![](https://img-blog.csdnimg.cn/20190927151043371.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
AI相关竞赛方案汇总
文章平均质量分 75
目标检测|语义分割|结构化竞赛等
AI扩展坞
当你的能力支撑不了自己的野心的时候,就静下心来安心学习、等待东风来破茧重生
展开
-
2021 DCIC竞赛总结(二)
可以进步的改进点总结case1:进一步改进knn算法:1.感觉结算fence area的计算好像是有点问题,计算的是包裹住4个点的最大矩形的对角线的距离,这个需要改进一下。2 里面只是使用了前2w个数据,可以放开全部数据case2: 使用kmeans算法使用kmeans去拟合进入订单最大的top20个区域,距离每个中心店距离最近的停车点就选择作为潮汐点case3:不仅使用点单数据,还要使用轨迹数据进行综合判断:1 数据需要清洗,有不合理数据2 “潮汐”的进出判断应该包括在一定范围内的骑行量,原创 2021-02-26 23:44:09 · 232 阅读 · 0 评论 -
数据挖掘-心跳信号分类预测
主要工作1 主要是熟悉一下题目内容,跑通baseline2 心跳检测,归属到传统机器学习的分类问题。采用的是lightgbm。这个是个结构化赛事比较管用的一个分类器。3 有一些比较重要的基础内容,需要补充学习一下:推荐:机器学习原理与实践pandas数据处理Matplotlib可视化XGBOOST, LIGHTGBM, GBDT等常用大杀器简介知识点总结参考上图,我们能看出:训练集准确度:XGBoost = LightGBM(明确类别特征)>LightGBM(不明确类别特征原创 2021-03-16 20:49:31 · 1275 阅读 · 0 评论 -
2021 DCIC竞赛总结(一)
1.主要完成任务1 观看水哥视频,初步数据探索2 了解比赛相关流程和评分结果3 了解task1解题思路2.赛题描述3.实现过程(1) top40 baseline跑通主要有2种实现:使用geohash进行流量匹配使用k 最近邻 选择围栏周边最近的订单,计算密度,从而实现top100排名,从而显示结果(2) 安装相关需要的库函数pip install python-geohashpip install geopy(3) STFP上传到指定目录跑通baseline,生成r原创 2021-02-19 14:50:17 · 400 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别参赛记录(三)常见网络
1.几个经典语义分割模型简介1.1FCN1.2 PSPSNet1.3 Deeplabv31.4 DANet1.5 OCR2. 网络的训练和调参数据增强, 参见链接验证集划分超参数设置3. 模型融合- TTA测试时数据增强TTA(Test Time Augmentation)是常见的集成学习技巧,数据扩增不仅可以在训练时候用,而且可以同样在预测时候进行数据扩增,比如对同一个样本预测三次,然后对三次结果进行平均。语义分割常用的TTA技巧是多尺度推理和左右翻转,通常能够稳定原创 2021-02-27 01:22:46 · 549 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别参赛记录(一)
赛题描述本质其实就是基本的语义分割问题。基本目的熟悉比赛流程;以前就知道mask rcnn, 这次主要是为了更进一步了解语义分割;后续会熟悉一下阿里的DSW,不会白嫖的参赛者不是好码农;提升一下技能点,增加提分要点秘诀和代码实践能力;基本元素baseline参照阿水大佬提供的FCN改动版本:使用pytorch官方的语义分割模型fcn_resnet50,并且修改最后的classifier,添加自定义的loss函数.感觉改的还是挺精妙的。而且添加了tqdm,让训练过程有了一个逐步完成的过原创 2021-02-21 00:24:41 · 754 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别参赛记录(二) 数据增广
前言参赛过程中获益匪浅~对于数据增广,以前觉得做分割的时候,涉及到尺寸变化,角度变化的时候,还是很难的。因为你不仅要对图像做这些变化,还需要对segmentation的数据做对应的变化,感觉很那实现。不过那都是过去式了。感谢 Albumentations使用Albumentations进行数据增强相比torch自带的库,这个库有更多的对图像的预处理相比torch自带的库,这个库更快能很好地和Pytorch等框架配合使用GitHub: https://github.com/albumen原创 2021-02-24 00:42:08 · 338 阅读 · 0 评论 -
目标检测速成计划总纲 : 基础知识、模型架构、数据处理、模型优化、应用部署、AIOT、竞赛成长
【R-CNN系列】R-CNN灵感来源:[论文解读] 图像分割 & 目标识别 | Selective Search和python实现| <Selective Search for Object Recognition>R-CNN开山之篇:【论文解读】深度学习目标检测的开山鼻祖 |R-CNN详解 | 两阶段目标检测代表R-CNN起承转合之笔:【论文解读】目标检测的发展之作|Ross大神续作 | Fast R-CNNR-CNN完全深度学习大成篇:【论文解读】深度学习目标检测 | R-CNN原创 2020-12-31 18:07:21 · 582 阅读 · 1 评论 -
全球人工智能技术创新大赛 - 布匹疵点智能识别参赛笔记(win10采坑不断版本)
目录代码参考环境安装docker预备知识过程详述结果预览ref:代码参考baseline使用yolov5相关训练调节笔记参见 链接环境安装注意:本地训练使用的是pytorch == 1.7环境,其他安装包参见require.txtdocker 中的 pytorch==1.4 (这个问题后续会说明)因为官方的yolov5.pt权重是使用torch==1.7以上的,所以使用其他版本torch加载的时候会有问题,为了避免问题。建议使用这个1.7的版本。我是使用的python3.7.4, cud原创 2021-02-22 00:34:30 · 1174 阅读 · 6 评论