- 博客(5)
- 收藏
- 关注
原创 工业质检之无监督图片异常检测
随着深度学习的发展,对图片进行异常检测的方法也变得越来越多越来越强,比如卷积神经网络CNN,标注好异常的图片,收集好样本,经过有监督的训练可以获得很好的效果,在数据的加持下,深度学习有一统天下的趋势;还有就是降噪自编码器,可以直接给他正常样本,训练一个自编码器恢复原图片,对比图片发生变化的位置就可以定位缺陷的位置,GAN模型也同理,通过重建正样本,找到缺陷位置。
2023-02-24 19:40:35
1534
1
原创 卡尔曼滤波-建立卡尔曼滤波直觉
小白读者也能读懂的卡尔曼滤波讲解,卡尔曼滤波作为一种强大的数据融合和数据预测算法,在很多方面都有着不错的运用;用于雷达追踪定位和导航系统、控制系统、计算机图形等等。卡尔曼滤波的核心思想比较简单,核心就是下面图一中的五个公式,更新和预测不停的迭代下去,但是许多书籍和教程并不容易理解。大多数教程都默认读者具备了相应的数学背景(虽然我认为确实是的,但是上来就怼公式真的很难学进去),把公式晾出来之后,就开始推导,我反正很难看进去,而且大都缺乏实用的数值示例让读者更进一步的从实际角度去理解。
2022-12-27 13:50:43
403
原创 面试时如何完整精确的回答动量下降法(Momentum)和Adam下降法的原理
在人工智能算法中,最终的目标都是找到一个最优的模型,而如何找到这个最优模型的参数一般有两种方法:第一就是等式求解,这个只对一部分简单的模型有效果,当模型的复杂度上升和参数变多时,求解将会变的极其困难,甚至不存在等式解。所以那么这里也就有第二种方法:梯度求解,这是一种利用梯度来一步步接近最优解。其中最有名和最普遍的有批量梯度下降法(BGD),随机梯度下降法(SGD),小批量梯度下降法。上面三种梯度...
2019-02-19 10:42:03
546
原创 深度学习的万能近似原理--从图像来形象的理解这一概念
所谓万能近似原理(niversal approximation theorem)就是说不管一个模型多么的复杂和多变,只要通过足够多的层数和足够多的神经单元进行训练,就能近似的得到这个模型。要了解这个原理首先要从单个单元和单层单元入手。如下定义:RD → Rx
2019-02-18 21:45:58
1970
3
原创 从线性判别分析(LDA)来理解线性分类(linear classifiers)和概率模型(probabilistic modeling)
首先什么是线性分类我们最常见的线性分类器逻辑回归(logistics regression)和支持向量机(support vector machine),逻辑回归的思想就是通过数据集找到一条决策边界(decision boundary)能将数据分割开来,他的损失函数就是对数损失,而他的格式又对应于相应的极大似然估计的推断,和概率已经不自觉的挂上钩了。而支持向量机本质上也是找到一条决策边界来分离数...
2019-02-18 21:03:00
1617
1
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