CV学习
文章平均质量分 78
CUMTZZP1618
这个作者很懒,什么都没留下…
展开
-
2021-03-04
构造验证集 在机器学习模型(特别是深度学习模型)的训练过程中,模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低,但测试误差的走势则不一定。 在模型的训练过程中,模型只能利用训练数据来进行训练,模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好,模型就会记住训练样本的细节,导致模型在测试集的泛化效果较差,这种现象称为过拟合(Overfitting)。与过拟合相对应的是欠拟合(Underfitting),即模型在训练集上的拟合效果较差。 如图所示:随着模型复杂度和模型训练轮数原创 2021-03-04 23:42:36 · 265 阅读 · 1 评论 -
2021-03-01
语义分割评价函数与损失函数 TP TN FP FN 在分类问题中,以二分类为例,我们可以将所有的样本预测结果分成TP、TN、 FP、FN四类,并且每一类含有的样本数量之和为总样本数量,即TP+FP+FN+TN=总样本数量。 上述的概念都是通过以预测结果的视角定义的,可以依据下面方式理解: 预测结果中的正例 → 在实际中是正例 → 的所有样本被称为真正例(TP)<预测正确> 预测结果中的正例 → 在实际中是反例 → 的所有样本被称为假正例(FP)<预测错误> 预测结果中的反例 →原创 2021-03-01 23:32:52 · 148 阅读 · 0 评论 -
语义分割模型发展
语义分割模型发展 语义分割(全像素语义分割)作为经典的计算机视觉任务(图像分类,物体识别检测,语义分割)。其结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区域块,并识别出每个区域块的语义类别,实现从底层到高层的语义推理过程,最终得到一幅具有逐像素语义标注的分割图像。 FCN FCN首先将一幅RGB图像输入到卷积神经网络后,经过多次卷积以及池化过程得到一系列的特征图,然后利用反卷积层对最后一个卷积层得到的特征图进行上采样,使得上采样后特征图与原图像的大小一样,从而实现对特征图原创 2021-02-26 23:26:23 · 519 阅读 · 0 评论 -
CV-数据扩展
CV-数据扩展 两个库OpenCV和albumentations 常见的数据扩增方法 数据扩增是一种有效的正则化方法,可以防止模型过拟合,在深度学习模型的训练过程中应用广泛。数据扩增的目的是增加数据集中样本的数据量,同时也可以有效增加样本的语义空间。 正则化(正则化是为了防止过拟合, 进而增强泛化能力。) 给需要训练的目标函数加上一些规则(限制),让他们不要自我膨胀,分为L0,L1,L2正则化 L0正则化的值是模型参数中非零参数的个数。 L1正则化表示各个参数绝对值之和。 L2正则化标识各个参数的平方的原创 2021-02-23 23:00:31 · 187 阅读 · 0 评论