Cherish450-CSDN博客

原创 1、mmdetection配置

2\去github上找版本较高的项目,进行重新配置,那样的话,与老师将的版本不一致,有些代码更改的地方,就找不到了。可以使用labelme来进行图片的标注，表完后为json格式，要用脚本将其转换为coco数据集的格式。1\新建一个环境去安装版本较低的配置文件 ==>但是若电脑较新,配置较高就会出现不兼容的问题。可以将运行好的代码重命名后，保存到算法运行的地方，注意不要直接替换。将下载好的预训练模型放到哪里到可以,但是要注意这里需制定好路径信息。算法中不明白的参数,可以查看官网的详解。

2024-01-26 09:57:52 759 1

原创 8A、动作识别的时空卷积研究---学习笔记

讨论了几种用于视频分析的时空卷积形式，并研究其对动作识别的影响主要思想：将3D卷积分解为时间和空间维度在精度上可以得到很大的提高工作：1、实证证明，用残差网络为骨架的3D比2D的精度有所提高，当训练大规模数据集并保持同一深度的时候2、实证研究导致一共新的时空卷积快“R（2+1）D”的设计，该块产生的结果很好（empiracally demonstrate 就是用实验得到的模型）1、从2D开始入手：2D在alexNet中有很好的表现，但是3D视频方向好型是静止的。

2023-11-13 10:04:14 117

原创 7、非局部神经网络--学习笔记

卷积网络和循环网络都是构建在一次处理一个局域信息的。例如：卷积核现在，我们为捕获长时间的信息提出了一种可以通用的非局部神经网络构建块。受计算机视觉中的经典非局部平均的方法的启发，我们的非局部操作用所用特征的权重和来计算一个位置的输出。

2023-11-08 18:05:55 141 1

原创 11用深度卷积神经网络做图片分类---学习笔记

训练了一个深层神经网络，具有6000万个参数和650000个神经元的神经网络由5个卷积层组成，其中一些随后是最大池化层，三个全连接层以及最后的1000个softmax输出。为了加快输出，使用了非饱和神经元和GPU为了减少过拟合，使用了dropout1、使用有监督学习可以很好地解决简单的识别任务2、我们的模型需要使用很多先验知识来弥补我们数据集不足的问题，CNN构成了这样一类的模型。

2023-11-07 15:12:08 111

原创 6、利用三维卷积网络学习时空特征---学习笔记

一种简单而有效的时空特征学习方法，使用在大规模监督视频数据集上训练的深度3维卷积网络(3D ConvNet)。发现有三个方面:1)与2D ConvNet 相比，3D ConvNet更适合时空特征学习;2)所有层均具有小型333卷积核的同构架构是3DConvNet 性能最佳的架构之一;3)我们学习的特征,即C3D(卷积3D)，具有简单的线性分类器，在4个不同的基准上优于最先进的方法，并且在其他2个基准上与当前最佳方法相当。

2023-11-03 16:04:56 279

原创 5_1用于视觉识别和描述的长期递归卷积网络---学习笔记

我们开发了一种适用于大规模视觉学习的新的递归卷积架构，该架构是端到端可训练的，并证明了这些模型在1、基准视频识别任务2、图像描述和检索问题3、视频叙事挑战中的价值。与当前假设固定的时空感受野或用于顺序处理的简单时间平均值的模型相比，递归卷积模型是“双重深度”的，因为它们可以在空间和时间“层”中组成。长期RNN模型的吸引力在于，它们可以将可变长度输入（例如，视频帧）直接映射到可变长度输出（例如，自然语言文本），并且可以对复杂的时间动态进行建模；但是它们可以通过反向传播进行优化。

2023-11-01 18:22:28 153

原创 2、逻辑回归Logistic regression

1、经典的二分类算法，也可以多分类2、可用于非线性的3、虽然叫回归，但是解决的是分类问题，因为输入时线性的，输出是非线性的。

2023-08-08 20:40:35 54 1

原创 1、线性回归

1、定义：ε：误差是独立分布的，服从均值为0，方差为θ^2的高斯分布两个式子结合就是最终所求：求解θ的极值点，用似然函数1、似然函数2、转换成log形式（极值点木有变）乘法转变成加法，更易求解求其最大值，因为是负的，所以求代价函数的最小值3、求阶得到代价函数怎样求解得到极小值呢？两种方法。

2023-08-08 20:23:34 99 1

原创 3、聚类Kmeans

1、无监督性问题分类：有监督聚类：无监督，能用分类，不用聚类2、分为多少簇，超参数K质心：向量各维取平均即可。

2023-08-08 15:45:11 52 1

原创 5、集成算法

直接将各种分类器堆叠，并且分阶段训练，下一次训练直接使用上一次训练的结果==>类似于刷分。如果上一次数据分类错误，那么下一次就要给予更大的权重。集成算法：为了让效果更好，用多个算法集合起来使用。随机具有二重性：1、数据采集随机2、特征选择随机。优点：1、能够处理多维度的数据，不用做特征选择。2、训练完成后，可以得到那些特征比较重要。会根据前一次的分类效果调整数据的权重。减弱：（类似于电压）是并行减弱的。特征选择随机，多个决策树并行完成。3、容易做成并行化方法，速度较快。4、可以进行可视化展示，便于分析。

2023-08-05 19:04:51 68 1

原创 4、决策树

1、根节点：第一个选择点，只有出，木有入2、非叶子节点与分支：中间过程，有进有出3、叶子节点：最终决策结果，只有入木有出1、表示随机变量不确定性的度量==>混乱程度2、不确定性越大，赏越大3、信息增益：表示特征X使Y的不确定性减少的程度原熵值为x,选择某一特征后熵值成为了y,信息增益为x-y信息增益越大越好。

2023-08-05 16:33:33 64 1

原创 6、支持向量机SVM（support Vector Machine）

解决的问题：怎样的决策边界最好决策边界：Large Margin ：使两种分开距离最远的地方红色的就是决策边界，两个红点是距决策边界最近的点考虑到数据中有一些噪声点，要放宽一下约束条件，引入了松弛因子：ξ以及超参数C。

2023-08-05 09:38:39 92 1

原创 7、贝叶斯算法Bayes

正常思路：一个不透明的盒子中，黑球N个，白球M个==>取到黑球的概率，取到白球的概率。P(Boy),P(Girl),P(Pants),P(Dress)是可以直接得到的。逆向思路：已知取到黑球的概率、白球的概率==>白球的个数，黑球的个数。D:表示一篇邮件，由N个单词组成，h+表示垃圾邮件，h-表示正常邮件。学校的人数U，男生穿长裤，女生穿长裤或裙子==>穿长裤的女生的概率。P(h+|D),P(h-|D)对比大小，判断时正常还是垃圾。,dN|h+)链式求解。3、当所求的条件概率较难时，转换成条件概率。

2023-08-04 20:31:15 79 1

原创 8、关联规则

数据–ScanD----->C1（所有的1项集）-----------计算support>阙值的保留------>L1(满足阙值的1项集)L1-----ScanD----->C2(所有满足条件的2项集)—计算support>阙值的保留------>L2。在购买计算机的顾客中，有30%的顾客同时购买了打印店，那么打印机和计算机之间有一定关联。因为，其余不满足的就是非频繁的超集了，算出support也不满足阙值，就简便运算啦。（反应了购买了项目集X中的商品的顾客同时也购买了Y中商品的可能性有多大）

2023-07-31 20:36:24 68

原创 9、线性判断分析LDA（Linear Discriminant Analysis）

投影到维度更低的空间中，使得投影后的点会形成按类别一簇一簇的情况，相同类别的点将在投影后的空间更接近。能够最大化类间区分度的坐标轴成分，将特征空间投影到一个维度更小的k维子空间中，同时保持区分类别信息。令分母的长度为1，进行归一化，那么式子就变成了：J（ω）=2、将class label中的名称进行数据预处理。选取特征值较大的特征向量，进行组合，内积实现降维。1、s:散列值：样本点的密集程度值越大，越分散。J（ω）中上下是可以放缩的，所有要进行限制一下。数据预处理中进行降维，实现有监督的降维问题；

2023-07-30 22:45:17 155 1

qq_53453329的博客