Bui Tien Tung

Bạn có thể chạy 1 số link colab dưới đây để thử nghiệm nhanh và so sánh chất lượng của các mô hình Pose Estimation:

• AlphaPose: Pose Detection with AlphaPhose
• OpenPose: Pose Detection with OpenPose
• Lightweight OpenPose: Lightweight Openpose 2D
• MMPose: MMPose Tutorial
• Nếu bạn vẫn muốn dùng mediapipe thì bạn có thể dùng 1 số thuật toán detect ra người trước --> crop ra khu vực chỉ có 1 người --> đưa vào input cho mediapipe, sau đó tổng hợp lại kết quả sau

Tư tưởng chia mảng và sắp xếp trong từng mảng con này mình thấy khá giống với merge sort. Vì thế, nếu bạn đã xong được phần sắp xếp các mảng con rồi, phần merge bạn có thể làm tương tự.

https://medium.com/karuna-sehgal/a-simplified-explanation-of-merge-sort-77089fe03bb2

Bạn có thể xem lại xem có code sai đoạn nào không, chứ lúc trước mình cũng từng crawl data tiki rồi, thì page_no khác --> kết quả khác mà

P/s: Source tham khảo khác (có thể bạn cũng đọc rồi): https://chidokun.github.io/2020/05/crawl-tiki-products/

Theo như mình vừa search qua thì link trên của bạn là link này: https://www.it-swarm-vi.com/vi/python/cach-nhanh-nhat-trong-python-de-tinh-do-tuong-tu-cosin-cho-du-lieu-ma-tran-thua-thot-la-gi/1041279579/

Còn link gốc của nó là cái này: https://stackoverflow.com/questions/17627219/whats-the-fastest-way-in-python-to-calculate-cosine-similarity-given-sparse-mat

Bản chất ở đây là tính cosine similiraty của ma trận thưa. Mình xin phép trả lời câu hỏi như sau:

Đoạn dist_out = 1-pairwise_distances(A, metric="cosine") là đoạn code bị ngáo đấy bạn =)). Mục đích là tính cosine similary thì chỉ cần dist_out = cosine_similarity(A) là đủ rồi, vì ngay trong chính code của hàm cosine_distances của sklearn cũng giải thích là pairwise distance = 1 - cosine similary rồi. Bạn có thể đọc chi tiết code ở đây: https://github.com/scikit-learn/scikit-learn/blob/3a64fecd1f1d30a17998b254f94613adee48a930/sklearn/metrics/pairwise.py#L829

def cosine_distances(X, Y=None):
    """Compute cosine distance between samples in X and Y.
    Cosine distance is defined as 1.0 minus the cosine similarity.
    Read more in the :ref:`User Guide <metrics>`.
    Parameters
    ----------
    X : {array-like, sparse matrix} of shape (n_samples_X, n_features)
        Matrix `X`.
    Y : {array-like, sparse matrix} of shape (n_samples_Y, n_features), \
            default=None
        Matrix `Y`.
    Returns
    -------
    distance matrix : ndarray of shape (n_samples_X, n_samples_Y)
    See Also
    --------
    cosine_similarity
    scipy.spatial.distance.cosine : Dense matrices only.
    """
    # 1.0 - cosine_similarity(X, Y) without copy
    S = cosine_similarity(X, Y)
    S *= -1
    S += 1
    np.clip(S, 0, 2, out=S)
    if X is Y or Y is None:
        # Ensure that distances between vectors and themselves are set to 0.0.
        # This may not be the case due to floating point rounding errors.
        S[np.diag_indices_from(S)] = 0.0
    return S

Mask RCNN là 1 mô hình phát triển từ Faster RCNN, được xây dựng cho tác vụ Instance Segmentation. Về cơ bản thì 1 nhánh mask sẽ được thêm vào, tận dụng những kết quả từ detection dùng cho segment. Thế nên là nhánh đó không phải hoạt động song song như hình ảnh trên đâu bạn, bạn có thể quan sát hình ảnh dưới đây để hình dung cụ thể hơn.

Chi tiết hơn về mask rcnn, bạn có thể đọc thêm tại: https://medium.com/@fractaldle/mask-r-cnn-unmasked-c029aa2f1296

Còn "để vùng bounding box có thể lấy được như ground truth" thì cái này phụ thuộc vào độ lớn bộ dữ liệu cũng như cách trainning, hàm loss, ... để mask rcnn fit với dự liệu của bạn thôi bạn.

Hi vọng câu trả lời này giải đáp được những thắc mắc của bạn