![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
文章平均质量分 50
淘尽黄沙后
这个作者很懒,什么都没留下…
展开
-
机器学习中样本不平衡问题的解决
https://m.nowcoder.com/questions?uuid=31f2dc86be204260a0d01c79a88a7d78参考西瓜书,解决类别不平衡书中提出三种方法: 1.下采样 2.过采样 3.阈值偏移 所以我觉得第一个也应该选吧主要三个方面,数据,模型和评估方法。数据上过采样和欠采样,使之均衡;模型上选对样本不均衡问题不敏感的模型,如决策树; 或者调整分类阈值,使得更倾向与类别少的数据评估方法,比如ROC或者F1得分难易样本不平衡的问...原创 2021-08-19 00:01:30 · 162 阅读 · 0 评论 -
代码注释A2-Nets: Double Attention Networks
github pytorch代码透过代码看其如何实现双注意力计算self.c_m = c_mself.c_n = c_nself.in_channels = in_channelsself.reconstruct = reconstructself.convA = nn.Conv2d(in_channels, c_m, kernel_size = 1)self.convB = nn.Conv2d(in_channels, c_n, kernel_size = 1)self.conv原创 2021-07-16 11:11:16 · 661 阅读 · 0 评论 -
关于BN、LN、GN
BN层的作用就是通过参数控制了每一层输出的均值和标准差。BN的实质是对一个batchsize中的所有batch,把所有图片的相同通道的值相加,然后求均值和方差,然后对每个点做归一化,具体可参考博客,讲的很详细。对于N*C*W*H的输入,进行BN操作时会计算出C个均值和方差,每N*W*H计算出一个均值和方差,再用计算出来的均值和方差对N*W*H个点进行归一化。BN其实并没有解决ICS问题,而是引入了参数γ和β去调节中间层输出的均值和标准差,γ和β会在训练过程中不断更新,意味着均值和标准差也在不断变原创 2021-07-15 15:54:41 · 1435 阅读 · 0 评论 -
CV中的注意力机制
它的成功主要是由于一个合理的假设,即人类的视觉不会倾向于一次性处理完整的图像;相反,人们只关注整个视觉空间的选择性部分。[1]Spatial Transformer Network空间注意力模型(spatial attention):不是图像中所有的区域对任务的贡献都是同样重要的,只有任务相关的区域才是需要关心的,比如分类任务的主体,空间注意力模型就是寻找网络中最重要的部位进行处理。STN网络(Spatial Transformer Network,通过学习输入的形变,从而完成适合任务的预处理操原创 2021-07-11 16:24:25 · 560 阅读 · 0 评论