- 博客(38)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 GCN-Global Convolutional Network
问题：下图引用自：https://blog.csdn.net/u011974639/article/details/78897066因此这个任务本身就是矛盾的。从定位的角度来看，模型结构应该是完全卷积的，不应该使用全连接或全局的池化，因为这些层将丢弃位置信息；从分类的角度看，模型需要对输入的变换保持不变——对象可以移动、旋转或重新缩放，但分类结果不发生改变，因此需要更为大的核，才能保证具有较强的鲁棒性。现在的大多数模型主要考虑的是定位问题，而没有考虑到分类问题，这对于分类任务不是应该最先考虑的。
2020-12-17 17:24:53
1766
原创 DeepLabV3 - 详细介绍
基本情况这是在DeepLabV1、2基础上的再扩展；V1 主要是将VGG最后两个的池化改成了stride=1，然后采用了空洞卷积来扩大感受野，上采样使用了双线性插值；V2主要是在模型最后进行像素分类之前增加一个类似 Inception 的结构，即ASPP模块，通过不同rate得到不同尺度的特征图，再进行预测；V3 主要是对之前模块的升级，从而提升性能。引言&相关工作一般的分割存在两个挑战，一个是分辨率的下降（由下采样导致），常常采用空洞卷积来代替池化解决，效果不错；另一个是存在多个尺
2020-12-14 19:42:58
29474
2
原创 IFCN：Improving Fully Convolution Network for Semantic Segmentation
0 摘要我们在FCN的基础上添加了context network（能够显著的扩大特征图的感受野）以及增加了密集跳连接（dense skip connections）。1 Introduction预先训练的CNN是用低分辨率图像(例如224 × 224像素)训练的，而输入分割图像通常是高分辨率的(例如512 × 512像素)，因为FCN是利用VGG预训练的，它是224 × 224的。因此FCN的网络所感到的上下文性能有了限制，有一些人对于下采样过程进行了调整（比如变成stride=1）的，但是对于小的物
2020-12-07 16:43:53
646
转载 FCN 全卷积神经网络
SegNet特点：将encoding的pooling的index传到了decoding层，在upsampling时有帮助。采用的是same卷积，之后还出现了Bayesian SegNet。Bayesian SegNetBayesian SegNet是通过后验概率，告诉我们图像语义分割结果的置信度是多少，**网络结构多了几个Dropout层，其余无异。**最右边的两个图Segmentation与Model Uncertainty，就是像素点语义分割输出与其不确定度（颜色越深代表不确定性越大，即置信
2020-12-06 16:29:49
310
原创 FusionNet:A deep fully residual convolutional neural network for image segmentation in connectomics
FusionNet0 摘要Electron microscopic connectomics（电子显微镜连接组学）是一个炙手可热的研究方向，致力于通过高通量、纳米级显微镜来综合理解脑部连接图。但是人工消耗很大，现在深度学习网络发展的如日中天，我们搭建了一个FusionNet网络，用于在连接组学数据中自动分割神经元结构。（用神经网络去研究神经网络）FusionNet利用了机器学习的最新进展，如语义分割和残差网络，并引入了允许更深的网络架构来实现更准确的分割的基于累加的跳过连接。我们与ISBI EM s
2020-12-06 15:51:57
1319
原创 魔法方法
init(self [, …])：初始化需求下，需要重写，本身也是自带的有。根据具体的类的需要进行设计，init()是没有返回值的new(cls[, …]): cls为这个类的本身，一般情况下不重写。class CapStr(str): def __new__(cls, string): string = string.upper() return str.__new__(cls, string)a = CapStr('i Love Fishc...
2020-12-05 20:52:34
97
原创 机器学习——贝叶斯算法
1、贝叶斯算法概述贝叶斯要解决的问题：**正向概率：**假设袋子里面有N个白球，M个黑球，伸手摸一个，摸到黑球的概率。**逆向概率：**不知道黑白球的比例，随机摸球，由结果推知袋子中的黑白球比例。为什么使用贝叶斯：很多的正向概率无法“看到”，日常所观察到的只是事务的表面结果，因此我们需要提供一个可靠的猜测，需要通过反推才能得到某种自然规律的分布。2、贝叶斯推导实例这里面的总人数U可以约分。3、贝叶斯拼写纠错实例问题：用户输入了单词tha，因为这个单词不存在，所以要进行纠正，那么就整
2020-12-05 20:52:06
3717
原创 机器学习——决策树
1、决策树概述决策树是一种分类算法，也可以用于回归！判断是否喜欢打篮球：第一个节点为age，第二个节点为是否是男生，在叶子节点的位置要能给出判定的唯一结果！而如果不是叶子节点，那么不能给出最后的判定结果。例如爷爷奶奶那个节点里面的3个人，就是不爱打篮球的，而is male节点中，两个小于15岁的爱不爱打篮球还不能判断。决策树的两个阶段：2、熵和Gini系数的原理解释熵的理解：不确定程度的大小，与概率大小成反比。基尼系数：概率越大，Gini系数越小，和熵类似。3、决策树构造实例判断是否想
2020-12-05 20:51:26
1653
原创 机器学习——照片OCR
1、问题描述与OCR过程照片光学字符识别 —>>> OCR目的：让计算机识别照片中的文本信息现状：衔阶段文档的图片识别性能很好，但是普通数码图片中的文本识别还是比较弱的OCR实现过程：文本区域检测字符分离字符识别也可以加一些词语矫正，如： c1ean -> clean2、滑动窗口文字的矩形窗大小不一样2.1 先来介绍行人检测，因为人的长宽比是基本一致的。训练器训练：滑动窗口行人检测：遍历2.2 文本检测：训练集：通过滑动串口检测文本可能存在
2020-12-05 20:50:17
385
原创 机器学习——大规模机器学习
学习大数据集当数据有大量的数据，比如1亿以上的时候，如果想拟合一个线性回归或者逻辑回归时，梯度下降算法的计算量将是非常庞大的。**预检查：**为什么不用1000个样本，而需要用11亿个？遇到高偏差问题时候，选择合适大小的数据集即可，再增加数据集并不会改善，处理方式为寻找新的模型。如果是低方差的模型，增加数据集的规模可以帮助你获得更好的结果。那么如何处理大数据样本集情况下的梯度计算？实现梯度下降算法？随机梯度下降原来的线性回归模型的梯度下降算法： batch gradient descend
2020-12-05 20:50:00
196
原创 机器学习——推荐系统（Recommend Systems）
1、问题规划推荐系统在学术界研究少但是在互联网科技公司的使用很广泛，专注于为用户推荐个人感兴趣的东西，抖音、淘宝等等。机器学习中的伟大思想：一些算法能够自动学习一些环境中的特征，而不需要人去手动的提取。通过推荐系统，我们将领略一小部分特征学习的思想。预测电影评分的问题：ABCD四个用户，一共5部电影，表格中的数字为用户的评分，？为用户还没有看过这个电影。现在需要根据用户以往的看电影情况和评分情况，来将没看过的电影推荐给用户。于是，人可以很容易判断，AB用户喜欢爱情片，CD用户喜欢动作片。然后即可
2020-12-05 20:49:47
2944
原创 机器学习——异常检测
问题动机下图的是直升机的QA测试中的一些指标，x1为热量，x2为震动频率，图中的点都是正常的点，也就是质量合格的，现在给定一个测试数据，如何去判断它是否能够通过质量检验？具体的判定方式是什么？根据给定的质量合格的数据及集，要想知道 x_test 是不是异常的，相当于计算这个测试数据不属于该组数据的概率大小。我们想要构建的模型，应该能根据该测试数据告诉我们，该测试样本属于这组正常数据的可能性 p(x)。这种方法称为密度估计，表达如下：应用举例：通过记录用户的工作信息、访问网页频率、发言频率、打
2020-12-05 20:49:05
665
原创 机器学习——评估参数
确定执行的优先级利用垃圾邮件自动检测分类。如何去选取它的特征，或者说怎么将邮件文字形式的内容转化为可用的特征数据？可以将一些词语出现标记为1一些标记为0从而构造特征向量。如何提升判定的准确率？收集大量数据（honeypot）->这是一般是徒劳的利用上来件人信息构造复杂的特征增加一些关键词比如说折扣、打折、会员、现金等（5000 - 10000）形近词语是否研究，比如会口贝（会员）等误差分析遇到机器学习项目的操作流程：快速的简单的粗暴的实现机器学习算法，然后用交叉验证集去测试它
2020-12-05 20:47:56
711
原创 奇异值分解SVD——好文章链接
SVD理解：https://www.cnblogs.com/endlesscoding/p/10033527.html#96919082https://mp.weixin.qq.com/s/GNHPamltnqaUpGG9NhvWxgSVD实现：https://www.cnblogs.com/endlesscoding/p/10058532.html
2020-12-05 20:47:46
61
原创 机器学习——聚类
无监督学习——聚类算法把相似的个体统一起来，方便后续的操作。这里相似个体的生成是由计算机自己看成而不需要标签，所以称为无监督学习。K-means算法
2020-12-05 20:47:36
127
原创 机器学习——支持向量机
优化目标代价函数正则化的参数去掉，然后往总的求和加了C也并不影响什么，大致上和逻辑回归的代价函数一致。假设函数从之前的概率值变成了非0即1的情况大间隔分类器的直观理解它有更加 严格的限值区间，之前的逻辑回归在z大于0的时候就会判定成1而现在只有在 z>1的时候才会判定成1我们假设一种C非常长大的情况：我们就会迫切的希望与C相乘的项足够的小，宁愿趋近于0：从二维平面更加客观的理解是：黑色的分界线明显好于其他颜色的，而蓝色之间的间隔就是分类器的留出间隔。就是那个1大间隔分类器的数学原
2020-12-05 20:47:28
124
原创 机器学习——偏差与方差
决定下一步做什么发现不拟合的时候，如何选择合适的方法，达成自己的目标！评估假设将原来的训练集，按照7 ： 3 的比例作为训练集和测试集！测试集判断错误的记为1，正确的记为0，这就是0 / 1 错误分类度量，以此来定义测试误差！模型选择、训练、验证、测试集如何选择假设函数的次数（逻辑函数中的power），以及lambda参数？将训练集分为以下3个子集：6 ： 2 ： 2**训练集：**用来训练模型的样本，得到一个基础参数；**测试集：**用测试集测试已经拟合好的模型，如果不合适，就用测试集
2020-12-05 20:47:23
346
原创 机器学习——回归
线性回归线性回归方程参数求解有两种方式：梯度下降法(gradient descent)假设函数和代价函数：假设函数是我们选取的假设为最终求解到的函数曲线形式，而代价函数是一个评估现在的曲线和真实样本的差距（一般用平均方差表示）梯度表明了一个函数变化最快方向的数值，用梯度下降法经过多次迭代可以使得代价函数趋于收敛状态，得到当前样本下最拟合的曲线通过对代价函数求梯度，通过迭代得到：theta_new = theta_old - alpha * J(theta)， 我们可以得到最理想话的thetaA
2020-12-05 20:47:16
141
原创 《浅谈人工智能：现状、任务、构架与统一》感悟总结
引言原文链接：https://mp.weixin.qq.com/s/3sKfJnPayDCCosKVP3Jz8Q?前四节浅显探讨什么是人工智能和当前所处的历史时期，后面六节分别探讨六个学科的重点研究问题和难点，有什么样的前沿的课题等待年轻人去探索，最后一节讨论人工智能是否以及如何成为一门成熟的科学体系。人工智能是一个非常广泛的领域。当前人工智能涵盖很多大的学科，我把它们归纳为六个：计算机视觉（暂且把模式识别，图像处理等问题归入其中）自然语言理解与交流（暂且把语音识别、合成归入其中，包括对话）认
2020-12-05 20:47:01
1124
原创 机器学习——正则化(防止过拟合)
过拟合问题过拟合一般在参数个数多余样本的个数的时候，可以使得代价函数趋近于0，以至于覆盖所有的样本，从而过拟合，但是这样的曲线不能实现好的预测（泛化能力较差）解决过拟合问题的方法：a) 一维或者二维的数据时候，可以先画图，再自己判断选择合适的多项式阶数； b-1) 维数多时，减少特征数量，从而达到减少参数的数量的目的； b-2)：应用模型选择算法，它将会自动删除某些特征； c) 正则化，保留所有的特征，减小参数（theta），以至于某一个特征在预测y的时候作用变小。...
2020-12-05 20:46:55
297
原创 机器学习——神经网络模型构建(neural network)
神经网络的表示如果有100个特征，并且产生二次特征式，还有高次特征式，基于数量庞大的此特征来进行非线性分类器将不是一个很容易的事情。对于很多机器学习的例子，特征数是非常大的，可能远不止100个。学习复杂的非线性假设上具有很好的适用性寻找一种类似于人类大脑的神经网络算法，对于不同的输入数据，都可以进行快速的学习分层表示，不同层有不同的参数...
2020-12-05 20:46:42
845
原创 类和对象
类和对象类名以大写字母开头, 对象 = 属性(静态) + 方法(动态)类的实例化：tt = Turtle(),那么tt就是turtle的一个实例对象调用内部方法：tt.climb(), tt.sleep()OO = Object Oriented 面向对象：封装、继承、多态继承：class Mylist(list) # 这个Mylist类继承了list的方法，所以用Mylist定义的新的对象，有list的方法class Mylist(list): passlist2 = Mylist()
2020-12-05 20:45:49
77
原创 模块
模块模块是一个包含所有你定义的函数和变量的文件，其后缀名是.py。模块可以被引入别的程序，以使用该模块中的函数等功能 import 模块名os模块：操作系统模块，有了OS模块我们不需要关心什么 操作系统，自动会选择相应的驱动方式具体函数见：https://fishc.com.cn/thread-45512-1-2.html>>> import os>>> os.getcwd()'E:\\Python'# open ststem's caculatoros
2020-12-05 20:45:31
65
原创 文件
文件https://fishc.com.cn/thread-45279-1-1.htmlopen(file, mode=‘r’, buffering=-1, encoding=None, errors=None, newline=None, closefd=True, opener=None)Open file and return a stream（打开文件并返回一个流）‘r’ 只读 (default)‘w’ 写入,新的文件会覆盖已存在文件‘x’ 如果文件存在则
2020-12-05 20:45:16
72
原创 集合
基本定义如果字典里面，没有具体的映射关系，那么就是集合{set}{1,2,3,4,5,5,6,7}->{1,2.3,4,5,6,7}:会将重复的去除不能使用索引去访问，如set1[2] 是错误的创建方式set1 = set([1,2,3,4,5,5])即时练习：去除列表[0,1,2,3,4,5,5,3,1]中的重复元素：而且，它会默认升序排序base = [0,1,2,3,4,5,5,3,1]set1 = set(base)new_base = list(set1)prin
2020-12-05 20:45:08
52
原创 字典
创建和访问字典字典是映射类型，不是序列例：dict1 = {'李宁':'一切皆有可能', '耐克':'Just do it', '阿迪达斯':'Impossible is nothing','鱼':'让编程改变世界'}#品牌名是键，口号是值print('鱼：',dict1['鱼'])字典的创建dict1 = {}# 利用序列进行创建dict1 = dict((('F',70),('i',105),('s',135),('h',104),('c',67)))# 通过给键赋值来进行
2020-12-05 20:45:01
87
原创 Python——递归
递归是神马写一个阶乘函数：普通方式：def n(x): result = x for i in range(1, x): result *= i return resultprint(n(5))递归方式：def factorial(n): if n == 1: ...
2020-12-05 20:44:55
156
原创 序列（列表、元组、字符串）
序列表、元组、字符串都是可迭代序列list():生成列表tuple():生成元组max(), min():同类型比较数据sum():同类型求和sorted():相当于.sort()reversed():翻转 相当于 .reverse(),但是返回的是一个迭代器对象而不是序列enumerate()：枚举：生成(索引, 值）的迭代器对象，可以用list(enumerate(num))输...
2020-12-05 20:44:38
176
原创 字符串
字符串可以拼接5 + 813‘5’ + ‘8’‘58’字符串类似于元组，不能直接修改某一个字母，可以用元组的切片方法进行新的创建覆盖>>> str = "I love you">>> str[3]'o'>>> ' ' in strTrue>>> str = str[:1] + ...
2020-12-05 20:44:29
46
原创 元组、
tuple = (1, 2, 3);读取方式和列表一样，tuple1 = tuple[:],元组的切片，tuple[2] 返回3，tuple[1:] 返回（2, 3)empty_tuple = () 创建空元组，tuple = (1) 这是一个int，tuple = (1,) 这是一个元组，甚至temp = 1, 2, 3， 也是一个元组例子：8*8 = 64 8 * （8，） =...
2020-12-05 20:44:22
53
原创 列表操作
列表是类似于MATLAB的元包，可以包含任何数据类型（对象也可以）number = [‘s’, ‘1’, [‘sss’, ‘ssd’], ‘书’]number.append() # 在列表后面添加1个元素number.extend() # 在列表后面添加一个列表number.insert(n, ‘cdh’) # 在第 n-1 位置插入‘cdh’...
2020-12-05 20:44:13
99
原创 Pycharm中安装Pillow
1、官网下载对应pillow2、在DOS命令窗口输入：pip install pillow位置和文件名，如： pip install e:\install\pillow7.whl3、可以再Python安装路径的lib\site-packages中找到安装好的库PIL4、在Pycharm中改变编译器，更改成Python下的编译器而不是项目下的编译器5、from PIL import Imag...
2020-12-05 20:44:04
3169
原创 Multi-Scale Context Aggregation By Dilated Convolutions
1 Introduction之前的网络比如FCN或者Deep Lab v1都存在从小的分辨率图像往大了进行上采样，那么问题就来了，下采样是必要的嘛？话有一些方法提供多个重构版本（multiple rescaled versions of the image）再进行联合求解预测，这样的操作是必要的嘛？本文提出一种CNN模型，不会丢失分辨率，也不会联合多个预测去得到最后的分割图。这个模型是基于空洞卷积的，它在保证分辨率的情况下（就是不进行下采样），能够极大的扩大感受野（感受野的大小可以决定单个像素点能够参考
2020-12-05 20:43:05
1985
元学习-MAML-资源整合
2020-12-17
seaborn_study.zip
2020-07-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人