jameswangdonghao-CSDN博客

原创生成式和判别式模型的区别

不同点：生成式模型会依据联合概率P(x,y),由贝叶斯公式P（A|B）=P（A）P（B|A）/P（B）计算得到条件概率。判别式模型无法辨别数据本身的特性，需要数据较少；生成式模型需要大量数据，学习成本较高。生成式模型：对数据进行建模后分数据类别建立不同的模型，学习联合概率后得到条件概率。判别式模型：生成分类函数和分类hyperplane，学习条件概率。生成式模型可转判别式，判别式不可转生成式。共通点：依赖条件概率。

2023-07-05 10:18:40 178

原创 Yolov1到v7的各种算法改进及背后思想

SIoU Loss通过引入了所需回归之间的向量角度，重新定义了距离损失，有效降低了回归的自由度，加快网络收敛，进一步提升了回归精度。是将原输入分成两个分支，分别进行卷积操作使得通道数减半，然后一个分支进行Bottleneck * N操作，然后concat两个分支，使得BottlenneckCSP的输入与输出是一样的大小，这样是为了让模型学习到更多的特征。通过卷积层和BN的合并以及卷积层之间的合并（3*3和1*1的合并）提高运行速度。这样做的好处是保留了尽可能多的不同层上的特征，提高了预测的准确性。

2023-07-05 09:53:53 481

原创视觉检测难点

解决方案：硬采样：规定正负比例样本，软采样：规定权重，无采样：根据前面的样本估计后面的权重，生成式解决方法：GAN。解决方案:多尺度训练，Scale Normalization for Image Pyramids。解决方案：SSD网络，anchor 理念，在损失函数中加入调制因子，FPN特征金字塔。解决方案：切片、对小对象进行过采样，augumentation。解决方案：差值图像+开闭操作。

2023-06-19 15:09:23 127 1

原创 AI视觉检测目前的一些难点

但经常遇到的情况是，许多明显的缺陷，因为之前没有发生过，或者发生的模式过分多样，而被漏检。1、光源与成像：机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因此光源与成像可以说是机器视觉检测要攻克的第一个难关。2、重噪音中低对比度图像中的特征提取：在重噪音环境下，真假瑕疵的鉴别很多时候较难，这也是很多场景始终存在一定误检率的原因，但这块通过成像和边缘特征提取的快速发展，已经在不断取得各种突破。来自知乎：施努卡视觉在问题：机器视觉工业检测技术的发展面临哪些难题？

2023-06-15 12:19:46 543

原创 3D点云输入——PointNet和Pointnet++简述

3.4D->3D batch_size*n_points*features 每个sample对应16个点，1个特征。改进方法：MSG(multi-scale grouping) MRG(multi-res grouping)1.维度变换:batch_size*n_points*n_sample*n_features。总体结构：分别对单个点进行特征提取——>再在hiddenlayer做max操作。点云的backbone：Pointnet 处理点云数据。-每次采样分组卷积得到-》batch*中心点*特征。

2023-06-12 10:30:26 229

原创 6.9- C++学习笔记（ELF文件&内存）

它是自动对象（auto），在程序运行期间不是一直存在，而是只在函数执行期间存在，函数的一次调用执行结束后，变量被撤销，其所占用的内存也被收回，局部变量对于函数外部的程序来说是不可见的。静态全局变量：具有文件作用域。全局区/静态存储区：主要为 .bss 段和 .data 段，存放全局变量和静态变量，程序运行结束操作系统自动释放，在 C 中，未初始化的放在 .bss 段中，初始化的放在 .data 段中，C++ 中不再区分了。常量存储区：.rodata 段，存放的是常量，不允许修改，程序运行结束自动释放。

2023-06-11 12:12:30 161

原创 6.2算法调研笔记

2. Tiling，图片分patch。Retina Face结构。Laplacian 算子。3.1 多分类任务损失。1.加入时许上下文结构。

2023-06-09 15:13:45 41

jameswangdonghao的博客