mmsegmentation模型输出的置信度不在0~1之间应该怎么办呢？

已于 2024-01-17 14:59:10 修改
阅读量612 收藏 8
点赞数 15
分类专栏： 图像分割框架 文章标签： 机器学习 人工智能
于 2024-01-17 13:05:00 首次发布
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.youkuaiyun.com/chenyuan1111/article/details/135646558
版权
文章讨论了sigmoid函数在深度学习中的作用，特别是在神经网络中BN层之后的归一化过程，强调其在模型部署时用于确保单像素预测精度的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

导出来是的精度矩阵是这样子的，并不在0~1之间。

在这里插入图片描述
在这里插入图片描述

  • 按照我的理解，sigmoid函数要做的是在输入到BN层之后进行归一化的，一般老师也是这么说的。很少会说到在模型部署的时候sigmoid函数的用途。但这里确实需要经过sigmoid之后才可以得到我们需要的精度——单像素预测精度。
def sigmoid(x):
    s = 1 / (1 + np.exp(-x))
    return s
常见深度学习库mmlab系列安装（mmdetection/mmdetection3d/mmyolo/mmsegmentation/mmocr/mmselfup/mmdeploy/mmrazor）
熊猫小妖的AI世界
05-19 1318
open-mmlab系列已经更新之3.x系列，底层也从mmcv-> mmengine，发生了较大的变化。类似python2->python3。所以很多环境需要重新安装和更新。方法也不一样了，特此安装和整理一下。
YoloV10改进策略：注意力改进|Neck层改进|SCSA，探索空间与通道注意力之间的协同效应|即插即用
m0_47867638的博客
01-01 314
https://arxiv.org/pdf/2407.05128 通道注意力和空间注意力分别为各种下游视觉任务在提取特征依赖性和空间结构关系方面带来了显著改进。通道注意力和空间注意力的结合使用被广泛认为有利于进一步提升性能；然而，通道注意力和空间注意力之间的协同作用，尤其是在空间引导和缓解语义差异方面，尚未得到深入研究。这促使我们提出了一种新的空间与通道协同注意模块（SCSA），该模块涉及我们在多个语义层面上对空间注意力和通道注意力之间协同关系的研究。我们的SCSA由两部分组成：可共享多语义空间注意力（SM
Tensorflow object detection API调整输出的置信度
Bend_Function的博客
01-19 1365
Tensorflow object detection API 输出还是原图，没画框怎么办？ 有些时候改一下置信度就好了 在“vis_util.visualize_boxes_and_labels_on_image_array”中加入 min_score_thresh=0.2 0.2表示把20%以上的检测对象输出 ...
深度置信网络_神经网络现在还能告诉你它什么时候不可信了！
weixin_39723899的博客
12-14 662
越来越多的人工智能系统广泛应用于深度神经学习网络而被人熟知，它用来通知对人类健康和安全至关重要的决策，例如在自动驾驶或医疗诊断中。这些网络善于识别大型复杂数据集中的模式，以帮助决策。但我们怎么知道他们是正确的呢？麻省理工学院和哈佛大学的Alexander Amini和他的同事们想找出答案。他们开发了一种神经网络快速处理数据的方法，不仅输出预测值，还根据可用数据的质量输出模型的置信度。这种...
[机器学习与数据分析] 常见问题
柚子
07-20 878
(1) 无监督和有监督算法的区别？ 有监督学习： 　　　　对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。因此，训练样本的岐义性低。 无监督学习： 　　　　对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。因此，训练样本的岐义性高。聚类就是典型的无监督学习。 (2) SVM的推导，特性？多分类怎么处理？ SVM是最大间隔分类器，几何间隔和样本的误分次数之间存在.
mmseg库代码实践
m0_54824511的博客
06-14 784
本节课程是子豪兄倾心讲解，太棒啦~！每次听子豪兄的讲课都觉得很清晰，对于入门同学很友好。
神经网络与深度学习笔记（4）
qq_44229116的博客
04-17 700
输入图像通过含池化的卷积层网络时其大小变为原来的1/32,向全连接层输出7x7通道为512的数据。为预测的bounding box和真实的物体位置的交并比：即预测的位置与实际位置的相交的区域面积与两者共同所占的面积之比。1：使用滑动窗口法对每个小块进行图像识别，在图像识别的类将每个小块都设置成在图像识别所识别的类。通过中间层的输出训练图像识别的最终层的反卷积使得语义分割的最终层能够输出合适的语义分类图像。将输出层结果多次进行反卷积后中间层预测结果进行求和的操作，最后对所形成的图像进行裁剪。
mmsegmentation画热力图
最新发布
02-18
### 使用 MMSegmentation 绘制热力图 MMSegmentation 是一个用于语义分割的强大框架，支持多种...上述过程展示了如何基于 MMSegmentation 的输出创建热力图，其中包含了对输入图像各位置属于不同类别的置信度评估。
利用MMPreTrain微调图像分类模型
强化学习曾小健
10-25 757
MMPreTrain是一款基于。
YoloV8改进策略：注意力改进|Neck层改进|SCSA，探索空间与通道注意力之间的协同效应|即插即用
m0_47867638的博客
12-29 934
https://arxiv.org/pdf/2407.05128 通道注意力和空间注意力分别为各种下游视觉任务在提取特征依赖性和空间结构关系方面带来了显著改进。通道注意力和空间注意力的结合使用被广泛认为有利于进一步提升性能；然而，通道注意力和空间注意力之间的协同作用，尤其是在空间引导和缓解语义差异方面，尚未得到深入研究。这促使我们提出了一种新的空间与通道协同注意模块（SCSA），该模块涉及我们在多个语义层面上对空间注意力和通道注意力之间协同关系的研究。我们的SCSA由两部分组成：可共享多语义空间注意力（SM
MMsegmentation如何输出新的模型评价指标
weixin_45501482的博客
01-23 1199
在使用MMsegmentation框架进行模型训练过程中，模型会默认的输出指定的评价指标，如果需要对评价指标进行更改，打印符合自己的评价指标，可以在“/mmsegmentation-main/mmseg/evaluation/metrics/iou_metric.py”中进行修改，这个文件中提供了以下三种类型。每种类型会有自己的评价指标，可以选择自己需要的，如果都不符合，可以对其代码进行修改，让其打印符合自己要求的评价指标。
MMpose代码实践（3）
m0_54824511的博客
06-03 340
对我个人来说，可视化和模型精简学到了很多以前不知道的设定
mmsegmentation的二值分割注意事项自用笔记
不会就学不会就学
08-17 945
mmsegmentation二值分割
TensorFlow学习笔记（4）——深层神经网络
Eric_KEY的博客
07-16 2979
1 深度学习与深层神经网络维基百科对深度学习的精确定义为“一类通过多层非线性变换对高复杂性数据建模算法的合集”。可见深度学习的两个重要特性：多层和非线性。1 非线性模型的局限性一个线性模型中通过输入得到输出的函数被称为一个线性变换，线性模型的最大特点是任意线性模型的组合仍是线性模型。而前向传播算法完全符合其定义。因此只通过线性变换，任意层的全连接神经网络和单层神经网络的表达能力没有任何区别，且都是线
看完一遍就会的mtcnn人脸检测原理
weixin_39849397的博客
11-28 769
看完一遍就会的mtcnn人脸检测原理 首先，看上图可以清楚mtcnn会对传入图片做四次处理。第一次为Resize，在这步中只是数据预处理的过程，还没有传入神经网络中。它会将原图片resize成越来越小的尺寸然后 ...
深度学习模型不确定性方法对比
Paper weekly
02-10 1万+
©PaperWeekly 原创 ·作者｜崔克楠学校｜上海交通大学博士生研究方向｜异构信息网络、推荐系统本文以 NeurIPS 2019 的 Can You Trust Your Mod...
机器学习中的置信区间与置信度
lepine的博客
12-02 4592
看到一篇机器学习中的置信区间与置信度很好的文章链接：https://www.techug.com/post/a-very-friendly-introduction-to-confidence-intervals.html 本文讨论了统计学中的一个基本术语 ：置信区间。我们仅以一种非常友好的方式讨论一般概念，没有太多花哨的统计术语，同时还会使用 Python 完成简单的实现！尽管这个术语是非常基础的，但我们有时很难完全理解置信区间到底是什么，为什么我们需要它。 假设你想知道美国有多少人热爱足球。为了得到 1
ANN神经网络模型的置信区间的预估-R包nnetpredint应用(一)
rockingdingo的博客
02-21 4559
本文介绍了如何对ANN模型预测值给出一个置信区间的估计。 ANN神经网络模型的参数 m 层神经网络模型，每层节点数 sk(k=0,1,2,..,m), s0 为输入向量的维度； ok : 第k层输入 a(k-1) * wk 权重并加上 bk 偏移量的结果； h(x) : 激活函数,如Sigmoid 函数 1/(1+exp(-x))； ak 为第k层神经元对ok 激活后的输出，同时ak 作为第(k+1)层网络的输入； 训练集样本输入记录为向量 Xi =c(x1,x2,..,xs0) (i = 1,2,.
计算深度学习模型预测置信度
热门推荐
XerCis的博客
03-26 1万+
取索引、逆序、保留两位
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

又又土

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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。

余额充值