今天(10/31)给各位分享2017年昆西杜比在哪里的知识，其中也会对2017年昆西杜比在哪里进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
问题一、昆西杜比现在在哪了?
受伤了后会美国疗伤去了
问题二、2017 年最令你震惊、悚然的数据是什么？
2017年，全球数字广告支出有84%都花在Google和Facebook上，且美国数字广告市场的增长几乎全来自这两家公司。
这组数据可能对不同人有不同含义，但发出最直接的信号就是新闻媒体很难生存下去了。（“新闻媒体”指的是需要在全国、全世界雇佣记者的原创新闻机构。）
互联网普及之前，新闻媒体一直是依赖广告收入生存的，且它们垄断当地的广告市场——印刷机起初非常昂贵，行业壁垒和规模效应决定了一个地区、一个受众群只有一家媒体。广告和新闻报道没有任何本质联系，只是当时的这种商业模式恰好把它们俩绑在了一起。
互联网的普及，以及搜索（Google）和社交（Facebook）两大平台的崛起，彻底改变了广告市场。整体来看，经济效用（efficiency）比印刷广告时代高多了，因为广告主现在可以精准定位受众，广告转化效果也可以量化。但对于依赖广告收入的新闻媒体来说，打击是毁灭性的。
以新闻行业的龙头纽约时报公司为例，其2016年的广告收入是2010年的一半不到*。
单位：百万美元2010年，Facebook广告收入是纽约时报公司的1.4倍。2016年，这个比例是46倍*。
单位：百万美元广告之外的商业模式——为什么用户付费行不通？无法依赖广告收入以后，新闻媒体尝试过各种方法让用户付费。除了让用户付月费、年费，还尝试过iTunes模式（单篇浏览付费）、Spotify模式（媒体组成一个联盟，用户每月付费浏览联盟所有成员的内容）。这些模式无一成功，根本原因我认为有两个。
首先，也是最重要的，就是信息不受版权保护。
iTunes和Spotify之所以能成功，是因为音乐收到版权保护——你想听TaylorSwift只能买她的歌。《纽约时报》或者《华尔街日报》的独家内容，其实吸引力真的好比新闻界的TaylorSwift（你看到“希拉里因使用私人邮箱办公被查”，或者“安吉丽娜朱莉等十多位女星指控好莱坞大佬性侵”这种新闻的时候，能不点进去看吗？）。但新闻和音乐不同的地方就在于，其他媒体用自己的话总结概括《纽约时报》的独家内容是完全合法的。
以“好莱坞大佬性侵”这条新闻为例，《纽约时报》的几位记者花了几个月调查，生产成本至少几十万美金。但其他媒体在《纽约时报》发布后几分钟就会发一个概括总结，完全合法、成本几乎为零。《BusinessInsider》和《赫芬顿邮报》就是这种媒体，雇佣“写手”而不是“记者”，每人每天产出几十篇文章。这种非原创内容虽然不如原创的详实，但新闻点全都能涵盖。一旦《纽约时报》把所有文章收费，这种免费的替代品就非常有吸引力。反观音乐市场，TaylorSwift收费以后，消费者找不到TaylorSwift的免费替代品，所以他们愿意付费。
在版权保护完善的国家尚且如此，我不知道原创新闻媒体怎样在普遍“洗稿”或者直接搬运的国家盈利。
第二，新闻媒体错误估计了人们愿意为新闻付费的意愿。
新闻媒体的信息有两方面价值：1）真实性、准确性；2）速度。
在媒体人的想象中，每位社会公民早上起来第一件事就是刷新《华盛顿邮报》，看这个世界又发生了哪些事，自己又能为其做什么。但事实上，人们消费信息只是为了1）和朋友有话题谈，2）给无聊的生活来点刺激，或许还有3）给自己一种关心世界的感觉。所以信息的真实性、准确性和速度，对绝大多数消费者来说根本不重要。
拿“英国脱欧”这条新闻来说，对于一个普通人，早一小时知道和晚一个小时没区别，在《金融时报》网站看到和在“X国报姐”头条号上看到没有区别，甚至错误地以为英国没有脱欧其实都没什么关系，因为“英国脱欧”和“明星出轨”本质上是同一种东西，都是刺激大脑的新鲜故事而已。
实证研究方面，有非常多的政治学家、传播学家做过实验，发现读者不能有效辨别提供信息的媒体，不熟悉各类媒体产出新闻的方式，也不会对《纽约时报》、《华尔街日报》的内容格外信任（相比于朋友圈或者其他在非传统媒体上看到的信息）。
《纽约时报》等新闻媒体近几年很喜欢强调它们的读者订阅在不断增长，但事实上，读者付费带来的收入增长仅仅勉强抵消广告收入的下降。一个面向社会大众的新闻媒体，很难依靠读者付费生存下去，更别说盈利。
单位：百万美元怎么的信息媒体可以依靠读者付费呢？答案很简单。愿意为信息付费的人，要么愿意为真实性、准确性和速度买单，要么能从信息身上得到什么其他价值。我大致把服务这些人的信息媒体分为几类：
信息能帮人赚到钱——对金融行业从业者来说，只有信息准确、真实、尽早传达，他们才能赚到钱，所以彭博、《华尔街日报》、《金融时报》可以收取高额订阅费，国内的《财新》2017年也开始收费信息代表身份象征——对于美国很多受过高等教育的中产阶级来说，读《纽约客》杂志是身份象征，所以《纽约客》可以（勉强）依靠读者付费生存下去。一条很有意思的新闻就是《纽约客》的布包（街上免费送的那种）卖到缺货。英国的《经济学人》也可以划在这一类里信息没有免费替代品——行业刊物、行业分析（而不只是信息）可以依靠读者付费生存下去，因为1）读者在意信息的准确性，2）这类信息没有免费替代品信息只是幌子，人脉才是商品——商业刊物、行业刊物可能免费阅读，但它们举办活动要付高额费用才能参加。像《大西洋月刊》、很多科技媒体走的都是这条路记者消失、新闻行业衰败是世界性问题，因为商业模式坍塌知乎这个问题下面的另一个回答提到中国几乎没有调查记者了。其实这不是个中国的问题，也不是个调查记者的问题，而是整个新闻行业的问题。美国记者行业协会2015年以后就不统计记者人数了，但根据当时统计的数字估算，现在记者的数量是2000年的一半。
全世界的新闻媒体上个世纪都恰好碰上了一个可行的商业模式，但本世纪被互联网瓦解了。所以要想让新闻媒体生存下去，不应该纠结于中国或者某个国家特殊的环境，不应该纠结于付费模式是按篇付费还是按月付费，而应该重新思考新闻媒体的本质，然后重新找寻商业（或者说生存）模式。
新闻行业的出路我认为目前关于新闻媒体“商业模式”的讨论都走错了方向，因为新闻媒体本质不是商业机构而是公益机构，未来的运行模式应该参考其他公益组织而不是“内容行业”里的商业公司。
世界上所有声誉良好的新闻媒体，它们的编辑部和赚钱的部门（广告部、市场部）都是完全分开的。媒体在互联网到来之前有资本这么做，因为不管他们写什么都有广告主找上门来送钱。但在互联网时代，报道新闻时完全不考虑经济效益就意味着没有经济效益。
这才是新闻媒体走到今天最深层次的矛盾。《纽约客》主编接受采访时说他没想过杂志怎么盈利这件事——你能想象一家服装公司老板说他设计衣服的时候只考虑美感、没想过能不能卖出去吗？同样，如果你问任何一个记者，他是想把他的文章设为“收费”、从一万名读者身上赚十万块，还是要设为“免费”，从一百万读者身上赚一万块，应该所有记者都会选择后者，因为他们觉得更多人应该知道他们报道的内容，这是他们的社会责任。
英国的《卫报》就是这么想的。《卫报》母公司总裁2016年说：”付费阅读我们当然考虑过，但是要求付费会减少我们在世界范围内的读者数量及影响力，这不是我们希望看到的。“
同样是“内容行业”，纯商业导向的旅行游记公众号，或者英文教学博主，一定会选择从一万名读者身上赚十万块，而不是追逐虚无缥缈的“几百万读者”或者“社会影响力”。新闻媒体和其他所谓“内容公司”的区别就在这里。2017年，《卫报》庆祝月独立访问达到一亿五千万，但是母公司亏损4470万镑，裁员300人，主编离职。
新闻媒体本质是公益的，不是商业的，只是上世纪恰好碰上了可以让它们自给自足的商业模式。而互联网到来以后，这样公益性质的机构怎样生存下去，答案也很简单。就像社会上任何公益组织一样，无非三种：
富豪模式：例如贝索斯买下了《华盛顿邮报》，马云买下了《南华早报》政府（税收）模式：英国的BBC资金来自政府拨款捐款模式：美国的NPR主要的资金来源是听众捐款前两种模式可能我们都不喜欢，但的确是未来新闻媒体仅有的几条出路。而且，能被富豪和政府支持的媒体已经非常幸运，绝大多数报道本地新闻的媒体以后应该都会消失，只有辐射面广、影响力大的国家级媒体才会得到资金支持。
新闻媒体存在的必要可能很多人会质疑新闻媒体存在的必要——网络时代，官方信息可以由认证的机构号发布，突发新闻可以让目击者现场直播，揭露黑幕的爆料人可以在社交媒体上发声，专家也可以用自己的账号普及知识。
我认同新闻媒体不应该也不会是大家唯一的信息来源，但它们还是社会不可缺少的。如果展开说，这又是另一篇文章。简单概括的话，我认为新闻媒体1）在重大公共事件发生时可以筛选、组织有效信息，2）在知情人之间很难直接沟通、知情人很难公开撰文的情况下，作为桥梁，核实、沟通信息，3）关注无法为自己发声的群体或冷门领域。
”自媒体“、”内容付费“这些概念在国内炒得很热，但它们和新闻媒体本质上完全不同，它们的“内容”是商业导向的娱乐内容，讲怎样做饭健身，怎样一小时成为全栈工程师、三年内财富自由。还有一些公司看起来像新闻媒体，实际不产出任何原创内容，只是总结概括真正新闻媒体发布的内容，再冠上耸人听闻的标题，加一点夸张手法和吸睛配图。
而新闻媒体是公益导向的，希望曝光下一个”棱镜门“、下一个”三鹿奶粉“，在全国、全世界有几十几百位记者，花几天甚至几个月写一篇报道，向多方核实求证，初稿自己改了几遍后还要由几位编辑再审。
作为有心的读者，一定不要混淆上面这两类，否则不久的将来我们就只剩下”X国报姐“、”X大神说“这类“新闻媒体”可以看了。
--
注1：该统计不包括中国市场
注2：纽约时报公司2013年出售了旗下的《波士顿环球报》，因此广告收入受到影响，但即便没有出售该报纸，广告收入还是大幅下降的
注3：Facebook在此期间收购了各类社交平台，广告收入受到影响。但即便没有收购，广告收入还是大幅上升的
问题三、CVPR2017 FPN的novelty在哪？
FPN性能改进的真正原因是什么，是因为特征融合吗？
问题四、CVPR2017 FPN的novelty在哪？
先导知识
SSDFastR-CNNFasterR-CNNU-Net前言目标的多尺度一直是目标检测算法极为棘手的问题。像FastR-CNN，YOLO这些只是利用深层网络进行检测的算法，是很难把小目标物体检测好的。因为小目标物体本身的像素就比较少，随着降采样的累积，它的特征更容易被丢失。为了解决多尺度检测的问题，传统的方法是使用图像金字塔进行数据扩充。虽然图像金字塔可以一定程度解决小尺度目标检测的问题，但是它最大的问题是带来计算量的极大的增加，而且还有很多冗余的计算。
我们这篇文章要介绍的特征金字塔网络（FeaturePyramidNetwork，FPN）[1]是一个在特征尺度的金字塔操作，它时通过将自顶向下和自底向上的特征图进行融合来实现特征金字塔操作的。FPN提供的是一个特征融合的机制，并没有引入太多的参数，实现了以增加极小计算代价的情况下提升对多尺度目标的检测能力。
1.背景知识在FPN之前，目标检测主要有4种不同的卷积结构类型，如图1所示。其中图1.(a)是早期的目标检测算法常用的图像金字塔，它通过将输入图像缩放到不同尺度的大小构成了图像金字塔。然后将这些不同尺度的特征输入到网络中（可以共享参数也可以独立参数），得到每个尺度的检测结果，然后通过NMS等后处理手段进行预测结果的处理。图像金字塔最大的问题是推理速度慢了几倍，一个是因为要推理的图像数多了几倍，另一个原因是要检测小目标势必要放大图像。
图1.(b)是FastR-CNN[3]，FasterR-CNN[4]，YOLO等算法的网络结构，它只使用卷积网络的最后一层作为输出层。这个结构最大的问题就是对小尺寸的目标检测效果非常不理想。因为小尺寸目标的特征会随着逐层的降采样快速损失，到最后一层已经有很少的特征支持小目标的精准检测了。
图1.(c)是SSD[2]采用的结构，它首先提出了使用不同层的FeatureMap进行检测的思想。但是SSD只是单纯的从每一层导出一个预测结果，它并没有进行层之间的特征复用。即没有给高层特征赋予浅层特征擅长检测小目标的能力，也没有给浅层的特征赋予高层捕捉到的语义信息，因此带来的小目标的检测效果的提升是非常有限的。
特征融合在其它模型中也有过探索，例如医学分割算法中的U-Net，如图1.(d)所示。U-Net的特点是只在模型的最后一层进行了预测，并没有使用多分辨率预测。
图1：目标检测中常见的卷积网络结构2.FPN的网络结构FPN是一个结合了SSD的多分辨率尺度预测和U-Net的多分辨率特征融合的网络结构，如图2所示。FPN可以分成3部分：
图2左侧的自底向上的卷积；图2右侧的自顶向下的上采样；图2中间的横向的特征融合。图2：FPN的网络结构2.1自底向上路径自底向上即是卷积网络的前向过程，我们可以选择不同的骨干网络，例如ResNet-50或者ResNet-101。前向网络的返回值依次是C2，C3，C4，C5，是每次池化之后得到的FeatureMap。在残差网络中，C2，C3，C4，C5经过的降采样次数分别是2，3，4，5即分别对应原图中的步长分别是4，8，16，32。这里之所以没有使用C1，是考虑到由于C1的尺寸过大，训练过程中会消耗很多的显存。
2.2自顶向下路径和横向连接通过自底向上路径，FPN得到了四组FeatureMap。浅层的FeatureMap，例如C2含有更多的底层信息（纹理，颜色等），而深层的FeatureMap如C5含有更多的语义信息。为了将这四组倾向不同特征的FeatureMap组合起来，FPN使用了自顶向下及横向连接的策略，最终得到P2，P3，P4，P5四个输出。
这里我们结合代码讲解FPN的特征融合过程，首先我们通过自底向上的路径得到C2，C3，C4，C5共4个输出。以ResNet-50为例，C5的尺寸是[H/32,W/32,512]，其中512是通道数，32是步长，H和W是图像的宽和高。在FPN中，我们要得到的P2，P3，P4，P5的通道数都是256。其中P5是由C5计算得到，P4是由P5和C4计算得到，以此类推。FPN的这种计算方式便是自顶向下的路径
以P3为例，P3是由P4和C3共同得到，其中P4的通道数已经是256了，但是它的大小只是P3的1/2，因为我们使用上采样将它的尺寸增加到C3的大小，FPN中使用的上采样策略是最近邻居采样。继续，因为C3的通道数是128，而我们需要的P3的通道数是256，所以这里使用1 imes1卷积将C3的通道数扩充到256。最后P3是P4的上采样的FeatureMap和C3的调整通道数的FeatureMap的单位加。
最后，FPN在P2，P3，P4，P5之后均接了一个3 imes3卷积操作，该卷积操作是为了减轻上采样的混叠效应（aliasingeffect）。
#Top-downLayers
P5=KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(1,1),name='fpn_c5p5')(C5)
P4=KL.Add(name="fpn_p4add")([
KL.UpSampling2D(size=(2,2),interpolation="nearest",
name="fpn_p5upsampled")(P5),
KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(1,1),name='fpn_c4p4')(C4)])
P3=KL.Add(name="fpn_p3add")([
KL.UpSampling2D(size=(2,2),interpolation="nearest",
name="fpn_p4upsampled")(P4),
KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(1,1),name='fpn_c3p3')(C3)])
P2=KL.Add(name="fpn_p2add")([
KL.UpSampling2D(size=(2,2),interpolation="nearest",
name="fpn_p3upsampled")(P3),
KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(1,1),name='fpn_c2p2')(C2)])
#Attach3x3convtoallPlayerstogetthefinalfeaturemaps.
P2=KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(3,3),padding="SAME",
name="fpn_p2")(P2)
P3=KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(3,3),padding="SAME",
name="fpn_p3")(P3)
P4=KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(3,3),padding="SAME",
name="fpn_p4")(P4)
P5=KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE,(3,3),padding="SAME",
name="fpn_p5")(P5)
FPN_feature_maps=[P2,P3,P4,P5]
