![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像学习基础知识
沉沉沉小姐
这个作者很懒,什么都没留下…
展开
-
大气非等晕效应
地球大气是典型的非均匀介质,光在其中传播时会受到随机的扰动,主要体现为光的波前随机起伏,即大气非等晕效应。原创 2022-07-11 14:18:39 · 180 阅读 · 0 评论 -
IS & FID
目录1. Inception Score(IS)1.1 基本思想1.2 Inception Score公式1.3 Inception Score的问题2.Fréchet Distance(FID)2.1 FID优点2.2 FID缺点用于统计评估生成样本质量的两个最常用且公认的度量标准:Inception(IS)和Fréchet Distance(FID)。这两个指标的优点在于,它们已被广泛证实与至少某些期望性质(如图像的视觉吸引力或真实感受)高度相关。IS完全是基于.原创 2022-05-22 20:03:55 · 2913 阅读 · 0 评论 -
线性回归~
线性回归输出是一个连续值,因此适用于回归问题。回归问题在实际中很常见,如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同,分类问题中模型的最终输出是一个离散值。例如:图像分类、垃圾邮件识别、疾病检测等输出均为离散值。其中softmax适用于分类问题。线性回归单层神经网络图如上图所示,网络输入分别为x1,x2,因此输入层的个数为2。输入个数也叫特征数或特征向量维度。 网络的输出为o,输出层的个数为1,为线性回归的输出,即,输出层中负责计算o的单元又叫神经元。由于输入层不算入神经网络层原创 2022-04-11 22:15:42 · 502 阅读 · 0 评论 -
超参数(hyperparameter)
定义:通过认为设定的参数,而不是通过模型训练学出的,叫作超参数。通常所说的‘调参’指的正是调节参数。在少数情况下,超参数也可以通过模型训练学出。原创 2022-04-11 21:26:11 · 1038 阅读 · 0 评论 -
中继监督优化(intermediate supervision)
中继监督优化(intermediate supervision)如果直接对整个网络进行梯度下降,输出层的误差经过多层反向传播会大幅减小,即发生vanishing gradients现象。为解决此问题,在每个阶段的输出上都计算损失。这种方法可以保证底层参数正常更新。类似于GoogleNet的auxiliary classfier,用来解决网络随着深度加深而梯度消失的问题。...转载 2022-04-05 23:16:52 · 834 阅读 · 0 评论 -
图像高频信号&低频信号
图像中的低频信号和高频信号也叫做低频分量和高频分量。图像中的高频分量:指的是图像的强度(亮度/灰度)变化剧烈的地方,也就是我们常说的边缘(轮廓);图像中的低频分量:指的是图像的强度(亮度/灰度)变换平缓的地方,也就是大片色块的地方。人眼对图像中的高频信号更为敏感,举个例子,在一张白纸上有一行字,那么我们肯定聚焦在文字上,而不会太在意白纸本身,这里的文字就是高频信号,而白纸就是低频信号。图像的高低频是对图像各个位置之间强度变化的一种度量方法。低频分量:主要对整幅图像的强度的综合度量。高频分量:主要转载 2022-04-05 12:43:27 · 866 阅读 · 0 评论