- 博客(6)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习week4
先看编码器部分，输入图像先进行patch partition，每个patch大小为4x4，输入维度为H/4 x W/4 x 48，经过linear embedding和两个Swin Transformer block后特征图尺寸为H/4 x W/4 x C，然后通过patch merging进行下采样，再经过两个Swin Transformer block后特征图尺寸变为H/8 x W/8 x 2C，最后再进行一次同样的下采样操作即可完成编码器的操作。该模型的主要特点是具有“U”形状的结构，因此得名。
2024-05-11 15:15:04
872
原创 线性相关性，基， 维数
线性相关性线性无关：对于矩阵A，Ax=0只存在唯一解x=0，即rank(A)=n,即无自由变量时，A中各列线性无关线性相关：对于矩阵A，Ax=0存在除x=0以外其他解，即rank(A)<n，即有自由变量时，即零空间只有零向量，A中各列线性相关基基：向量组中的向量存在这样的性质：向量间线性无关、它们生成整个空间主列就是列空间的基，主行就是行空间的基维数维数：一个向量空间的所有基都包含相同数量的向量，基中向量的个数，称为空间的维数联系rank(A) = 主列个数 = 列空间的维数零空间
2021-09-13 10:05:25
458
原创 语义分割评价指标
语义分割评价指标1.PA：像素准确率对应准确率Accuracy,预测类别正确的像素数占总像素数的比例PA = （TP + TN) / (TP + TN + FP + FN)2.CPA:类别像素准确率对应精准率Precision，在类别 i 的预测值中，真实属于 i 类的像素准确率CPA1 = TP / (TP + FP)CPA2 = TN / (TN + FN)…3.MPA:类别平均像素准确率计算每个类别CPA，然后累加求平均混淆矩阵中对角线的值除以每列的和4.IoU:交并比假设二
2021-08-24 17:18:55
787
原创 弱监督学习
弱监督学习1. 介绍弱监督学习分为三种：不完全监督，不确切监督，不精确监督不完全监督：只有部分数据有标签，一部分没有标签不确切监督：知道这个图片有这个标签所对应的示例， 但是不知道是哪个示例不精确监督：有一部分标签标注错误针对以上，可以用不同的方法解决和改善2.不完全监督有两种方法，分别是主动学习和半监督学习，第一种有人为干预，第二种没有。（1）主动学习：首先，我们先训练这些标注过的数据，然后我们根据得到的经验对这些没有标注过的数据进行聚类.在这些未标记数据中，主动学习尝试选择最有
2021-08-24 15:54:28
2552
原创 数据增强方法
数据增强1.有监督的数据增强1.1 单样本数据增强几何变化类：即对图像进行翻转，旋转，裁剪，变形，缩放等各类操作（1）左右翻转：torchvision.transforms.RandomHorizontalFlip()（2）上下翻转：torchvision.transforms.RandomVerticalFlip()（3）随机剪裁torchvision.transforms.RandomResizedCrop((height, width), scale=, ratio=)颜色变化
2021-08-24 14:38:14
730
原创 数据结构期末总结
数据结构期末总结1.图1.1图的数据结构1.2有向图和无向图的DFS和BFS算法1.2.1 DFS1.2.2 BFS1.3 拓扑排序1.4最短路径 Dijkstra算法2.排序算法2.1分治相关的排序2.1.1归并排序2.1.2 快速排序1.图1.1图的数据结构边列表结构顶点储存在一个无序的列表V中，所有边储存在一个无序的列表E中不足：为了找到顶点的入射边，需要研究E中的所有边邻接列表结构通过将图形的边存储在较小的位置来对其进行分组，从而和每个单独顶点相关联的次机容器集合器来（有向图的情况下
2021-06-27 13:49:01
529
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人