训练决策树的参数是什么
在决策树的节点处分割的标准是什么
基尼系数的公式是什么
熵的公式是什么
决策树如何决定在哪个特征处分割
你如何用数学计算收集来的信息?你确定吗?
随机森林的优点有哪些
介绍下boosting算法
gradient boosting如何工作
关于adaboost算法,你了解多少,它如何工作
SVM中用到了哪些核?SVM中的优化技术有哪些
介绍下无监督学习,算法有哪些
在k-means聚类算法中,如何定义k
告诉我至少3种定义k的方法
-
SVM
- 线性SVM
- 最优化问题:
- 对偶优化问题:
由以上求得对偶优化问题的解为 - 合页损失函数:
- 原问题的解:
- 最优化问题:
- 非线性SVM:
- 非线性支持向量机是在对偶优化问题的基础上引进核函数得到的,表达式如下:
由以上求得对偶优化问题的解为 - 计算得
- 决策函数:
- 常见的核函数:
1、多项式核函数:
2、高斯核函数:
3、字符串核函数:$$
- 非线性支持向量机是在对偶优化问题的基础上引进核函数得到的,表达式如下:
- 序列最小最优化算法
- 线性SVM
L1范数和L2范数的区别
以线性回归为例,损失函数加入L1称为lasso回归,损失函数加入L2的称为ridge回归。
L1正则化是指权值向量中各个元素的绝对值之和,L2正则化是指权值向量中各个元素平方和再开方
L1正则化可以产生稀疏解,用于特征选择(某种程度上也能防止过拟合),L2正则化可以防止过拟合(使模型参数变小,提高模型的抗干扰能力)-
Mask R-CNN
- Mask R-CNN扩展自 Faster R-CNN,Faster为流行的目标检测框架,Mask将其扩展为实例分割框架。
- Mask是一个两个阶段的框架,第一个阶段扫描图像并生成提议(proposals),第二阶段分类提议生成边界框和掩码。
- Mask通常以ResNet50或ResNet101+特征金字塔网络(FPN)作为主干网络。FPN引入了额外的复杂度:在FPN中第二个金字塔拥有一个包含每一级特征的特征图,而不是标准主干网络中的单个主干特征图(第一个金字塔中的最高层)。选用哪级特征是由目标的尺寸动态决定的。
- RPN:一个轻量级的神经网络,它用滑动窗口来扫描图像(主干网络的特征图),并寻找存在目标的区域,RPN有两个输出,分别为:1)anchor类别:前景或背景;2)边框精调:通过评估delta输出(x, y, 宽, 高的变化百分数)以精调anchor box来更好地拟合目标。这样我们可以选出最好的包含目标的anchor,并对其位置和尺度进行微调。
- ROI分类器和边界框回归器
这个步骤是在RPN提出的ROI上运行的。该步骤同样有两个输出:1)类别:ROI中目标的类别;2)边框精调:和RPN类似。 - ROI池化:
由于RPN生成的ROI可以有不同的尺寸,但是分类器只能处理固定尺寸的输入,为了解决这个问题,Mask R-CNN的作者提出了ROIAlign,采用双线性插值进行裁剪。 - 分割掩码:
前面的步骤正是用于目标检测的Faster R-CNN。而分割掩码网络正是Mask R-CNN的论文引入的附加网络
掩码分支是一个卷积网络,以ROI分类器选择的正区域为输入,训练过程中将真实的掩码缩小,产生低分辨率掩码(28*28),但是这个掩码是由浮点数表示(软掩码)相对于二进制掩码有更多的细节。预测过程中将掩码放大为ROI边框尺寸,以给出最终的掩码。
-
FCN
- 不含fc层的全卷积网络,可接受任意大小的初入
- 增大特征图尺寸的反卷积,能够输出精细的结果
- 结合不同的深度层结果的跳级结构,同时确保鲁棒性和精确性。
特征点匹配错误的解决方案
回环检测
OpenCV边缘检测算法
相机位姿的计算
点云
特征操作子(SIFT)
KMP算法
最小二乘法和随机梯度下降
视觉面试题
最新推荐文章于 2024-01-07 04:19:44 发布