![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
定义理解
good good study
这个作者很懒,什么都没留下…
展开
-
信息的度量(信息熵)
信息熵:一条信息的信息量和其不确定性有着直接的关系,比如我们想弄清楚一个非常不确定的事需要大量的信息,可以认为信息量就是不确定性的多少。比如错过了世界杯,想要猜32个球队哪只是冠军,可以先问是1-16吗,假如猜对了,可以继续问1-8吗,这样就需要五次就可以知道哪个球队是冠军,所以谁是冠军这个信息就是5.有些人发现可能不需要五次就能猜出来谁是冠军,因为有些球队夺冠的可能性更大一些,因此猜的时...原创 2019-01-13 21:04:30 · 903 阅读 · 0 评论 -
NMS
非极大抑制:用于目标检测中删除重复的框输入:多个检测的边框,每个边框有得分输出:最好的边框对于同一张人脸,可能会存在很多个边界框(每一个框都带有一个分类器得分),我们的目标是,使用NMS抑制那些冗余的框,抑制的过程是一个迭代-遍历-消除的过程。1.将所有框的得分排序,选中最高分及其对应的框。2.遍历其余的框,如果当前最高分的框和其框的面积交并比(IoU)删除大于设定的阈值的框。...转载 2019-02-14 10:36:33 · 1114 阅读 · 0 评论 -
Accuracy 和 Precision
True Positive :判断为真,实际为真的样本False Positive :判断为真,实际为假的样本True Negative :判断为假,实际为假的样本False Negative :判断为假,实际为真的样本精度Precision=TP/(TP+FP)召回率Recall=TP/(TP+FN)准确度Accuracy = (TP+T...原创 2019-02-14 09:43:23 · 264 阅读 · 0 评论 -
计算机视觉任务
图像分类目标检测目标识别语义分割实例分割原创 2019-02-11 18:39:40 · 440 阅读 · 0 评论 -
Gram矩阵的理解
Gram Matrix实际上可看做是feature之间的偏心协方差矩阵(即没有减去均值的协方差矩阵),在feature map中,每一个数字都来自于一个特定滤波器在特定位置的卷积,因此每个数字就代表一个特征的强度,而Gram计算的实际上是两两特征之间的相关性,哪两个特征是同时出现的,哪两个是此消彼长的等等,同时,Gram的对角线元素,还体现了每个特征在图像中出现的量,因此,Gram有助于把握整个图...转载 2019-02-04 14:08:29 · 1990 阅读 · 0 评论 -
深度学习中预训练和微调的个人理解
pre-training就是把一个已经训练好的图像分类的模型的参数,应用到另一个类似任务上作为初始参数,这样之前训练模型的过程就叫做预训练,fine tuning就是在训练新任务的过程中慢慢调整参数叫做微调。这种情况大多数应用于迁移学习当中,当新任务的数据量较小时,之前类似的任务数据量较多时,可以使用之前训练的参数作为初始参数来训练新任务。...原创 2019-01-21 14:31:12 · 10297 阅读 · 0 评论 -
GAN目标函数的理解
对于这个公式的理解,辨别函数D希望能使真实数据D(x)概率更大,D(G(z))更小,所以对于D来说,希望这个目标函数值更大,生成函数G希望G(z)更接近x,使得D(G(Z))更大,这时目标函数值更小。...原创 2019-01-15 12:30:34 · 4696 阅读 · 0 评论 -
GAN公式推导
真实数据的分布 生成器生成的分布 噪音Z的分布 生成器,使噪音的分布收敛到真实数据的分布 生成器的输出 判别器,区分真实数据和生成数据 x是真实数据而不是生成数据的概率定义鉴别模型If , D(x) = 1, is the maximum当鉴别模型输出D(x)为1时,即可以轻松判别数据,此时上式取值最大。If is the maximum...原创 2019-07-03 15:06:35 · 465 阅读 · 0 评论