2301_76234549的博客

对输出特征进行分类nn.Linear(64 * 4 * 4, 128), # 全连接层，输入维度为 64 * 4 * 4，输出维度为 128nn.ReLU(inplace=True), # 激活函数nn.Linear(128, num_classes), # 全连接层，输入维度为 128，输出维度为 num_classes。

基于异常检测的CFA（Coupled-hypersphere-based Feature Adaptation）算法是一种用于目标导向异常定位的深度学习方法，主要通过特征自适应和迁移学习来提高异常检测的精度。

1. 精确率（Precision）​定义：在所有被模型预测为正类（即存在目标）的样本中，实际为正类的比例。公式​：解释：TP（True Positive）​：模型正确预测了目标的边界框和类别。FP（False Positive）​：模型错误地预测了目标的边界框或类别（例如，将背景误判为目标）。意义：高精确率意味着模型在预测目标时较少出现误报。2. 召回率（Recall）​定义：在所有实际为正类的样本中，被模型正确预测为正类的比例。