机器学习
文章平均质量分 56
AaronJiang395
这个作者很懒,什么都没留下…
展开
-
沈华伟老师图卷积神经网络教学视频笔记
图卷积神经网络1. CNN1.1 CNN有效的原因2. 从基于欧式数据的网络迁移到非欧数据上2.1 主要困难2.2 目标3. 卷积数学中的卷积(信号处理中的卷积)连续量卷积图像上的卷积总结:卷积是一种对信号的处理方式图卷积的两种方法:Spectral method (谱方法)特点:问题:Spatial method (空间方法)特点:基本思想:挑战:功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右Sma转载 2021-01-16 23:41:00 · 2126 阅读 · 0 评论 -
MatrixNets 目标检测模型解析
论文地址:https://arxiv.org/abs/1908.04646v1按照作者的实验,该模型表现十分突出,远超cornerNet, 也比CenterNet的性价比高(参数少,准确率略高一点,具体请看图)另外是说训练速度也快一些,且前向时间比CenterNet的快3倍。那么接下来看看这个网络有哪些优点。类似与FPN,本文也考虑了多尺度问题,但除了尺度特征图归一化,本文...原创 2020-01-22 17:58:15 · 672 阅读 · 0 评论 -
opencv 透视变换作用在图上和点上的实现
原理介绍公式推导请参考下面这篇文章:https://blog.csdn.net/xiaowei_cqu/article/details/26471527import cv2import numpy as npimport matplotlib.pylab as pltimg = cv2.imread('/home/aaron/Pictures/bird.jpeg')p...原创 2019-05-16 00:03:35 · 1881 阅读 · 0 评论 -
图像增强库imgaug的目标检测数据使用笔记
imgaug 检测和分割数据增强原创 2019-03-05 03:27:59 · 2552 阅读 · 1 评论 -
拉格朗日乘子法的深度理解
https://www.cnblogs.com/jermmyhsu/p/8227982.html原创 2018-12-10 18:26:48 · 244 阅读 · 0 评论 -
关于RMAC应用关键点
一、 一共有三个地方关于提取特征向量的地方1、生成数据:直接使用RMAC2、第一次RANK: 其实有两种用用场合:原数据集(Paris和Oxford)类,由于背景也存在相关性,因而第一次rank直接使用RMAC较好;另一种情况是:由于环境无关,那么为了去除背景问题,取全图MAC或者bbox内的MAC, RMAC组合后可能会使得更加混乱。3、RERANK的时候:肯定取BBOX 内部的MA...原创 2019-04-12 18:36:46 · 1232 阅读 · 0 评论 -
模式识别课堂笔记极简
推倒均方差误差求导公式 模型:该模型依旧是线性模型:将项看做是新的一个特征项即可,当然,模型完成的是关于的非线性映射。 过拟合解决方法之一:正则项因为所以所以增量的影响方式通过x和w一起影响预测结果。正则项因此是有效的。 事实上整个模型的误差来源分为 bias and variance两个因素。 是的无偏估计证明如下(中心极限定理):...原创 2018-09-28 15:01:04 · 135 阅读 · 0 评论