- 博客(9)
- 收藏
- 关注
原创 SoftTriple Loss: Deep Metric LearningWithout Triplet Sampling
代码地址: https://github.com/idstcv/SoftTripleICCV19文章结构可以分为以下3个部分:1、推导softmax loss和只有一个center的triplet loss等价;2、引入多个center;3、max到softmax计算相似度。文章的逻辑我认为是softmax loss便于使用,triplet loss用来理解center...
2019-10-07 22:59:38 2898
原创 评价指标,precision,recall,AP,mAP
precision=TP/(TP+FP(all detected positive))。Accuracy是我们最常见的评价指标,accuracy = (TP+TN)/(P+N),这个很容易理解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好。我们最常说的就是这个准确率。Recall,TP/(all ground truth positive) ...
2018-11-29 17:47:08 568 2
原创 python DataFrame groupby用法
df = pd.DataFrame({'key1':list('aabba'), 'key2': ['one','two','one','two','one'], 'data1': ['1','3','5','7','9'], 'data2': ['2','4','6','8','10']}) print dfout: data1 data2 key1 key20 1 ...
2018-11-09 23:56:46 9585
原创 姿态识别相关项目(openpose、Pose Proposal Network、AlphaPose)
openposepaper:https://arxiv.org/pdf/1611.08050.pdfcode:https://github.com/CMU-Perceptual-Computing-Lab/openposePose Proposal Network(ECCV18)paper:http://taikisekii.com/PDF/Sekii_ECCV18.pdfco...
2018-10-31 19:48:31 5330
原创 目标检测focal loss 和 loss rank mining笔记
focal loss 参考https://blog.csdn.net/qq_34564947/article/details/77200104α是控制类别不均衡,对属于少数类别的样本,增大αγ是区分样本识别难易loss rank miningpaper:https://arxiv.org/pdf/1804.04606.pdf图1和图2分别是two-stage model...
2018-10-30 19:56:54 2242 3
原创 apt-get安装软件Unable to locate package错误解决办法
用apt-get突然遇到这个问题,一般的教程是https://blog.csdn.net/rchm8519/article/details/48358249试了试不管用。解决办法:sudo apt-get upgrade
2018-08-07 21:45:56 1244
转载 经典神经网络比较
AlexNet主要使用到的新技术如下:a) 成功使用ReLU作为CNN的激活函数,并验证了其在较深网络中的有效性,解决了Sigmod在网络较深时的梯度弥散问题。b) 训练时在最后几个全连接层使用Dropout随机忽略一部分神经元以避免模型过拟合, c) 使用重叠的最大池化。AlexNet全部使用最大池化,避免平均池化的模糊效果;并提出让步长比池化核的尺寸小,这样池化层的输出之间会有重叠覆盖,特升了...
2018-05-05 16:05:05 4194
原创 机器学习知识点总结
1、1*1卷积的作用1. 实现跨通道的交互和信息整合2. 进行卷积核通道数的降维和升维2、L1和L2正则化L0:计算非零个数,用于产生稀疏性,但是在实际研究中很少用,因为L0范数很难优化求解,是一个NP-hard问题,因此更多情况下我们是使用L1范数L1:计算绝对值之和,用以产生稀疏性,因为它是L0范式的一个最优凸近似,容易优化求解L2:计算平方和再开根号,L2范数更多是防止过拟合,并且让优化求解...
2018-05-05 16:03:34 470
原创 numpy学习笔记
randint和repeat的用法,场景为生成规模为pop_size的二进制编码的基因import numpy as npself.pop = np.random.randint(*DNA_bound, size=(1, self.DNA_size)).repeat(pop_size, axis=0)输出为[[1 0 0 1 1] [1 0 0 1 1]]以下内容参考点击打开链接①randin...
2018-05-03 17:27:59 331
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