![](https://img-blog.csdnimg.cn/20210121142506406.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
计算机视觉与机器学习
文章平均质量分 51
关于计算机视觉和人工智能方面的结合。
Listener-1379
全栈工程师
展开
-
Python 计算机视觉编程---PIL
文章目录原创 2021-03-31 21:41:02 · 350 阅读 · 0 评论 -
K近邻分类器(李飞飞CS231n学习笔记---lecture2:K最近邻算法)
在讲解K近邻分类器之前,我们先来看一下最近邻分类器(Nearest Neighbor Classifier),它也是K = 1时的K近邻分类器。目录最近邻分类器最近邻分类器最近邻分类器是在最小距离分类的基础上进行扩展的,将训练集中的每一个样本作为判断依据,寻找距离待分类样本中最近的训练集中的样本,以此依据进行分类。如上图所示,每一个点...原创 2021-01-28 00:10:16 · 1170 阅读 · 6 评论 -
欧氏距离,曼哈顿距离,余弦距离,汉明距离
目录欧式距离曼哈顿距离欧式距离与曼哈顿距离的比较余弦距离欧式距离欧式距离也称为欧几里得距离或者欧几里得度量,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离就是两点之间的距离。二维:x = (x2−x1)2+(y2−y1)2\sqrt{(x_2-x_1)^2+(y_2-y_1)^2}(x2−x1)2+(y2−y1)2(x2,y2)(x_2,y_2)(x2,y2)到原点的欧式距离为:|x| = x22+y22\sqrt{x_2^2+y_2^2原创 2021-01-22 18:06:50 · 1929 阅读 · 0 评论 -
(李飞飞CS231n学习笔记---lecture2)数据驱动
数据驱动方法1.收集图像和标签的数据集2.利用机器学习训练分类器3.在新图像上评估分类器原文:Data-Driven ApproachCollect a dataset of images and labelsUse Machine Learning to train a classifierEvaluate the classifier on new images...原创 2021-01-22 16:47:48 · 112 阅读 · 0 评论 -
计算机视觉学习笔记(第一期):一.图像分类:2.线性分类器
2.线性分类器文章目录线性分类器定义损失函数优化数据集预处理线性分类器定义 在机器学习领域,分类的目标是指将具有相似特征的对象聚集。而一个线性分类器则透过特征的线性组合来做出分类决定,以达到此种目的。对象的特征通常被描述为特征值,而在向量中则描述为特征向量。fi(x,wi)=wiT+bif_i(x, w_i) = w_i^T + b_ifi(x,wi)=wiT+bi(1)wi=[wi1,wi2,…wid]Tw_i = [{w_i}_1,{w_i}_2,…{w_i}_d]^Twi=[原创 2021-01-21 17:26:52 · 201 阅读 · 0 评论 -
白化
白化的目的是去除输入数据的冗余信息。 例如:训练数据是图像,由于图像中相邻像素之间具有很强的相关性,因此输入是冗余的。白化的目的就是降低输入的冗余性。 输入数据集,经过白化处理后,生成的新数据集满足两个条件:一是特征相关性较低;二是特征具有相同的方差。 白化算法的实现过程:第一步操作是PCA,求出新特征空间中的新坐标,第二步是对新的坐标进行方差归一化操作。 ...原创 2021-01-21 17:17:16 · 784 阅读 · 0 评论 -
去相关
把特征之间的相关性降低,数据的协方差矩阵变成对角阵,且中心为0。原创 2021-01-21 17:12:09 · 942 阅读 · 0 评论 -
归一化
进行归一化的原因是把各个特征的尺度控制在相同的范围内,这样可以便于找到最优解,不进行归一化时如左图,进行归一化后如右图,可发现能提高收敛效率,省事多了。去均值去相关白化...原创 2021-01-21 17:06:54 · 261 阅读 · 0 评论 -
去均值
各维度都减对应维度的均值,使得输入数据各个维度都中心化为0,进行去均值的原因是因为如果不去均值的话会容易拟合。这是因为如果在神经网络中,特征值x比较大的时候,会导致W*x+b的结果也会很大,这样进行激活函数(如relu)输出时,会导致对应位置数值变化量太小,进行反向传播时因为要使用这里的梯度进行计算,所以会导致梯度消散问题,导致参数改变量很小,也就会易于拟合,效果不好。其他的预处理方法可以参考我的其他博客。归一化去相关白化...原创 2021-01-21 17:01:27 · 1037 阅读 · 0 评论 -
K折交叉验证
K折交叉验证(K-fold cross validation)指的是把训练数据D 分为 K份,用其中的(K-1)份训练模型,把剩余的1份数据用于评估模型的质量。将这个过程在K份数据上依次循环,并对得到的K个评估结果进行合并,如求平均或投票。如下图所示的10折交叉验证,训练数据D被分为了 [公式] ,每次取其中9份数据作为训练集,1份作为测试集,最终将循环后所有的评估结果取平均。4折交叉验证。...原创 2021-01-21 16:45:44 · 943 阅读 · 0 评论 -
梯度下降算法
梯度下降是机器学习的优化算法中的一种,常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。文章目录梯度的引入随机梯度下降(SGD)与批量梯度算法梯度的引入z=y2−x2z=y^2-x^2z=y2−x2从公式中可以看出 ,当沿着x轴运动时,偏导数为∂z∂x\frac{\partial z}{\partial x}∂x∂z=-2x,与 y无关,当沿着 Y轴运动时, ∂z∂y\frac{\partial z}{\partial y}∂y∂z=2y,与x轴无关。梯度∇f=(∂f∂x1,∂f原创 2021-01-21 16:31:09 · 1359 阅读 · 0 评论 -
计算机视觉学习笔记(第一期): 一.图像分类:1.图像分类任务
1.图像分类任务 数据驱动的图像分类方法 说明:Ⅰ.图像表示(1)像素表示(2)全局特征表示(3)局部特征表示Ⅱ.分类器(1)近邻分类器(2)贝叶斯分类器(3)线性分类器(4)支挣向量机分类器(5)神经网络分类器(6)随机深林(7)AdaboostⅢ.损失函数(1)0-1损失(2)多类支挣向量机损失(3)交叉熵损失(4)L1损失(5)L2损失Ⅳ.优化方法(1) 一阶:梯度下降,随机梯度下降,小批量梯度下降(2)二阶:牛顿法Ⅴ.训练过程(1)数据集.原创 2021-01-20 13:02:19 · 301 阅读 · 0 评论