weixin_46087050的博客

原创 通用场景分割笔记

原创 目标检测笔记2

原创 目标检测笔记1

原创 图像检索笔记

原创 图像分类笔记

原创 深度学习基础笔记

原创 传统方法目标分割及检测笔记

原创 图像特征与描述笔记

原创 图像预处理笔记

原创 TensorFlow学习笔记6

原创 TensorFlow学习笔记5

原创 TensorFlow学习笔记4

原创 TensorFlow学习笔记3

原创 TensorFlow学习笔记2

原创 TensorFlow学习笔记1

原创 深度学习框架笔记

Caffe：依赖大量第三方库，为了读取图像，以及简单的图像处理，链接很重的opencv库boost来实现一些C++ 11的特征HD5/LMDB/LEVELDB用来做数据的IO基于层（过程）的设计思路blob模块：实现了tensor的功能，保存数据的梯度值layer模块：根据输入(bottom)blob计算输出(top)blob，同时保存权重/梯度Net模块：由多个layer组成，实现forward/backward计算slover模块：最优化模块，利用梯度值更新权重protocol buf

原创 深度学习-其它网络笔记1

原创 深度学习-迁移学习笔记2

原创 深度学习-迁移学习笔记1

原创 深度学习-GAN笔记

原创 深度学习-CNN+RNN笔记

原创 深度学习-递归神经网络笔记1

原创 深度学习-卷积神经网络笔记4

目标探测介绍：1、任务1)：Classification2)：Classification+Localization3)：Object Detection4)：Instance Segmentation2、直接思路回归问题：利用神经网络进行目标识别，同样的目标变为坐标值局部识别问题：不同规模的滑窗遍历所有位置，在这些位置尝试识别，能够完成识别的地方就是目标位置，对于该问题，直接计算候选区域将会更有效，候选区域的确定：EdgeBoxesDPM：Deformable Parts Model基

原创 深度学习-卷积神经网络笔记3

原创 深度学习-卷积神经网络笔记2

AlexNet：卷积层+池化层+全连接层：卷积神经网络的基本构成参数计算：Maxpool3：66256FC1：409636256FC2：40964096Final：10004096大约6千万参数VGG(Visual Geometry Group)：AlexNet增强版VGG—AlexNet对比构成： 卷积层—卷积群参数个数： 138m—60m识别率： 7.3%—15.3%结构简单：同AlexNet结构类似，均为卷积层，池化层，全连接层的组合性能优

原创 深度学习-卷积神经网络笔记1

原创 深度学习-传统神经网络笔记

神经网络求导-TensorFlow实现：data=tf.placeholder(tf.float32)var=tf.variable()loss=some_function_of(var,data)var_grad=tf.gradients(loss,[var])sess=tf.session()var_grad_val=sess.run(var_grad,feed_dict={})

原创 深度学习总体介绍笔记

传统机器学习对比深度学习：传统机器学习：数据预处理：归一化，降维，去噪特征提取：图像：LBP\HOG\STFT，语音：MFCC\小波\word2vec选择分类器：SVM、决策树随机森林、贝叶斯网络、线性回归、聚类、EM深度学习：数据准备：数据、label设计模型：CNN\RNN\CNN+RNN训练：调整结构、损失函数、训练参数深度学习推动因素：理论：CNN、RNN、ReLU数据：ImageNet、LFW硬件：Nvidia CUDA + GPU深度学习优点：学习能力强覆盖范围广

原创 sklearn工具-学习笔记4

Sklearn数据集变换 Dataset Transformation：1、Pipeline and FeatureUnion：并行或串行组合变换器1)Pipeline ：可以用于把多个estimators级联为一个estimator，pipeline对象使用(key,value)列表来构建，其中k是一个标识步骤的名称字符串，值是一个estimator对象，也可以使用make_pipeline，是一个构造Pipeline的简短工具，它接受可变数量的estimators并返回一个pipeline，每个es

原创 sklearn工具-学习笔记3

使用sklearn.metric包中的性能度量函数：分类器性能指标：1、只限于二元单标签分类问题评估指标Matthews_corrcoef(y_true,y_pred[,…])：计算二元分类分类中的Matthews相关系数(MCC)Precision_recall_curve(y_true,probas_pred)：在不同概率阈值下计算precision和recall点对值，形成精度召回率曲线Roc_curv(y_ture,y_score[,pos_label,…])：计算roc曲线1、 可用于

原创 sklearn工具-学习笔记2

4、 计算机生成数据集：sklearn.datasets.make_(name)Make_blobs：多类单标签数据集，为每个类分配一个或多个正态分布的点集，提供均值、标准差，常用于聚类算法Make_classification：多类单标签数据集，为每个类分配一个或多个正太分布的点集，提供为数据集添加噪声的方式，包括维度相性，无效特征和冗余特征等，常用于分类问题Make_gaussian_quantiles：将一个单高斯分布点集划分为两个数量均等点集，作为2类Make_hastie_10_2：产生一

原创 sklearn工具_学习笔记1

Sklearn包：监督学习：sklearn.Neighbors：近邻Svm：支持向量机Kernel-ridge：核岭回归Discriminant_analysis：判别分析linear_model：广义线性模型ensemble：集成方法tree ：决策树 naïve_bayes：朴素贝叶斯cross_decomposition：交叉分解gaussian_process：高斯过程neural_network：多层神经网络calibration：概率校准isotomic：保序回归f

原创 sklearn工具_综述

原创 机器学习笔记-HMM2

原创 机器学习笔记-HMM1

原创 机器学习笔记-主题模型2

卷积网络：规则化：白化、去均值卷积：维度提升、过完备基非线性映射：稀疏化、边界消除Pooling：特征聚集、降维、光滑

原创 机器学习笔记-主题模型1

LDA：隐Dirichlet分布（Latent Dirichlet Allocation）,主要应用方向有信息提取和搜索、语义分析、文档分类/聚类、文章摘要、社区挖掘、基于内容的图像聚类/目标识别、生物信息数据的应用。

原创 机器学习笔记-贝叶斯网络2

原创 机器学习笔记-贝叶斯网络1

朴素贝叶斯的假设：一个特征出现的概率，与其他特征条件独立，即对于给定分类的条件下，特征独立（特征独立性）；每个特征同等重要（特征均衡性）

原创 机器学习笔记-EM算法2

等值线：分类为某个组分的概率相等的曲线或曲面模型选择的准则：记L为某模型下样本的似然函数值，k为模型中未知参数的个数（维度），n为样本个数，则有：AIC=-2 ln⁡L+2k，BIC=-2 ln⁡L+(ln⁡n)kDPGMM：Dirichlet Process Gaussion Mixture Model（估计参数服从先验分布的混合高斯模型），可将估计参数看作服从多维的Beta分布...