senbinyu的博客

学习策略对于培训和测试也非常重要。 首先，对数据进行预处理（例如图像增强）有时对于预测合理的结果至关重要。1. 验证集划分直接划分：随机划分的方式使得模型的训练数据可能和测试数据差别很大，导致训练出的模型泛化能力不强。LOOCV: Leave-one-out cross-validation，这相当于是k折交叉验证的一个极端情况，即K=N。每次只用一个数据作为测试，其他均为训练集，重复N次（N为数据集数目）kFold，k折交叉验证，每次的测试集将不再只包含一个数据，而是多个，具体数目将根据K的选

和图像分割中将损失函数分为基于分布，基于区域以及基于边界的损失函数不一样，目标检测经常可以认为由2类最基础的损失，分类损失和回归损失而组成。分类损失CE loss，交叉熵损失交叉熵损失，二分类损失（binary CE loss）是它的一种极端情况. 在机器学习部分就有介绍它。如下图所示,y是真实标签，a是预测标签，一般可通过sigmoid，softmax得到，x是样本，n是样本数目，和对数似然等价。focal loss,用改变loss的方式来缓解样本的不平衡，因为改变loss只影响t

损失函数是最优化目标的一种代表，大多数情况下，我们无法直接用最优化目标，故用损失函数来替代。因此，如何选择一个损失函数，以让他和最优化目标更为接近显得极为重要。更多文献综述及文献回顾，请参阅：https://github.com/senbinyu/Computer_Vision_Literatures1. Review paper，综述文献推荐Ma et al., 2020, Nanjing University of Science and Technology, Segmentation Los

本文集中了一些针对模型压缩和技巧，用于加快计算速度的论文。 如下所示，模型压缩具有不同的技术，在这里我将主要列出深度学习网络部分。1. Review papers，综述文章以下是推荐用于模型压缩和加速的几篇论文。Cheng Yu et al., A survey of model compression and acceleration for deep neural networks, 2017.Cheng Jian et al., Recent advances in efficie

本文列出了一些经典的轻型神经网络架构设计的集合，广泛用于移动设备等。轻量级网络的评论文章通常包含模型压缩和处理技巧，可参阅以下系列文章https://github.com/senbinyu/Computer_Vision_Literatures1. 综述文献推荐Cheng Yu et al., 2017, A survey of model compression and acceleration for deep neural networksCheng Jian et al., 2018

本文罗列了 and state-of-art papers working on image segmentation by using deep learning.1. Review papersGuo et al., Leiden University, 2018, A review of semantic segmentation using deep neural networksRecommand Minaee et al., Snapchat Inc, 2020.01, Image Seg

为读者正确理解意思，目录用英文表示，正文为中文。更多的关于计算机视觉的综述可查阅https://github.com/senbinyu/Computer_Vision_Literatures目录表1. Review papers2. Detection paradigms2.1 Two-stage detectors2.2 One-stage detectors3. Feature representing (feature extraction and fusion)3.1 mul

本文将列出神经网络几种骨架结构的历史沿袭，对从框架上了解backbones有重要帮助。阅读时间约10分钟。更多的机器视觉文献回顾可参阅：https://github.com/senbinyu/Computer_Vision_Literaturesnetwork backbones是神经网络最重要的体系结构。1. Review papers以下列出一些综述文章，推荐阅读第二篇Neena Aloysius and Geetha M, A Review on Deep Convolutional Ne

1 导论本文阅读时长约为3分钟。在今年的三大顶会中，利用pytorch做研究的论文已经一枝独秀，这归功于它的易操作性。当然，pytorch中也有一些需要注意的点，如自加和普通加，在一般的语言中两者等价，在pytorch中则是不一致的，是新手常会踩的一个坑，需要理解与掌握。2 pytorch中的自加（+=）普通加pytorch有些特殊，普通的加法如果赋给原来的值，其实质上是新开了一个变量，而...

1 自动求导autograd简介本文阅读时长大约5分钟。机器学习及深度学习中，梯度求导这个操作无处不在，pytorch为了使用方便，将梯度求导的方法包含在torch.autograd类中。2 一般的梯度求解 torch.autograd.grad()在一般的梯度求解中，使用其中的 torch.autograd.grad(y,x,retain_graph)，表示求y对x的偏导，具体代码如下：...

1 导论–什么是决策树本文整体阅读时长约10分钟。如果只想对决策树有个概念性的了解，建议只阅读各级标题即可。决策树算法是一种采用树形结构解决分类问题的算法。其树形结构如下图所示，主要包含根节点，叶结点，及两者之间的中间结点，可以看出，根节点划分开始直至全部为叶结点结束。2 决策树学习流程2.1 特征（属性）选择选择哪些特征作为分类的标准是决策树算法的关键，因为特征选择的好坏直接决定了分...

win7中，通过anaconda3，pycharm安装管理CPU版本的pytorch1. 安装Anaconda进入Anaconda官网（https://www.anaconda.com/distribution/#download-section）下载电脑系统所对应的版本，一路点击安装，在其中记得选择add path to environment variable。检查是否安装完好。win...