Psychology 心理学

psychology 心理学
mind 心理,心灵,精神
soul 灵魂
behavior 行为
psychologist 心理学家
philosophy 哲学
philosopher 哲学家
Empiricism 经验主义
Positivism 实证主义
biology 生物学
evolution 进化
genetics 遗传学
physiology 生理学
endocrine 内分泌
physics 物理学
psychophysics 心理物理学
Principles of psychology 心理学原理
structuralism 结构主义
conscious 有意识的
introspection 内省
image 意象
sensation 感觉,知觉
feeling 感觉
functionalism 功能主义
thought 思想
psychoanalysis 心理分析
therapy 疗法
The interpretation of dreams 梦的解析
unconscious mind 无意识心理
Behaviourism 行为主义
experimental psychology 实验心理学
humanistic 人本主义的
cognitive psychology 认知心理学
variables 变量
aggression 攻击;侵犯
intelligence 智力
operationalisation 操作化
abstract concepts 抽象概念
observable behaviour 可观察行为 (观察需不仅要视觉,还融合其他感觉)
puzzle 难题
reification (抽象概念的)具体化
case studies 案例研究
survey 调差
correlation 相关性
experiment 实验
independent variable 自变量
dependant variable 因变量
extraneous variable 无关变量
control 控制
confounding variable 混杂变量
random 随机
constant 恒定的
hypothesis 假说
significant effect 显著性效果
subject 接受试验者
quasi experiment 准实验
perception 感知, 见解
sense 感觉
visual perception 视觉
two-dimensional 二维的
retina 视网膜
viewpoint 观察点
shape constancy 形状恒常性
size constancy 大小恒常性
luminescence 发光
brightness constancy 明度恒常性
illusion 错觉
Gestalt 格式塔
emergent properties 突变特性
phi phenomenon 似动现象
Law of Pragnanz 完形倾向性定律
proximity 接近性
similarity 相似性
continuity 连续性
closure 闭合
figure-ground 图形-背景
attention 注意
sensory stimuli 感觉刺激,stimulus的复数
focused or selective attention 集中或选择注意
divided attention 分配注意
vision 视觉
hearing 听觉
visual field 视野
target 目标;靶
encode 编码
memory 记忆
photon 光子
represent 代表
imagery memory 形象记忆
icon 图标,偶像
echoic 回声的
recall 回忆
tune 曲调
working memory 工作记忆
visuospatial 视觉空间的
scratchpad 磨爪板,便签本
phonological loop 语音回路
photographic (eidetic) memory 逼真记忆
procedural memory 程序记忆
implicit memory 内隐记忆
enactive mode 动作模式
anterograde amnesiac 顺行性遗忘症
declarative memory 陈述性记忆
explicit memory 外显记忆
semantic memory 语义记忆
episodic memory 情节记忆
primary memory 主要记忆
secondary memory 次要记忆
sensory memory 感觉记忆
iconic memory 映像记忆
echoic memory 声像记忆
tachistoscope 速示器
short term memory 短时记忆
long term memory 长时记忆
sociability 社交性
new-born 新生的
attachment 依恋
sight 视觉
infant 婴儿
innate 先天的
focal length 焦距
smell 嗅觉
baby 婴儿
breast 胸脯
sound 听觉
frame-to-frame microanalysis 框架匹配微分析
sensitivity 敏感性
pregnancy 怀孕
teat 乳头
sign 符号
oval shape 椭圆形
REM (rapid eye movement) sleep 快速眼动睡眠
reinforcer 强化物
turn-taking 起承转合
linguistic 语言学的
nature-nurture 先天-后天
zoologist 动物学家
intelligence 智力
trait 特质
clinical interview method 临床访谈法
naturalistic observation 自然观察法
schemata schema的复数
symbolic 符号的
operation 运算
assimilation 同化
equilibrium 平衡
disequilibrium 不平衡
egocentrism 自我中心
object permanence 客体永久性
general symbolic function 一般符号功能
conservation of energy 能量守恒
reversible 可逆的
internalized 使内在化
reasoning 推理
deduction : reasoning from the general to the particular 演绎
induction : reasoning from detailed facts to general principles 归纳
moral 道德
psychoanalytic approach 心理分析方法
moral feelings 道德情感
superego 超我
psychic apparatus 心理装置
psychosexual development 性心理发展
identification 识别
conscience 良心
fixed impression 固定印象
heteronomous 他律的
autonomous 自治的
moral dilemmas 道德两难
cross-cultural 跨文化的
simulated 模拟的
situational 情境的
dispositional 倾向的
settings 环境
Caucasian 白种人
solitary confinement room 单独禁闭室
finger-printing 指纹
blindfolded 被蒙上眼睛的
mock prision 模拟监狱
imprisonment 关押
self-report questionnaires 自我报告调查表
pathological reactions 病理性反应
passivity 被动
personal identity 个人身份
norms 规范
Pathology of Power 权利的病状
dehumanise 使失去人性
empowerment 授权、准许
ecological validity 生态学效度
mundane realism 生活现实性
generalisability 一般化
qualitative 性质的
quantitative 数量的
debrief 盘问
penal 刑罚的
hierarchy 等级制度
coercive and legitimate power 强制的与合法的权利
learning by association 联想学习
salivation 分泌唾液
the law of temporal contiguity 暂时邻近律
forward conditioning 预先条件作用
backward conditioning
simultaneous conditioning 同时条件作用
trace conditioning 痕迹条件作用
reinforcement 强化
reinforcer 强化物
extinction 消亡
inhibition 抑制
generalization 泛化
discrimination 区别,识别
trial and error 反复试验
positive reinforcement 正强化
negative reinforcement 负强化
punishment 惩罚
secondary reinforcement 次级强化
fixed ratio 固定比率
variable ratio 可变比率
fixed interval 固定间隔
variable interval 可变间隔
microelectrode 微电极
electrochemical 电化学的
visual cortex 视觉皮质
electroencephalogram EEG脑电图
electrode 电极
scalp 头皮
oscillation 振动
evoked potentials 诱发电位
electrooculargram EOG 眼动图
electromyogram EMG 肌电图
epileptic 癫痫
cross-section 横截面
Computed Tomography 计算机断层摄影术,计算机层析术
metabolism 新陈代谢
glucose 葡萄糖
Single Positron Emission Tmography SPET 单正电子发射图像扫描
stroke 中风
tumor 肿瘤
head trauma 头部外伤
frontal lobe 额叶
virus 病毒
herpes 疱疹
adrenaline 肾上腺素

  • 17
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值