2018年10月_donkey_1993

原创图像数据处理算法总结

本博文主要介绍了图像处理的一些基础知识一. 图像存储原理图像存储原理主要分为5种1. RGB颜色空间，使用最为广泛的颜色空间。2. CMY(K)颜色空间，主要用于印刷行业。3. HSV/HSL(I)颜色空间，人类视觉，和画家配色领域。4. CIE-XYZ颜色空间，国际照明协会应用。5. CIE-Lab对色空间，接近人类视觉。二. 空域分析及变换滤波/卷积的...

2018-10-25 20:31:48 7253

原创改善深层神经网络：超参数调试、正则化以及优化优化算法第二周

改善深层神经网络：超参数调试、正则化以及优化优化算法第二课1. Mini-batchBatch vs Mini-batch gradient descentBatch就是将所有的训练数据都放到网络里面进行训练，计算量大，硬件要求高。一次训练只能得到一个梯度。Mini-batch是将训练集分为若干小部分，每次训练都将小部分放到网络里面进行训练。速度快，每个Mini-batch都...

2018-10-24 15:10:59 1392

原创吴恩达改善深层神经网络：超参数调试、正则化以及优化第一周

吴恩达改善深层神经网络：超参数调试、正则化以及优化课程笔记第一周深度学习里面的实用层面1.1 测试集/训练集/开发集原始的机器学习里面训练集，测试集和开发集一般按照6:2:2的比例来进行划分。但是传统的机器学习的训练数据很少只需要几千到几万的数据就可以训练。但是当前基于深度学习的算法训练网络的数据有几百万张，所以他的开发集和测试集的数量虽然增加了但是由于基数大所以...

2018-10-22 22:50:22 2114

原创 ECCV2018 Deep Regression Tracking with Shrinkage Loss 目标跟踪收缩损失

Deep Regression Tracking with Shrinkage Loss论文下载地址：http://suo.im/4ThBkK论文代码：https://github.com/chaoma99/DSLT本论文是2018 ECCV。提出问题：深度回归的跟踪算法现在得到了长足的发展，但是这些算法的准确率和鲁棒性比判别式相关滤波算法要差一些。解决问题：作者发现主要...

2018-10-18 22:11:06 3475

原创吴恩达机器学习训练秘籍整理五十三到五十七章（八）组件分析

第五十三章：根据组件进行误差分析假设你的系统由复杂的机器学习流水线所构建，并且你希望提高该系统的性能，那应该从流水线的哪一部分开始改进呢？你可以通过将误差归因于流水线的特定组件，来决定工作的优先级。在上图的流水线中，第一部分是猫检测器，它能够检测出猫，并将它们从图像裁剪出来；第二部分是猫的品种分类器，决定它是否是暹罗猫。通过按组件进行误差分析，你可以尝试将每一个算法造成的误差归因于...

2018-10-16 17:21:15 1072

原创吴恩达机器学习训练秘籍整理四十四到五十二章（七）优化测试和端到端

第四十四章优化验证测试假设你正在构建一个语音识别系统，该系统通过输入一个音频片段A，并为每一个可能的输出句子S计算得分ScoreA(S) 。例如，你可以试着估计 ScoreA(S) = P(S|A) ，表示句子S是正确输出的转录的概率，其中 A 是给定的输入音频。假设有一个音频片段记录着某人说的：“我爱机器学习。”但你的系统输出的却是不正确的 “我爱机器人。”，它没能够输出正确的转录。...

2018-10-16 16:59:47 1057

原创吴恩达机器学习训练秘籍整理三十六到四十三章（六）训练数据

第三十六章：何时在不同的分布上训练与测试。用户上传的10000张图片。网上收集的200000张图片。用户上传的5000张用来做开发集和测试集。205000用来做训练集。这样可以让他们的数据集的分布尽可能的相同。第三十七章：现有100000张用户上传的图片和200000张网络收集到的图片。这两种图片的分布是不一样的。早期的学习算法是不能将200000张图片用来训练的。但是基于深度学习...

2018-10-16 16:27:24 1066

原创吴恩达机器学习训练秘籍整理三十三到三十五章（五）

第三十三章为何与人类表现水平进行对比：许多机器学习系统的设计目的是想要自动化一些人类可以处理得很好的事情，可举的例子有图像识别、语音识别以及垃圾邮件分类等等。此外，有许多理由表明在处理人类擅长的任务时，构建机器一个学习系统会更加简单：1.易于从人为标签中获取数据2.基于人类直觉进行误差分析3.使用人类表现水平来估计最优错误率，并设置可达到的“期望错误率”。面临的难题：1...

2018-10-16 15:43:17 1038

原创吴恩达机器学习训练秘籍整理二十八到三十二章（四）学习曲线

第二十八章：绘制学习曲线。随着训练集的增加，错误率逐渐的减少。第二十九章：绘制训练误差曲线。随着训练集大小的增加，开发集（和测试集）误差应该会降低，但你的训练集误差往往会同时增加。第三十章：高偏差：随着我们添加更多的训练数据，训练误差只会变得更糟。因此蓝色的训练误差曲线只会保持不动或上升，这表明它只会远离期望的性能水平（绿色的线）。红色的开发误差...

2018-10-16 15:29:32 1203

原创吴恩达机器学习训练秘籍整理二十到二十七章（三）

第二十章：偏差和方差：误差的两大来源你的猫识别器在开发集上的错误率是16%，训练集上的错误率是15%。偏差：在训练集上的错误率。15%方差：开发集上的表现比训练集差多少。16%-15%=1%总误差 = 偏差+方差 = 16%第二十一章：通过偏差和方差来定义欠拟合和过拟合训练集错误率：1%开发集错误率：11%方差为：10%训练集误差低，开发集误差高。这就...

2018-10-16 15:11:59 880

原创吴恩达机器学习训练秘籍整理十一到十九章（二）

第十一章：如何修改开发集，测试集和度量指标我们在开发一个新项目的时候，会尽快选好一个开发集和测试集。这样可以帮助团队制定一个明确的目标。到后面我们会发现初始的开发集，测试集和度量指标设置与期待目标有一定的差距。这时候我们需要修改我们的开发集，测试集和度量指标。在项目中改变开发集、测试集或者度量指标是很常见的。一个初始的开发集、测试集和度量指标能够帮助团队进行快速迭代，当你发现它们对...

2018-10-16 14:14:46 952

原创吴恩达机器学习训练秘籍整理一到十章（一）

第一到四章：1.为什么选用机器学习策略。机器学习是无数重要应用的基础。2.先修知识与符号标记。有监督学习的经验。了解机器学习。3.驱动机器学习发展的原因。数据的可用性和计算规模。传统算法和神经网络算法在数据集较小的情况下区别不大，但是随着数据集的增加和网络层数的加深，效果会越来越好。假设我们要做的产品是一个APP，用户上传图片我们来自动的找到图中有猫的照片。第五章：...

2018-10-16 13:11:26 2169 1

原创 SqueezeNet论文笔记

SqueezeNet ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE论文下载地址：http://arxiv.org/abs/1602.07360 论文代码：https://github.com/DeepScale/SqueezeNet SqueezeNet是一个高密小网络。高密小网络...

2018-10-12 14:40:45 2297

原创多目标跟踪综述2

多目标跟踪：(Multiple Object Tracking or Multiple Target Tracking, MOT or MTT)主要任务是在给定视频中同时对多个感兴趣的目标进行定位，并且维持他们的ID、记录他们的轨迹。多目标跟踪主要存在的问题：1. 确定跟踪目标的数量2.维持各自的ID3.频繁的遮挡4.轨道初始化和终止5.相似的外观6.多目标之间的影...

2018-10-11 19:48:39 4677 1

donkey_1993的博客