- 博客(37)
- 收藏
- 关注
RSS订阅原创 SIFT算法之Graphviz,vlfeat,PCV安装配置
下载zip文件。3.安装vlfeat建议安装vlfeat-0.9.20-bin安装最新款vlfeat-0.9.21-bin出现报错：是有bin文件的，没有bin文件。打开vlfeat->bin->win64(你的电脑对应文件夹，也可能是win32)->sift.exe将sift.exe的地址，复制到PCV库的localdescriptors的sift.py的process_image函数里面。
2024-03-22 19:39:59
315
原创 机器学习作业--PCA
现在我们需要将二维数据集降成一维即，把二维散点转化为下图中红线上的点。如果将下面的点都映射到y轴上，下图中经过y=-2的点将会重合，损失了x坐标的信息；因此我们希望不同的点映射之后的位置不同，尽量不出现信息损失。特征约减将p维的数据集转换为d维的数据集，但是降维时我们会损失部分数据，我们希望损失降低较小，保留更具有代表性的数据。红线1的效果好：样本点在这个直线上的投影的离散程度更高。希望数据投影的方差最大，方差越大，样本点在这个直线上的投影离散程度越高，效果越好。首先：给定n个样本，每个样本的维度为p维。
2024-01-01 13:50:13
599
原创 SVM原理理解
Logistic算法：寻找一个分类直线，将不同类别的样本分开。二分类问题的分类直线和左右间隔，找到间隔，最大间隔建模形成的决策面。Logistic算法和SVM的区别个联系？为什么需要计算最大间隔？支持向量机是什么？
2023-12-07 23:36:42
945
原创 基于Logistic回归实现二分类
然后相加求和得到z,将z作为Sigmoid函数的输入，Sigmoid函数可以将输入映射在0-1区间内，我们将大于0.5部分设置为1类，小于0.5部分设置为0类实现二分类。以二分类为例，类别分别为0和1，我们需要使用函数将在负无穷到正无穷的数映射到0或1上。线性回归方程如下：我们输入数据点特征，取合适的w和b，使得预测值y^最接近y。如图可以发现Sigmoid函数将输入z映射到（0，1）区间，我们可以设置阈值，大于阈值为类别1，小于阈值为类别0.在二维平面内对散点进行分类，可以用直线划分，直线上的点满足。
2023-12-02 23:17:49
866
原创 Transformer
希望在翻译的时候，Decoder不能看到未来的翻译数据；即在翻译I时，不能知道 am和Chinese,要翻译出I,只能依靠起始符
2023-11-30 23:00:39
786
原创 Transformer笔记--注意力机制
人在识别某个物体时，是根据其某些特征进行判断的，使用注意力机制时希望计算机也能提取某些重要特征，理解输入的文本信息；Transformer从输入阶段得到每个词的词向量，通过注意力机制结合上下文信息对每个词进行特征提取，再综合所有词的信息，理解所有文本。
2023-11-27 23:30:28
1108
原创 目标检测YOLO3笔记1
介绍其中一种生成Anchor的方法。1.设置最小图片划分区域，如32x32，将图片进行划分：2.以每个单位区域为中心点，设置三个Anchor框去除冗余的预测框。模型会产生多个预测框，它们可能都是预测同一个物体，如果输出格式为【L,P,x1,y1,x2,y2】，我们只要选择P最大的预测框即可。
2023-11-23 21:43:25
1115
1
原创 Logistic回归
数据集：temper.csv各个属性信息如下：names=['temp_2','temp_1','average','actual']
2023-11-21 14:51:38
33
原创 ResNet笔记
ResNet转换目标转为学习目标函数和当前拟合结果的残差，训练目标就是要将残差结果逼近于0，使到随着网络加深，准确率不下降。使用残差网络时，根据y=F(X)+X，误差为E ,残差网络,不容易由于连乘出现梯度消失。BottleneckBlock：如上图256-d所示，卷积层部分由三个ConvBNLayer组成，如果第二层3x3卷积的输出结果和原图的尺寸不同，则使用1x1卷积调整。深度网络在反向传播时，需要经过多层的链式求导，梯度会不断变小，可能会出现梯度消失，梯度消失后权重无法更新，影响到网络的性能。
2023-11-14 23:28:08
145
原创 图像处理笔记
Second Conv中红色部分由First Conv中3x3的红色部分得到，而3x3的红色部分由input的5x5计算得来，所以经过第二次卷积感受野是5x5.First Conv中绿色块部分是由input的3x3的绿色方块计算得来的，我们就说经过第一次卷积感受野是3x3.如果直接使用5x5的卷积，padding为2，它得到的感受野和使用两次3x3卷积相同。两次3x3卷积所需的参数为：2x3x3xC;伽马值小于1大于0时，图像整体亮度都得到增强，越高的像素值映射后的涨幅越小，整体图像的对比度会降低。
2023-11-11 13:23:19
50
原创 朴素贝叶斯算法
其中数据集没有涵盖OverCast的情况，则进行概率累乘计算时会出现概率为0的情况，哪怕从其他属性上来看，比较有可能类别时Yes,但结果仍然是No,这显然不合理。在训练时，如果保留这种错误结果，模型的泛化能力会很弱，面对训练集中没有涵盖的情况，测试结果直接为NO,错误率会很高。假设我们需要根据邮件的内容判断邮件的类别，我们需要计算相同内容特征情况下，邮件是垃圾邮件和正常邮件的概率，而后取概率较大的，即为机器学习判断的邮件的类别。，根据他们计算得到P(C=Ci|X)的值，选择最大概率的类别。
2023-11-07 23:33:42
49
原创 《SRFormer: Permuted Self-Attention for Single Image Super-Resolution》阅读
图像超分辨率模型可以通过窗口注意力机制提高模型性能，但是计算开销大，作者提出新的置换自注意PSA,可以应用在基于窗口子注意力的网络中，而且参数量更少，PSNR更高。图1 网络图图2 PAB图3 Sub-pixel Convolution。
2023-11-05 21:23:19
127
原创 《Activating More Pixels in Image Super-Resolution Transformer》阅读笔记
因此，为了激活更多的输入像素以实现更好的重建效果，本文构建了一种新颖的混合注意力 Transformer（HAT）方法。该方法结合了通道注意力和基于窗口的自注意力机制，充分利用它们在利用全局统计信息和强大的局部拟合能力方面的互补优势。此外，作者引入了一个重叠的交叉注意力模块，增强了相邻窗口特征之间的交互作用。提出了一个新颖的混合注意力 Transformer（HAT）方法和重叠交叉注意力模块，提高基于窗口自注意力方法的信息交互，在LAM方法中HAT方法能激活更多像素进行图像重建，使产生的图像纹理更加清晰。
2023-11-04 22:30:39
85
1
原创 Hough变换进行线检测
2.1hough()将原空间问题转到极坐标空间：输入包含边缘信息的矩阵；2.遍历像素，如果检测到边缘信息，将其转换为极坐标空间，对H矩阵对应位置像素进行投票，(即H对应位置+1)潜在问题：这种方法无法实现X=C(C为常数)的直线的转换，所以考虑将原空间问题转化到极坐标空间进行求解。3.找到累计数组H的前n个最大值，表示原始图像最可能存在的n条直线。把原空间的问题转换到别的空间，再求解。的值，每个元素表示一条直线在极坐标空间的投票计数；表示原点到直线的垂直投影和X轴的夹角。表示直线到原点的距离；
2023-11-03 22:57:19
32
原创 决策树算法
决策树有节点和有向边组成，节点分为内部节点和叶子节点，内部节点表示一个特征，叶子节点表示标签。如图：决策树每经过依次内部节点进行依次决策，从跟节点到每个叶子节点的路径对应一个测试序列。决策树需要先学习训练集，学习到最优的决策树的划分顺序，生成一个能判断未见过实例的，泛化能力强的树。
2023-11-02 22:22:06
30
原创 信息熵--（计算某个数据集的信息熵）
3.创建一个数据字典，以标签为键，标签个数为对应值。如果找不到标签，就要扩建数据集字典，加入该键，并记录当前类别出现的次数；如果已有标签，就在原有基础上加1。2.将数据集从文件中读取出来，分为特征集和标签集。4.按键遍历标签集，根据公式计算信息熵。表示第i个类别出现的概率；1.准备数据集 下载地址。
2023-11-01 23:06:47
312
1
原创 DLGSANet论文笔记
1.ReLU函数能去除无用的消极特征，还是不太理解这是为什么？或许可以看一下A的结果负值是不是很多。2.熟悉了一下分组卷积和动态卷积的操作。3.提出一个多头动态局部自我注意（MHDLSA）模块，动态地提取局部特征；4.提出了一个轻量级的SISR模型，称为DLGSANet，所提出的模型具有较少的网络参数（
2023-10-31 22:46:32
115
1
原创 K近邻算法+性能分析
数据集存在顺序问题，前50个都是样本setosa，50-100都是样本versicolor，100-150都是样本virginica，按理说：KNN 算法主要是根据样本之间的距离来选择最近的 K 个邻居，这个过程并不依赖于样本的顺序。Sepal.Width在3-4.5，Sepal.Length在5-7，Petal.Length在1-2，Petal.Width在1-2，品种为setosa;使用切比雪夫距离公式和余弦距离公式发现错误率仍然很高，K在2-20范围内，错误率很高，而且分辨setosa的能力也很差。
2023-10-09 23:00:16
94
1
原创 conda环境配置
下载相关包如果出现connectionerror，使用清华源、豆瓣源和中科院源。新建环境(your name 表示自己设置的环境的名字)查看是否存在环境重名。
2023-09-15 11:32:34
81
1
原创 多维度输入问题和加载数据集
老师视频里面的：xy=np.loadtxt('diabetes.csv,gz',delimiter=',',dtype=np.float32)应该是将diabetes_data.csv.gz和diabetes_target.csv.gz的数据合并了，在导入数据集的时候要分别导入x,y。由于每一层的输出又变成下一层的输入，所以我们可以不用定义新的变量，直接使用x即可。用自带的数据集跑出来的数据太奇怪了，损失有350多，我改用老师的数据集。现在的输入x是十维的，包含442个样本，需要导入数据集文件。
2022-09-21 16:34:53
937
1
原创 深度学习笔记
单神经网络输入x，经过单个神经元进行线性运算得到输出y。大的神经网络由多个不同的神经元堆叠而成。喂给神经网络多个x,y的数据，神经网络会自己决定中间的节点是什么。（节点就是中间的小圆圈）神经网络的强大之处在于你无需考虑它中间经历怎样的过程，只要输入x,就能得到y。import osimport jsonimport torchimport matplotlib.pyplot as pltfrom PIL import Imagefrom torchvision import
2022-01-30 21:00:09
2512
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人