计算机视觉基础知识(一)--数学基础

A xell

于 2024-03-04 10:28:07 发布

阅读量1.3k

点赞数 21

分类专栏：图像识别文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/newsymme/article/details/136443040

版权

图像识别专栏收录该内容

17 篇文章 8 订阅

订阅专栏

本文概述了矩阵运算（如加减法、乘法、逆矩阵、对称矩阵）、向量在几何变换中的应用、欧式变换、齐次坐标的概念以及梯度下降法在优化中的角色。同时介绍了概率基础、事件运算定律和信息熵在统计与机器学习中的重要性。

摘要由CSDN通过智能技术生成

向量

线性变换

矩阵

充满数字的表格

矩阵加减法

要满足两个矩阵的行数与列数一致;
加法交换律:A+B=B+A

矩阵乘法

要满足A的列数等于B的行数;

单位矩阵

是一个nxn矩阵;
从左到右对角线上的元素值为1;
其余元素为0;
A为nxn矩阵,I为单位矩阵, $AI=A,IA=A$ ;
单位矩阵在乘法中的作用相当于数字1;

逆矩阵

矩阵A的逆矩阵记做 $A^{-1}$ ;
$A\cdot A^{-1}=A^{-1}A=I$ ;
I是单位矩阵

奇异矩阵

没有逆矩阵的矩阵称为奇异矩阵;
当且仅当矩阵的行列式为零时,该矩阵奇异;

当ad-bc=0, $|A|$ 没有定义, $A^{-1}$ 不存在,A奇异;

矩阵转置

行列互换;
用 $A^T$ 表示;

对称矩阵

等于转置矩阵的矩阵为对称矩阵;
矩阵的转置乘以矩阵结果为对称矩阵;

欧式变换

旋转
平移

$a'=Ra+t$

齐次坐标

用N+1维代替N维坐标;
2D齐次坐标:在2D坐标的末尾加上一个额外的变量w;
点 $(X,Y)$ 的齐次坐标为: $(x,y,w)$ ;
有: $X=x/w,Y=y/w$

$(x,y,w)_{Homogeneous}\Rightarrow (\frac{x}{w},\frac{y}{w})_{Cartesian}$

点 $(1,2)$ 的齐次坐标为: $(1,2,1)$ ;
如果点 $(1,2)$ 移动到无限远处;
在笛卡尔坐标下变为: $(\infty ,\infty)$ ;
他的齐次坐标表示为: $(1,2,1)$ ;
因为: $(1/0,2/0)=(\infty,\infty)$ ;

导数(微分)

代表函数(曲线)的斜率;
描述函数(曲线)变换快慢的量;
可判断曲线的极大值点,导数为零的点,斜率为0;

偏导数

多元函数的情况下;
对每个变量求导;
暂时把其他变量看做常量;
意义为查看在其他变量不变的情况下该变量对函数的影响程度;

梯度

本意是一个向量(矢量);
表示某一函数在该点处的方向导数沿着该方向取得最大值;
函数在该点处沿着该方向(梯度的方向)变化最快;
对多元函数的各自变量求偏导,并写成向量形式,就是梯度;

梯度下降法

一种寻找函数极小值的方法;
在参数当前值已知的情况下;
按照该点梯度向量的反方向;
按事先给定好的步长;
对参数进行调整;
多次调整参数后;
函数会逼近一个极小值;

梯度下降法存在的问题

参数调整缓慢;
收敛于局部最小值;

概率基础

机器学习与传统统计分析的区别在于:
关注的主体和验证性;
机器学习不关系模型的复杂度的高低;
仅要求模型有良好的泛化性及准确性;
传统的统计分析对模型有一定的要求;
模型不可过于复杂;

事件关系运算

事件运算定律

交换律: $A\bigcup B=B\bigcup A,A \bigcap B=B\bigcap A$ ;
结合律: $(A\bigcup B)\bigcup C=A\bigcup(B\bigcup C),(A\bigcap B)\bigcap C=A\bigcap(B\bigcap C)$ ;
分配率: $(A\bigcup B)\bigcap C=(A\bigcap C)\bigcup (B\bigcap C)$ ;

概率基本概念

事件发生的可能性大小的度量;
对任何事件A,P(A)>=0;
对必然事件B,P(B)=1;
事件g的概率P(g),在事件集合上满足上述两个条件;

概率的基本性质

$P(\overline{A})=1-P(A)$ ;
$P(A-B)=P(A)-P(AB)$ ;

古典型概率

实验的所有结果只有有限个;
每个结果发生的可能性相同;
P(A)=事件A发生的基本事件数/基本事件总数;

独立性

A,B为随机事件;
若同时发生的概率等于各自概率的乘积;
A,B相互独立;

$P(AB)=P(A)P(B)$

离散

不连续

数学期望(均值)

表示一事件平均发生的概率;
记为 $E(x)$ ;
$E(x)=x_1p_1+x_2p_2+...+x_np_n$ ;
或者: $E(x)=\int_{-\infty}^{\infty}xf(x)dx$

方差

刻画随机变量x;
和数学期望E(x);
之间偏离的程度;
记为D(x);

标准差(均方差)

方差的算术平方根;
反映一个数据集的离散程度;

正态分布(高斯分布)

随机变量x;
服从数学期望为 $\mu$ ,方差为 $\sigma^2$ 的正态分布;
记为 $N(\mu,\sigma^2)$ ;
$\mu$ 据定了对称中心线的位置;
标准差 $\sigma^2$ 决定分布的幅度(胖瘦);

标准正态分布

$\mu=0,\sigma=1$ ;
的正态分布为标准正态分布;

熵

物理学上为混乱程度的度量;
系统越有序,熵值越低;
系统越分散,熵值越高;

信息理论

系统的有序状态一致;
数据越集中的地方熵值越小;
数据越分散的地方熵值越大;
上述为从信息完整性方面的描述;
数据量一致;
系统越有序,熵值越低;
系统越分散,熵值越高;
以上是从信息的有序性上进行的描述;
不确定性越大,信息量越大,熵值越大;
不确定性越小,信息量越小,熵值越小;

信息熵

事件Ade分类划分为: $A_1,A_2,...,A_n$ ;
每部分发生的概率为: $p_1,p_2,...,p_n$ ;
信息熵的定义如下式:

$Ent(A)=-\sum^n_{k=1}p_klog_2 p_k$

A xell

关注

21
点赞
踩
33

收藏

觉得还不错? 一键收藏
0
评论
计算机视觉基础知识(一)--数学基础

向量线性变换矩阵充满数字的表格矩阵加减法要满足两个矩阵的行数与列数一致; 加法交换律:A+B=B+A矩阵乘法要满足A的列数等于B的行数;单位矩阵是一个nxn矩阵; 从左到右对角线上的元素值为1; 其余元素为0; A为nxn矩阵,I为单位矩阵,; 单位矩阵在乘法中的作用相当于数字1;逆矩阵矩阵A的逆矩阵记做; ; I是单位矩阵奇异矩阵没有逆矩阵的矩阵称为奇异矩阵; 当且仅当矩阵的行列式为零时,该矩阵奇异;当a
复制链接

扫一扫

专栏目录