- 博客(8)
- 收藏
- 关注
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
271
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
378
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
6448
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
3689
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
2200
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
345
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
212
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
193
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