cmc

CMC题目解析&&参赛心得&&备战2020年第十二届CMC 引言： 笔者是2019大一下开始接触全国大学生数学竞赛（CMC）,在大二上9月参加了CMC福建赛区的比赛，获得了福建省一等奖（省排25名）的成绩，但未能进入决赛。现在大二下，有目标决心在2020年的数学竞赛中争取进入决赛，所以在CSDN论坛分享一下自己的经验与习题解析，同时对往届的习题进行自己的解析，一方面对自己进行一个监督（算是形式化主义hhh），同时更希望可以给有对CMC有着同样兴趣的童鞋一些借鉴作用。 下附证书一张，决赛大佬勿喷~ 1.可用资料 （1）书籍 我认为基础的书是最好的复习材料，比如《吉米多维奇》的高数习题集，是我复习高数（非数类初赛只考高数）的主要资料，它能检验你的基础，为你夯实基础。 （2）真题 其次，真题很重要。真题告诉你考的知识点，让你的复习有方向，而不是盲目的复习；同时，做真题的时候，从每道题中能收获点什么，或者总结某一个知识点，专攻不会的题型，这就是收获！ （3）考研竞赛数学公众号 这是一个超级良心的公众号，会日推一些经典例题，方便网上随时获取资源，可以每天做几题积累。推荐荐~ 2.备考心态 有一说一，这次备考经历，有点“痛苦”，多次想要中途放弃，因为备考时间我已经不再学习高数，所以算是多了一门课程在大二上，因为身边没有一起考的伙伴，所以算是一个人独行，所以路走的格外艰难点

评价指标 在评估重识别算法时，通常使用累积匹配特性（Cumulative Matching Characteristics, CMC）曲线。CMC表示查询identity出现在不同大小的候选列表中的概率。无论gallery中有多少个ground truth匹配，CMC计算中只计算第一个匹配。因此，基本上只有当每个query 只存在一个ground truth 时，CMC才是准确的评估方法。 当gallery中存在 多个ground truth 时，Zheng等人[44]建议使用平均精度（mAP）进行评估。其动机是一个完美的重识别系统应该能够将所有的真匹配项返回给用户。可能的情况是两个系统在发现第一个ground truth方面有同样的能力，但具有不同的检索召回能力。在这种情况下，CMC没有足够的识别能力，但MAP有足够的识别能力。因此，MAP与CMC一起用于Market-1501数据集，其中每个查询都存在来自多个摄像头的多个ground truth。随后mAP也被后续文章采用。 文章来源: https://blog.csdn.net/weixin_43706869/article/details/90264877

在看人脸识别相关的paper时，常会遇到有的文献除了 ROC曲线 外，也会将CMC曲线作为他们的实验性能指标。那么，怎么理解CMC曲线呢？我在网上查阅了一些资料，为了方便理解，举例如下： 假如我们训练好了一个3分类的模型，分别为类别 c1，c2，c3 。每个样本输入模型后会得到对应的3个匹配分数，匹配分数最高的那个类别即是预测的类别数。 针对单样本： 现在我们手头仅有一个属于类别 c1 的样本，我们将该样本输入模型，得到的匹配分数如下： c1 :0 .9 c2 :0 .8 c3 :0 .7 很好，我们可以看见类别 c1 匹配分数最高，即该样本真实类别与预测类别相同，即rank1（第一次即命中）=100%，如果第一次就命中，那么后面的rank2与rank3也为100%。 如果匹配分数如下： c1 :0 .8 c2 :0 .9 c3 :0 .7 现在匹配分数最高的类别c2并不是该样本的真实类别，所以rank1=0%，次之的c1才是该样本的真实类别，所以rank2（第二次命中） = 100%，自然rank3 = 100%。 针对多样本： 现在我们手头有一个属于类别 c1 的样本 s1 和一个属于类别 c2 的样本 s2 ，我们将这两个样本输入模型，得到匹配分数如下： s1: c1 :0 .9 c2 :0 .8 c3 :0 .7 s2: c1 :0 .7 c2 :0 .8 c3 :0 .9