- 博客(6)
- 收藏
- 关注
RSS订阅原创 熵与交叉熵
很多人对熵都理解不清楚，我分析一下原因。首先熵的定义是一件事情的不确定性，不确定性越大，熵就越大，熵越大需要消除这种不确定性的信息量就越大，因此直观上信息量和熵成正比。这时可能就犯晕了，比如第一条信息是：北京发生了地震，另一条信息是发生了地震，不确定是北京还是天津，可能性都是0.5。直觉上第一条信息信息量大啊，因为都告诉我们哪发生了地震。第二条没有给我提供信息啊，等于没说。但显然第二条信息的不确定性大，因此按照熵的定义对应的信息量也更大，这就造成了矛盾。但如果说需要消除这种不确定性的信息量越大可能就好理解了
2020-07-01 11:55:36
205
原创 机器学习3条心决
1）自上而下的模式识别方式和自下而上的机器学习方式。 这条心决提醒我们机器学习算法的基本原则，要用模型去训练特征，而不是手动去设计特征。 2）机器学习的算法本质是梯度下降。 这条心决提醒我们无论是准备数据，还是模型的布局训练都要时刻想到避免梯度下降法存在的问题，比如过拟合，泛化能力等 3）信息论第一性原理，深度学习的目标是提取更有效的信息消除不确定性。 这条心决提醒我们设计和改进算法的根本目的是什么。...
2020-06-29 15:47:17
179
1
原创 Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 发展历程解读
1 Pose machines: Articulated pose Estimation VisInference machines 理解Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields这篇文章需要从Pose machines这篇文章开始，正是这篇文章真正开启了使用机器学习思想进行骨架识别的方法。1.1传统骨架节点识别方法 传统的方法既基于自上而下的模式识别方法，是基于“图模型的方法”，主要思路如下：
2020-06-29 15:06:29
287
原创 模式识别与机器学习基本思想讲解
对我们这些搞模式识别的人来讲，很难一下子把思维模式从模式识别切换到机器学习，从算法流程角度讲： 1）模式识别是先人为定义辨识度高的特征，再使用算法对特征进行提取，最终使用一个BP神经网络或SVM进行分类。 2）机器学习则不一样了，其中核心体现在了深度学习和数据这两个概念上，这时我们的关注点应该放在数据上，放在深度学习模型的特点上，因此机器学习的流程先是首先对数据进行梳理，之后用深度学习自动提取特征，通过该特征进行识别。&nbs
2020-06-13 22:36:45
635
原创 多目标检测Yolo的理解
把Yolo模型搞清楚后不得不再次为人类的智慧感慨，一个巧妙的模型。要想理解Yolo我们先要搞清楚Yolo到底要解决一个什么问题，解决这个问题必须做哪些事情。Yolo属于多目标检测，因此需要解决两个问题：1）从一张图片中可以识别出多个不同种类的物体2）并且用一个框将每个物体分割出来，既要得到物体的尺寸。直观来看这两个问题，那一个是分类问题，另一个是回归问题。分类问题就是说能够从图片中识别出不同物体种类，回归问题是可以通过非线性拟合计算出物体的尺寸坐标。把握住解决问题的实质就可以明确样本训练如何设计
2020-06-05 09:56:16
3244
原创 行为识别算法分类总结
1 按照特征复杂度分类1.1低级特征也称为手动计算特征，既根据对被识别对象的特征知识理解进行特征提取，主要有：1）图像特征，既基于RGB或灰度图像的特征提取，通常是基于灰度图像2）光流特征，基于光流场进行特征计算3）骨架特征，计算骨架的几何特征1.2中级特征主要思想是对图像进行预处理，不直接计算特征，但也不是端对端算法，预处理后经过CNN进行行为识别。常用预处理方法有：1）基于光流场2）基于帧差分两种预处理方案主要反映了行为的时序特征，再结合基于RGB的空间特征识别，形成双流法。1.3
2020-06-02 08:56:24
6398
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人