qq_33891314的博客

测试过程在少样本目标检测任务中，训练过程每次输入的是一个episode，也就是有一张query image需要检测对象，以及20张support images提供类别信息。在support images中，一共有2个类别，一个类别10张图片。在训练时会确保一个类和query image相同，一个类别和它不同。训练时模型的任务就是找到query image中属于support images类别的对象，然而在测试的时候每张图片需要和20个类别的support features做对比。总体流程如下：每个类

数据集介绍一般的目标检测数据集由两部分组成，图片images和标签annotations。由少样本目标检测数据集FSOD为例。FSOD数据集组成图片部分就不多介绍了，重点来看一下标记部分annotation，对于图片的标记数据一般用json格式保存。上面的图片是FSOD测试集的标记数据，以字典的形式保存，Keys分别为:images: Values是一个列表，长度即测试集图片的数量。列表中的每个元素对应一个图片的数据, 例如id, file_name, width, heighttype:

实验步骤初始化网络架构网络层数，每层神经元数，连接神经元的突触权重，每个神经元的偏置构造bp算法函数对于一个输入数据，前向计算每层的输出值，保存未激活的输出和激活过的输出值，这里用的激活函数是sigmoid根据最后一层的输出值计算出相应的δ，再依次反向计算对应层的δ。根据得到的δ，可以得到每层的Δw和Δb。更新网络中w , b遍历训练集中的每个训练样本，每个样本通过bp算法所得到...

上次学习的单变量回归模型是针对一个特征（变量）而言的，在实际情况中一个样本应该有多种特征，还是拿房价举例。这时候房价有多个特征，包括**面积、房间数量、楼层高度、房龄，**最后还有各自对应的价格。注：nnn = 特征的数量x(i)x^{(i)}x(i) = 输入的ithi^{th}ith训练样本xj(i)x_j^{(i)}xj(i)​ = ithi^{th}ith训练样本的jjj特征值...