xiaozhshi-CSDN博客

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

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

xiaozhshi的博客