Mystique101-CSDN博客

原创 DDPG算法

deep deterministic policy gradient 深度确定性策略梯度算法（Actor-critics 的提升）解决连续控制性问题的一个算法，和PPO不一样，PPO输出的是一个策略，也就是一个概率分布，DDPF输出的直接是一个动作。DDPG更接近DQN，是用一个actor去弥补DQN不能处理连续控制性问题的缺点。DQN是更新的动作的q值：从公式中可以看出，DQN不能用于连续控制问题原因，是因为maxQ（s，a）函数只能处理离散型。

2023-12-05 22:04:36 105

原创强化学习系列

核心思想：观测的信息通过神经网络的分析选出了左边的行为，我们直接进行反向传递，使下一次被选择的可能性增加。下面研究一下这张行为准则Q表是通过什么样的方式更新提升的：回到之前的流程，根据Q表的估计，在s1的状态下，a2写作业带来的潜在奖励要比a1要高，我们通过a2到达s2，这时我们开始更新用于决策的Q表，接着我们并没有在实际中采取任何行动，而只是在想象自己在s2采取的每种行动，分别看看两种行为哪一个的值比较大，比如说Qs2a2的值比Qs2a1的值大，所以我们会把大的Qs2a2乘上一个衰减值。

2023-12-05 22:03:59 103

原创目标检测算法系列

图像识别三大任务目标识别：输出类别目标检测：输出类别以及物体在图片当中的位置目标分割：把物体形状描述出来，背景进行剔除 1、找出可能存在的候选区域，得出2000个候选区域，统一成大小 - 通过选择性搜索（ss）算法，进行筛选 - 大小统一：通过crop + warp 2、进行CNN提取特征，得出2000特征向量 - 使用 AlexNet 的结构，输入要素227*227

2023-12-05 22:03:19 74

原创 YOLO系列（v1-v4）

计算机视觉能解决哪些问题——分类、检测、分割（语义分割、实例分割）、目标检测（非常重要的基础问题）下图为单阶段模型和两阶段模型基本情况（YOLO属于单阶段模型）两阶段先提取候选框，再逐一进行甄别（如R-CNN）。单阶段不提取候选框，算法直接输出目标检测结果，端到端的检测。YOLO算法，无需提取候选框，无复杂上下游处理工作，一次前向推断得到bbox定位及分类结果，端到端训练优化。YOLO V1目标检测框架：具体实现：预测阶段（前向推断）

2023-12-05 22:02:27 80

原创 YOLO v7算法

主要是对YOLOv4 和 YOLO v5 进行的改进，主要突出在速度之快。如此之快的目的就是为了做到在边缘设备上做推理计算！GPU/NPU边缘架构：在YOLOv7 文章中，作者提出的实时目标探测器能够更好地支持边缘移动端 GPU 设备和高算力 GPU 设备。特别是近几年来，实时探测器处在大力适配边缘设备的潮流中。如 MCUNet 和 NanoDet，专注于适配低功耗移动端，以提高边缘设备CPU的推理速度。对于YOLOX 和 YOLOR 等算法，他们专注于提高检测器在GPU上的推理速度。

2023-12-05 22:01:11 218

原创 YOLO v6 算法

主要在 Backbone、Neck、Head 以及训练策略等方面进行了诸多的改进：我们统一设计了更高效的Backbone和Neck ：受到硬件感知神经网络设计思想的启发，基于RepvGG style设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PANNeck。优化设计了更简洁有效的 Efficient Decoupled Head，在维持精度的同时，进—步降低了一般解耦头带来的额外延时开销。

2023-12-05 21:56:01 266

原创 YOLO v5目标检测算法

AP 衡量的是学习出来的模型在每个类别上的好坏；mAP 衡量的是学习出来的模型在所有类别上的好坏，就是所有类别上 AP 的平均值。网络可视化工具：netron 在线版本：https://lutzroeder.github.io/netron/ netron官方的Github链接：https://github.com/lutzroeder/netronnetron 对 pt 格式的权重文件兼容性不好，直接使用 netron 工具打开，无法显示整个网络。

2023-12-05 21:50:31 533

原创 pycharm历史版本下载地址

Other Versions - PyCharm

2023-10-22 09:50:26 89 1

原创 DWA路径规划算法

将位置控制转化为速度控制，在速度空间中采取多组速度，并模拟出这些速度在一定时间内的运动轨迹规划。该算法利用机器人的速度模型（机器人的位置控制转化为速度控制），计算出可能的轨迹，并判断出不会碰撞的速度【速度空间（横坐标 V , 纵坐标 W ）】，以此速度驱动机器人移动，实现安全导航。不同的速度指令（V,W）会得到不同的运动半径，同样的时间间隔到达不同的终止位置。- 根据单步信息数据计算期望速度，在评估选择速度时，不考虑速度和路径平滑，容易导致机器人运动存在震动和轨迹扭动问题；，比如当障碍物来的时候，可以让。

2023-10-17 11:53:14 925

原创路径规划与轨迹跟踪系列

定位感知规划决策控制定位：绝对定位（GPS）、相对定位（传感器获得加速度和角加速度信息，将其对时间进行积分）感知：通过传感器感知周围的环境和车辆状态信息，如何对多种传感器的信息进行融合统一处理。规划：全局和局部路径规划。控制决策：驾驶者大脑，主要包括转向、驱动、制动三个方面。

2023-10-16 21:30:34 988 1

原创机器人路径规划及轨迹优化

轨迹优化就是把折线变成光滑的曲线，轨迹：带时间参数的曲线。

2023-10-09 16:38:13 4137 1

原创强化学习（PPO、DQN、A3C）简述

1、计算机眼中什么是环境（state）

2023-10-05 18:53:13 1560

原创深度学习（神经网络）

特征工程的作用数据特征决定了模型的上限；预处理和特征提取是最核心的；算法与参数选择决定了如何逼近这个上限。

2023-09-25 10:28:47 176 1

原创机器学习（二）

手动调参选取一个比较好的工具包, 先按照他的默认配置进行训练, 通常可以从论文或者代码里面找到相关的设置数值.选择其中的一个超参数, 将它的数值作一定的变化 (增加或降低) , 然后重新进行模型的训练, 观察最后的结果 (精度、损失等)重复之前的步骤多次 (重复调参) , 就能得到一些经验信息 :①哪些或哪个超参数的影响更大, 更重要②模型对超参数的敏感度 (哪些没有设置好会变得特别差)③超参数在哪个range的效果比较好手动超参数调整1、需要仔细的实验管理。

2023-09-18 10:59:10 42

原创聚类算法（K-MEANS、DBSCAN、轮廓系数）

该算法对初始值的设定至关重要（不同的初始点会对结果产生很大的影响），如下图，再迭代无数次，也无法正确聚类。与传统的基于距离的聚类算法（如K-means）不同，DBSCAN利用样本点的密度来确定簇的边界。：若有一个点的序列q0、q1、...qk，对任意qi到qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可阿达的“传播”。：若从某核心点p出发，点q和点k都是密度可达的，称点q和点k是密度相连的。：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的。聚类：相似的东西分到一组。

2023-09-17 10:01:24 382 1

原创模型评估时TP、FP、FN、TN之间的具体关系

这些元素可以用来计算各种分类模型的性能指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 值等。TP、FP、FN、TN是混淆矩阵（Confusion Matrix）中的四个元素，用于评估分类模型的性能，特别是在二分类问题中。TP、FP、FN、TN的含义和重要性在评估分类模型性能时是非常关键的，它们提供了对模型在不同方面的分类结果表现的详细信息。：表示模型将负例错误地预测为正例的数量。：表示模型将负例正确地预测为负例的数量。即模型正确地将真实的负例判断为负例。

2023-09-12 20:28:57 2008

weixin_65978597的博客