算法
文章平均质量分 82
perfect Yang
Day Day UP
展开
-
Accuracy准确率,Precision精确率,Recall召回率,F1 score
FP(False Positive):被错误预测的正例。即该数据的真实值为反例,但被错误预测成了正例的情况;FN(False Negative):被错误预测的反例。即该数据的真实值为正例,但被错误预测成了反例的情况。真正例和真反例是被正确预测的数据,假正例和假反例是被错误预测的数据。TP(True Positive):被正确预测的正例。即该数据的真实值为正例,预测值也为正例的情况;TN(True Negative):被正确预测的反例。即该数据的真实值为反例,预测值也为反例的情况;原创 2024-04-09 15:47:10 · 957 阅读 · 0 评论 -
基于K-means与CNN的遥感影像分类方法
各方面学者对遥感图像的分类有着诸多研究,提出了许多分类方法,按是否需要选取标记样本可将分类方法分为监督分类和非监督分类。根据表达和学习特征的方式,可将现有的遥感图像分类方法大致分为三类: 基于人工特征描述的分类方法、基于机器学习的分类方法和基于深度学习的分类方法。遥感影像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现图像的分类。常见的分类方法有:监督分类、非监督分类法。原创 2023-12-09 20:05:56 · 2495 阅读 · 0 评论 -
MP-Former:基于掩码引导的Transformer用于图像分割
• 本文提出了一种基于掩码引导的Transformer模型,用于改进Mask2Former在图像分割中的掩码注意力机制。通过引入真实掩码作为引导,该方法有效地减轻了Mask2Former中不准确掩码预测的负面影响,并在实例分割、全景分割和语义分割三个任务上取得了显著的性能提升。原创 2024-03-21 11:31:23 · 393 阅读 · 0 评论 -
强化学习总结
强化学习一、强化学习概述1.强化学习简介强化学习最早可以追溯到早期控制论以及统计、心理学、神经科学、计算机科学等学科的一些研究。在最近的五到十年中,强化学习在机器学习和人工智能研究者中得到了大量的关注,它描绘了一种在不进行具体指导的情况下通过对智能体进行奖励与惩罚而完成任务的编程方式。但是完成这一想法有着巨大的计算困难。(1)强化学习是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激原创 2021-07-14 17:48:50 · 2874 阅读 · 0 评论