- 博客(7)
- 收藏
- 关注
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
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人