- 博客(8)
- 收藏
- 关注
RSS订阅原创 目标检测M2Det论文总结
前言Feature pyramids已经被各种目标检测器使用，不管是one-stage还是two-stage类型。浅层的feature map有利于检测小目标，深层的feature map有利于检测大目标，所以SSD采用了特征金字塔网络，检测结果要优于YOLOv1。但只是简单地利用从backbone抽出来的Feature maps有很多的局限性，因为这些网络是为了图像分类而设计，而不是检测任务。总体来说，高阶特征包含更多的语义信息，对分类子任务的判别能力更强，低阶特征包含更多位置信息，对回归任务的判别能
2021-09-02 17:40:32
264
原创 YOLO2论文的理解
YOLO2论文阅读的总结概述YOLO致力于实时、快速、高精度的端到端模型，YOLO1的速度很快，但是相对于Faster RCNN而言，准确率较低，在错误分析中发现，YOLO1的召回率和localization的错误占比更高。YOLO2是在YOLO1的基础上进行改进，在保证分类准确率的基础上提高召回率和localization，得到一个速度快，准确率高的端到端模型。因为检测任务标注数据匮乏，类别也只有几十到几百种，而分类数据集庞大并且拥有几万到几十万的分类，除此之外，检测任务的标注代价太高，所以作者采
2021-08-12 20:24:36
360
原创 KNN与K-Means算法的区别和共同特点
1、KNN算法与K-Means算法的区别：（1）解决什么问题？KNN是有监督的学习算法，解决的是分类问题，也就是说，KNN使用有分类标签的数据集通过计算对新的数据进行分类预测；K-Means是无监督学习，解决的是聚类问题，即训练数据集没有分类标签，通过K-Means算法将数据集划分为K类。（2）K是什么？KNN算法的原理：a、对于一个待划分类别的数据点，计算实例与数据集中其它点的距离b、选出距离最近的K个点，c、在这K个点中，出现次数最多的类别就是这个数据点的预测分类。K-Means算法的
2020-12-13 19:48:03
6388
2
原创 SVM分类器算法总结&应用
1、SVM就是寻找最大分类间隔的过程，即使得数据点到分类超平面之间的距离最大化。2、SVM分类最初是为二分类设计，所以适合二分类问题，也可用于多分类，对多分类问题的处理有下面两种方式：（1）一对多法：假设要把数据集分为A、B、C、D 4个类，可以将其中一个类作为分类1，其他类作为分类2，这样我们要进行 4次SVM分类：类别1：A 类别2：B、C、D类别1：B 类别2：A、C、D类别1：C 类别2：A、B、D类别1：D 类别2：B
2020-12-13 18:41:43
3666
原创 朴素贝叶斯算法学习总结
1、朴素贝叶斯算法之朴素的含义：朴素是指假定数据的特征变量之间是相互独立的。2、朴素贝叶斯算法分类：将实例分类到后验概率最大的类别当中。假设实例数据有3个特征向量：{A1,A2,A3}，Cj为分类当中的第j个类，后验概率的计算公式为：假设j的取值为0～n，那么计算出所有的P(Cj | A1A2A3)，结果最大的所对应的分类即为实例的分类。比较后验概率大小的问题，也可以简化为比较P(A1A2A3 | Cj) P(Cj)的问题。3、朴素贝叶斯分类是计算实例属于各个分类的概率，最后给出最优的猜测分
2020-12-09 12:32:05
2180
2
原创 决策树ID3算法的原理与代码实现
1、决策树学习：决策树学习是利用递归的方法寻找最优特征，并根据最优特征将数据集分割，使得各个子数据集有一个最好的分类的过程。决策树是一个条件概率分布。构造决策树需要确定根节点、子节点和叶节点，通过寻找最优特征的方法来确定。2、如何寻找最优特征（特征选择）？通过计算经验熵和信息增益来确定：（1）经验熵：熵表示随机变量的不确定性，熵越大，不确定性就越大。（2）信息增益：特征A对训练集合D的信息增益为，集合D的经验熵减去特征A给定的条件下集合D的经验条件熵。以海洋生物数据为例，计算熵和信息增
2020-12-07 10:42:59
338
原创 sort,sorted的区别，sorted与operator.itemgetter使用
1、sort,sorted的区别：都是排序函数，sort用于list，而sorted用于list或者iterable（可迭代对象）2、operator.itemgetter(k)的使用：operator模块提供的itemgetter(k)函数用来获取对象的索引为k的数据，比如：a = [2, 6, 3, 7]b = operator.itemgetter(1)print(b(a))63、函数sorted(iterable, key, reverse)：iterable可以是list，或者i
2020-12-06 23:49:42
197
2
原创 kNN算法学习——原理与实战
1、kNN算法实现原理：（1）计算数据点与训练集数据之间的距离：欧式距离：distance = ((xa1-xb1)**2+(xa2-xb2)**2)**0.5（2）确定前k个距离最小的数据的分类类别（3）在这k个分类类别里，频率最高的类别为该数据点的分类类别2、k值选择：（1）k值太小，容易过拟合（2）k值太大，容易欠拟合（3）用交叉验证的方式选择k值3、kNN实战流程：（1）加载数据（2）准备数据：数据探索、数据可视化、数据规范化（3）特征选择（4）模型训练（5）模型评估（
2020-12-05 01:04:15
189
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