- 博客(6)
- 收藏
- 关注
RSS订阅原创 深度学习——YOLO算法
其中，x、y表示边界框的中心坐标相对于当前网格单元的偏移量，w、h表示边界框的宽和高，confidence表示边界框内含有目标的置信度，C为类别数。YOLOv2的核心思想是将目标检测任务简化为一个单次前向传播的回归问题，通过网络一次性预测所有目标的位置和类别，具有实时性和高效性的特点，并且在准确性方面有了显著的提升。通过将目标检测任务转化为单一的回归问题，并结合多尺度特征和网格预测，YOLOv3实现了高效的目标检测，具有较快的速度和较好的检测精度，适用于需要实时目标检测的场景。
2023-11-17 15:35:11
160
原创 深度学习——目标检测
与图像分类任务不同，目标检测不仅要求识别出目标的类别，还需要确定目标在图像中的位置，通常通过边界框（bounding box）的方式进行表示。总的来说，anchor box 在深度学习目标检测中扮演着非常重要的角色，它为模型提供了丰富的位置信息和多样化的尺度选择，从而提高了目标检测的准确性和鲁棒性。在目标检测中，即被正确检测为目标物体的样本中，真正是目标物体的比例。总而言之，Ground Truth是目标检测中至关重要的一部分，它提供了标准的目标位置和类别信息，用于训练和评估目标检测算法的性能。
2023-11-15 15:24:34
54
原创 深度学习——卷积神经网络
然而，由于数据集和计算能力的限制，LeNet在当前更复杂的图像分类任务上的应用相对有限，而现代的卷积神经网络通常采用更深、更复杂的结构。它将卷积层和池化层堆叠在一起，形成了一系列的卷积块（Convolutional Block），每个卷积块内部具有相同数量的卷积层，同时保持较小的感受野（3x3的卷积核）。通过改变滤波器的权重，卷积层可以学习到不同类型的特征。由于输入数据中的目标对象可能出现在不同位置，因此具有平移不变性的 CNN 能够更好地捕捉输入数据中的局部特征，并且在不同位置上具有相同的响应。
2023-11-06 15:48:24
40
原创 深度学习---多层感知机
感知机的输入可以是任意数量的二进制数，这些输入通过权重与偏置相加，然后通过激活函数进行非线性变换，得到一个二进制的输出结果。训练数据被送入感知机，如果感知机的输出与期望的输出不同，则通过梯度下降等优化算法来调整权重和偏置，使得感知机更准确地预测。其中，$X$是输入矩阵，$W^{[1]}$和$W^{[2]}$分别是隐藏层和输出层的权重矩阵，$b^{[1]}$和$b^{[2]}$分别是隐藏层和输出层的偏置向量，$g^{[1]}(\cdot)$和$g^{[2]}(\cdot)$是隐藏层和输出层的激活函数。
2023-11-03 14:49:27
42
原创 机器学习-----线性回归
其次，神经网络具有良好的泛化能力，可以在面对新的未见数据时进行准确的预测。总结来说，神经网络是一种强大的机器学习模型，可以处理复杂的非线性问题，并具有良好的泛化能力。具体而言，对于一个具有d维输入x的样本，在Softmax回归中，模型计算每个类别k的得分（score）：score_k = w_k^T * x + b_k。它是模型优化的关键部分，通过最小化损失函数来调整模型的参数和权重，以使模型能够更好地拟合训练数据和提高预测性能。通过计算每个类别的得分，可以得到一个具有C个类别的向量，其中C为类别的数量。
2023-11-02 15:17:14
68
原创 机器学习总结
在监督学习中，模型通过有标签的数据进行训练和预测，如决策树、支持向量机、神经网络等。它是人工智能的一个重要分支，通过训练模型来识别模式、进行预测和决策，从而解决各种现实世界的问题。分类任务是将输入数据分为不同的类别，回归任务是预测连续值，聚类任务是将数据划分为不同的群组，降维任务是减少数据的维度并保留关键信息。随着技术的不断进步和应用场景的拓展，机器学习将在科学、商业和社会中发挥越来越重要的作用。它能够帮助人们处理和分析大量的数据，并从中获取有价值的信息和见解，提高决策的准确性和效率。
2023-11-01 18:45:56
33
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