参考：https://www.jianshu.com/p/7ab21c7f0674

在Hexo中渲染MathJax数学公式

在用markdown写技术文档时，免不了会碰到数学公式。常用的Markdown编辑器都会集成Mathjax，用来渲染文档中的类Latex格式书写的数学公式。基于Hexo搭建的个人博客，默认情况下渲染数学公式却会出现各种各样的问题。

Hexo插入本地图片

1.打开博客配置文件_config.yml，将post_asset_folder这个选项设置为true

post_asset_floder: true

2.cd到博客文件根目录，输入命令行

npm install hexo-asset-image --save

下载安装一个可以上传本地图片的插件

论文地址：https://arxiv.org/pdf/1904.07850.pdf
论文代码：https://github.com/xingyizhou/CenterNet

Abstract

目标检测识别往往在图像上将目标以轴对称的框形式框出。大多成功的目标检测器都先穷举出潜在目标位置，然后对该位置进行分类，这种做法浪费时间，低效，还需要额外的后处理。本文中，我们采用不同的方法，构建模型时将目标作为一个点——即目标BBox的中心点。我们的检测器采用关键点估计来找到中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态。我们基于中心点的方法，称为：CenterNet，相比较于基于BBox的检测器，我们的模型是端到端可微的，更简单，更快，更精确。我们的模型实现了速度和精确的最好权衡，以下是其性能：
MS COCO dataset, with 28:1% AP at 142 FPS, 37:4% AP at 52 FPS, and 45:1% AP with multi-scale testing at 1.4 FPS.

修改网站描述

# Site
title: 浅笑の博客
subtitle: 我们的征途是星辰大海
author: Zheng Yujie
description: Pytho/C++/深度学习
language: zh-CN
timezone: Asia/Shanghai

• “title”：博客的名称。
• “subtitle”：根据主题的不同，有的会显示有的不会显示。
• “description”：主要用于SEO，告诉搜索引擎一个关+ 于站点的简单描述，通常建议在其中包含网站的关键词。
• “author”：作者名称，用于主题显示文章的作者。
• “language”：语言会对应的解析正在应用的主题中的+ languages文件夹下的不同语言文件。所以这里的名称要和languages文件夹下的语言文件名称一致。
• “timezone”：可不填写。

安装主题

在博客根目录下输入以下命令

 git clone https://github.com/theme-next/hexo-theme-next themes / next

就可以将next主题文件从https://github.com/iissnan/hexo-theme-next下载到当前目录下的themes里面的next文件夹中。

启用主题

修改站点配置文件

# Extensions
## Plugins: https://hexo.io/plugins/
## Themes: https://hexo.io/themes/
theme: next

hexo简介

主页： https://hexo.io/zh-cn/
Hexo 是一个快速、简洁且高效的博客框架。Hexo 使用 Markdown（或其他渲染引擎）解析文章，在几秒内，即可利用靓丽的主题生成静态网页。

• hexo 可以理解为是基于node.js制作的一个博客工具，不是我们理解的一个开源的博客系统。其中的差别，有点意思。
• hexo 正常来说，不需要部署到我们的服务器上，我们的服务器上保存的，其实是基于在hexo通过markdown编写的文章，然后hexo帮我们生成静态的html页面，然后，将生成的html上传到我们的服务器。简而言之：hexo是个静态页面生成、上传的工具

论文地址：https://arxiv.org/abs/1904.11490
论文代码：未公布

Abstract

当前主流的目标检测网络，对于bounding box的依赖很严重，无论是one-stage还是two-stage的检测器，都需要bounding box对目标区域进行提取，划分，然后进行分类和回归。但是这些bounding box都是规则且相对固定的候选框，只能对目标提供一个较为粗糙的定位，这就导致bounding box提取出来的特征也是粗糙的。本文提出了RepPoints（representive points），通过一组有代表性的点，实现对目标的更精细表示，对于后续的分类和定位都有帮助。在训练过程中，给定Ground Truth的位置和识别目标，RepPoints学会自动排列代表性点，限定目标的空间范围，并表示语义上重要的局部区域。整个过程都不需要anchor进行bounding box的采样，是名副其实的anchor-free。实验表明，基于RepPoints的网络结构，在没采用多尺度训练的情况下，在COCO数据集上，AP指标上达到了42.8%。