![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 93
yangqingao
这个作者很懒,什么都没留下…
展开
-
机器学习学习笔记week2
4 多变量线性回归4.1 多维特征原创 2021-07-11 20:14:13 · 284 阅读 · 0 评论 -
机器学习学习笔记week1
week11 引言1.1 机器学习是什么?1.2 监督学习1.3 无监督学习2 单变量线性回归2.1 模型表示2.2 代价函数2.3 代价函数的直观理解I2.4 代价函数的直观理解II2.5 梯度下降2.6 梯度下降的直观理解2.7 梯度下降的线性回归3 线性代数回顾3.1 矩阵和向量3.2 加法和标量乘法3.3 矩阵向量乘法3.4 矩阵乘法3.5 矩阵乘法的性质3.6 逆、转置1 引言1.1 机器学习是什么?Arthur Samuel:在进行特定编程的情况下,给予计算机学习能力的领域Tom Mit原创 2021-05-25 22:13:26 · 198 阅读 · 0 评论 -
PCL点云特征描述与提取
局部描述子(local descriptor)在原始表示形式下,点的定义是用笛卡尔坐标系坐标x,y,z相对于一个给定的原点来简单表示的三维映射系统的概念。假定坐标系的原点不随着时间而改变,这里有两个点p1和p2,分别在时间t1和t2捕获,有着相同的坐标。虽然相对于一些距离测度(如:欧几里得度量)它们是相等的。但是它们取样于完全不同的表面,因此当把它们和邻近的其他环境中的点放在一起时,它们表达着完全不同的信息,这是因为在t1和t2之间局部环境有可能发生改变。因此作为一个单一实体的三维点概念和笛卡尔坐标系原创 2022-01-23 14:47:56 · 5438 阅读 · 0 评论 -
遥感影像地块分割冠军竞赛方案&语义分割trick整理
这里写目录标题赛题分析数据分析思路介绍整体思路数据处理模型训练模型预测连通性后处理结果对比总结赛题分析地块分割本质上是个语义分割的问题,初赛考虑7类结果的平均IOU,复赛加入了对水体和道路类的连通性评判指标。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量数据分析类别总共有**(0)建筑、(1)耕地、(2)林地、(3)水体、(4)道路、(5)草地、(6)其他**数据集中存在类别不均衡现象,(原创 2021-05-28 00:07:51 · 1431 阅读 · 0 评论 -
新的人像重照明和背景替换系统
1、简要人像抠图中,前景预测背景替换是至关重要的。商汤等提出的只需单张图像、单个模型的方法 MODNet、华盛顿大学单块 GPU 实现 4K 分辨率每秒 30 帧的 Background Matting 2.0等也是效果不错的抠图方法。但这些方法或多或少都有其局限性。谷歌的研究者提出了一种新的人像重照明和背景替换系统,对图像背景进行替换。其中生成的肖像图的光照与新背景保持一致,还能有效地去除图片中的强光,对细节恢复较好。该系统不仅保留了高频边界细节,并精确地合成了目标人像在新照明下的外观,从而为任何所需原创 2021-05-17 09:40:23 · 596 阅读 · 2 评论 -
卷积神经网络中十大拍案叫绝的操作
1、卷积只能在同一组进行吗?分组卷积,最早在AlexNet中出现,由于当时硬件资源有限,训练AlexNet时卷积操作不能全部放在同一个GPU处理,因此作者把feature maps分给多个GPU分别进行处理,最后把多个GPU的结果进行融合。分组卷积的思想影响比较深远,当前一些轻量级的SOTA(State Of The Art)网络,都用到了分组卷积的操作,以节省计算量。2、卷积核一定越大越好?AlexNet中用到了一些非常大的卷积核,比如11×11、5×5卷积核,之前人们的观念是,卷积核越大,re原创 2021-05-14 09:15:35 · 1380 阅读 · 0 评论 -
深度学习领域的10个激活函数
一个节点的激活函数定义了该节点在给定的输入或输入集合下的输出,是确定神经网络输出的数学方程式。1. Sigmoid 激活函数图像:函数表达式:适用范围:(1)输出范围是 0 到 1,对输出进行了归一化(2)由于概率的取值范围是 0 到 1,可用于将预测概率作为输出的模型(3)曲线平滑,域内无间断点,,可避免跳跃输出(4)曲线光滑,任一点可微,可以得出任意两点的斜率(5)预测结果明确缺点:(1)梯度消失,随着隐藏层数目的增加,分类准确率反而下降(2)输出不是以 0 为中心,降低原创 2021-05-11 22:46:11 · 571 阅读 · 0 评论