备忘笔记
上了年纪也要写代码
主要研究计算机视觉
展开
-
线性回归于逻辑回归损失函数的由来
把这两个放在一起不是因为名字像,而是因为推到过程所用的方法是一样的,都是求最大似然函数:已知结果,假设概率分布函数,求解使结果出现的概率最大的参数1.线性回归:损失函数为最小二乘损失1/2(y-y^)^2假设误差e=y-y^满足均值为0,方程为一个常数的整体分布,最大化对数似然函数后,可推导出最终的损失为最小二乘2.逻辑回归:实际上逻辑回归解决的是一个分类问题,主要是二分类,也可以拓展到多分类上同样利用最大似然概率,推导出损失函数为交叉熵...原创 2020-08-13 15:30:22 · 448 阅读 · 0 评论 -
YOLOV4目标检测训练trick(bag of freebies)
bag of freebies:在训练阶段使用的trick,不影响测试效率1.数据增强pixel-wise:1)photometric distortions:调节亮度,对比度,饱和度,色调,增加噪声等2)geometric distortions:缩放,裁剪,翻转,旋转模仿目标遮挡情况:1)随机擦除【1】:给像素赋随机值或者[125.0, 122.0, 114.0](平均值即ImageNet mean pixel value)2)cutout:随机将一个矩形区域内像素值设为原创 2020-05-18 21:47:57 · 1629 阅读 · 0 评论 -
马尔科夫随机场做图像分割
引言本文尽量避免了算法本身的一些复杂公式,结合自己的理解展示了如何实现马尔科夫随机场并将其应用到图像分割问题上,只要懂贝叶斯公式,懂得正态分布,就可以看懂本文的原理介绍。首先用一句话概括:根据观测到的图像(各点像素值X),我们要求得对应像素的类别(Y),即求最大后验概率P(Y|X)有些伙伴可能会有些疑惑,只知道像素值为什么可以求类别呢?瞎猜吗?当然不是,这里面包含了很严谨的数学原理,就是应用概率进行推测,下面将慢慢给大家介绍。初始条件1.观测一副图像,可以知道图像的特征图(fij表示对应原创 2020-05-15 10:59:53 · 2695 阅读 · 2 评论 -
支持向量机数学原理推导
将支持向量机转换为数学模型,推导其计算过程,其中主要的步骤概括如下:1.分类超平面的概念2.间隔和几何间隔之间的区分3.求解目标为,正负例中距离分类超平面最近的几何距离最大化,使得分类最可靠,对噪声的适应性更强,求解过程中,往往固定间隔为1,求几何间隔1/||W||的最大值,即最小化||W|。4.要求所有样品与分类超平面的间隔大于设定好的固定间隔(即为1),形成最小化||W||时的...原创 2019-12-25 09:53:31 · 340 阅读 · 0 评论 -
朴素贝叶斯模型Naive Bayes推导过程
从贝叶斯模型的训练到预测过程,手写推导计算公式,主要记录自用,也欢迎参考交流训练过程:预测过程:原创 2019-12-19 09:40:44 · 254 阅读 · 0 评论 -
逻辑回归推导过程(最大似然法和交叉熵法)
本文分别使用最大似然法和交叉熵法求逻辑回归的损失函数,最大似然同样可以从2分类推导到多分类的应用,最终两方法的结果是相同的。得到损失函数后续就是梯度下降了,梯度下降和误差反向传播可以参考https://blog.csdn.net/qq_38232171/article/details/103288345。PS:本文为备忘笔记,推导过程不小心写错也就直接改在上面了,有些符号可能也不是很匹配(边想边写...原创 2019-12-16 10:04:38 · 725 阅读 · 0 评论