Heatmap Regression via Randomized Rounding

最新推荐文章于 2023-02-16 17:21:22 发布

zouxiaolv

最新推荐文章于 2023-02-16 17:21:22 发布

阅读量255

点赞数

分类专栏：文献阅读文章标签：算法机器学习人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zouxiaolv/article/details/121710879

版权

文献阅读专栏收录该内容

17 篇文章 0 订阅

订阅专栏

关于里面的公式推导：

$E\left ( \frac{ x_{i}^{p}}{s} -\frac{ x_{i}^{g}}{s} \right ) =E\left ( I\left ( \varepsilon _{x}<t \right )*\left ( -\varepsilon _{x} \right ) \right )+E\left ( I\left ( \varepsilon _{x}\geq t\right )*\left ( 1-\varepsilon _{x} \right ) \right ) =0.5-t$

推导过程： $\varepsilon _{x}$ 是 $\frac{ x_{i}^{p}}{s} -\frac{ x_{i}^{g}}{s}$ 的误差，且满足均匀分布 $\varepsilon _{x}\in U\left ( 0,1 \right )$

①当 $\varepsilon _{x}< t$ 时：

$\frac{x_{i}^{p }}{s} =\left \lfloor \frac{x_{i}^{g }}{s} \right \rfloor$

$\frac{x_{i}^{p}}{s} - \frac{x_{i}^{g }}{s} =\left \lfloor \frac{x_{i}^{g }}{s} \right \rfloor - \frac{x_{i}^{g }}{s} = -\varepsilon _{x}$

$E\left ( \frac{ x_{i}^{p}}{s} -\frac{ x_{i}^{g}}{s} \right ) =\int_{0}^{t} -{\varepsilon _{x}}*\frac{1}{1-0}d\varepsilon _{x} =-0.5t^{2}$

②当 $\varepsilon _{x}\geq t$ 时：

$\frac{x_{i}^{p }}{s} =\left \lfloor \frac{x_{i}^{g }}{s} \right \rfloor +1$

$\frac{x_{i}^{p}}{s} - \frac{x_{i}^{g }}{s} =\left \lfloor \frac{x_{i}^{g }}{s} \right \rfloor - \frac{x_{i}^{g }}{s} = -\varepsilon _{x} +1$

$E\left ( \frac{ x_{i}^{p}}{s} -\frac{ x_{i}^{g}}{s} \right ) =\int_{0}^{t} -{\varepsilon _{x}}*\frac{1}{1-0}d\varepsilon _{x} =0.5t^{2} +0.5-t$

关于坐标y方向上的坐标误差也是同样的计算方式

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
Heatmap Regression via Randomized Rounding

关于里面的公式推导：推导过程：是的误差，且满足均匀分布①当时：②当时：关于坐标y方向上的坐标误差也是同样的计算方式
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。