲手埋葬那个拼命三年的少年。我开始卸载手机上的小红书、抖音、B站，改用第三方客户端或是直接不用，以此来强迫自己少刷手机。然后购入了自己人生中的第一台相机\u0026ndash;NiKon Z 30。我开始尝试通过摄影的方式来让自己多走出门去看这个世界，换一种方式和这个世界建立健康的连接。\n我拍到了互相搀扶着过马路的老夫妻，春日里趴在樱花树上的张望的猫咪，还有在暖阳下发着光的绿叶。\n当取景框以1/4000 s定格春天时，至少这一时刻我觉得是有意义的。\n重新出发 最近开始参与组里的新项目，毕业项目也终于在探索下真正确定了题目和方向。放松了这么久，也许是时候让自己回归到一个有秩序的生活上去了。学Rust，学自己感兴趣的技术栈（Web3、量化、搜索引擎\u0026hellip;），学习摄影。\n不再去盲目追求“他人定义的成功”，不再去计较一时的得失，不沉迷与网络上的情绪信息，或许我会过得更加快乐一些。\n","date":"2025-04-02T19:46:52+08:00","image":"https://3992f65c.kelf-blog.pages.dev/post/3%E6%9C%88%E6%80%BB%E7%BB%93/%E6%98%A5%E5%A4%A9_hu_7832ed83423b3e28.jpg","permalink":"https://3992f65c.kelf-blog.pages.dev/post/3%E6%9C%88%E6%80%BB%E7%BB%93/","title":"24年9月-25年3月复盘|我到底在做什么？"},{"content":"为什么重新弄了一个博客？ 很早之前有弄过博客，但是那个时候是随便配置的，博客的仓库也没有设置，导致当时写的一些帖子的原文件弄掉了。\n所以现在重新开了一个仓库来重新开始。\n迁移到 Hugo 之前的博客是用的Hexo来配置的，既然现在重新开始，干脆迁移到hugo。主题使用的是 Stack，一个比较整洁的主题。\n","date":"2025-02-28T15:36:07+08:00","image":"https://3992f65c.kelf-blog.pages.dev/post/new_start/image_hu_5a06c8956cd80582.png","permalink":"https://3992f65c.kelf-blog.pages.dev/post/new_start/","title":"新的开始"},{"content":"起因 在 IML 领域中，通常使用 F1 来对模型的 Pixel-level (Location) 性能进行评估。\nHIFI_IFDL项目中，有一个issue讨论了F1 score的选择问题：\n提出者认为，当使用average = \u0026lsquo;macro\u0026rsquo;时，F1 score会比使用average = \u0026lsquo;binary\u0026rsquo;时更高。\nWhen you use \u0026ldquo;average = \u0026lsquo;macro\u0026rsquo;\u0026rdquo;, will the F1 score be inflated higher than normal (average = \u0026lsquo;binary\u0026rsquo;)?\n在IMDLBenco项目中也针对这个问题做了一个实验，表明使用average = \u0026lsquo;macro\u0026rsquo;时，F1 score确实会比使用average = \u0026lsquo;binary\u0026rsquo;时更高。\n数学分析 那么从数学上如何解释这个现象呢？首先要知道 F1 score 和 Macro-F1 score 的定义。\nF1 Score\nF1 score是针对二分类问题提出的评价指标，是precision和recall的调和平均数，定义如下：\n$$ F1 = \\frac{2 \\times Precision \\times Recall}{Precision + Recall} $$\n其中，precision和recall的定义如下：\n$$ Precision = \\frac{TP}{TP + FP} $$\n$$ Recall = \\frac{TP}{TP + FN} $$\n在IMDL中，正样本是伪造区域（前景），负样本是真实区域（背景）。\nMacro-F1 Score Macro-F1 score是对每个类别的F1 score取平均值，定义如下：\n$$ Macro-F1 = \\frac{1}{N} \\sum_{i=1}^{N} F1_i $$\n为什么在IML中Macro-F1 Score会比F1 Score高？ 由于IML是一个二分类问题，所以N=2，Macro-F1 score的定义如下：\n$$ Macro-F1 = \\frac{F1_{positive} + F1_{negative}}{2} $$\n首先计算 $F1_{positive}$ 和 $F1_{negative}$ ：\n$$ \\begin{align*} F1_{positive} \u0026amp; = \\frac{2 \\times Precision_{positive} \\times Recall_{positive}}{Precision_{positive} + Recall_{positive}} \\\\ \u0026amp; = \\frac{2TN}{2TN + FN + FP} \\end{align*} $$\n$$ \\begin{align*} F1_{negative} \u0026amp; = \\frac{2 \\times Precision_{negative} \\times Recall_{negative}}{Precision_{negative} + Recall_{negative}} \\\\ \u0026amp; = \\frac{2TP}{2TP + FP + FN} \\end{align*} $$\n所以，Macro-F1 score的计算公式如下：\n$$ \\begin{align*} Macro-F1 \u0026amp;= \\frac{F1_{positive} + F1_{negative}}{2} \\\\ \u0026amp; = \\frac{\\frac{2TN}{2TN + FN + FP} + \\frac{2TP}{2TP + FP + FN}}{2} \\\\ \u0026amp; = \\frac{TP}{2TP + FP + FN} + \\frac{TN}{2TN + FN + FP} \\end{align*} $$\n要比较Macro-F1和F1的大小，可以将Macro-F1和F1相减：\n$$ \\begin{align*} Macro-F1 - F1 \u0026amp;= \\frac{TP}{2TP + FP + FN} + \\frac{TN}{2TN + FN + FP} - \\frac{2TP}{2TP + FP + FN} \\\\ \u0026amp; = \\frac{TN}{2TN + FN + FP} - \\frac{TP}{2TP + FP + FN} \\\\ \\end{align*} $$\n让两个分数都分子分母同时处以分子，得到：\n$$ \\begin{align*} Macro-F1 - F1 \u0026amp; = \\frac{1}{2+\\frac{FP+FN}{TN}}-\\frac{1}{2+\\frac{FN+FP}{TP}} \\end{align*} $$\n由于FP和FN都是正数，所以$\\frac{FP+FN}{TN} \u0026gt; 0$，$\\frac{FN+FP}{TP} \u0026gt; 0$，所以只需要看TP和TN的大小关系。\n由于在IML领域中，通常背景的面积是大于伪造区域的面积的，一般模型也可以很容易检测出背景，所以通常情况下有$TP \u0026gt; TN$，所以有：\n$$ \\begin{align*} Macro-F1 - F1 \u0026amp; = \\frac{1}{2+\\frac{FP+FN}{TN}}-\\frac{1}{2+\\frac{FN+FP}{TP}} \u0026gt; 0 \\end{align*} $$\n即Macro-F1 score会比F1 score高。\nIML任务中应该使用哪个？ 知道了MacroF1会比F1高，那么在IML领域中，我们应该使用哪个呢？\n在IML领域中，背景像素与伪造区域像素的数量并不平衡，背景像素点是大于伪造区域像素点的，一个模型在一定范围内模型倾向于多检测出背景像素点可以使得Macro-F1 score有一定的提升，但是从实际效果上来说模型更难完整的检测出伪造区域，所以在IML领域中，我们应该使用F1 score来评估模型的性能。\n另外，许多IML的Paper中也使用F1 score来评估模型的性能，为了评价指标的一致性，我们也应该使用F1 score来评估模型的性能。\n结论 在IML领域中，当使用average = \u0026lsquo;macro\u0026rsquo;时，F1 score会比使用average = \u0026lsquo;binary\u0026rsquo;时更高，这是因为Macro-F1 score会综合考虑背景区域的点和伪造区域的点是否被正确分类，而F1 score只考虑伪造区域的点是否被正确分类。但是在IML领域中由于背景区域的面积通常大于伪造区域的面积且模型更容易检测出背景区域，相当于给背景分类任务增加了权重，所以Macro-F1 score会比F1 score高。\n在IML领域中背景像素与伪造区域像素的数量并不平衡，在IML领域中，我们应该使用F1 score来评估模型的性能。同时，为了指标的一致性，我们也应该使用F1 score来评估模型的性能。\n","date":"2024-08-17T16:20:52+08:00","image":"https://3992f65c.kelf-blog.pages.dev/post/%E5%9B%BE%E5%83%8F%E7%AF%A1%E6%94%B9%E6%A3%80%E6%B5%8B%E6%80%A7%E8%83%BD%E6%8C%87%E6%A0%87%E8%99%9A%E9%AB%98/image2_hu_98405c2cbe47a9d5.png","permalink":"https://3992f65c.kelf-blog.pages.dev/post/%E5%9B%BE%E5%83%8F%E7%AF%A1%E6%94%B9%E6%A3%80%E6%B5%8B%E6%80%A7%E8%83%BD%E6%8C%87%E6%A0%87%E8%99%9A%E9%AB%98/","title":"图像篡改检测性能指标虚高"}]