<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fffupeng的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fffupeng</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fffupeng]]></copyright><item><title><![CDATA[混淆矩阵、分类评价指标]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/84538162</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/84538162</guid><author>fffupeng</author><pubDate>Mon, 26 Nov 2018 13:43:07 +0800</pubDate><description><![CDATA[混淆矩阵

 





混淆矩阵基本上就是上表的表示，展示出实际的类别和分类后的得到的结果。（在目标识别中如何表现出背景那一类？）

抽象出来就是下面的列表：







从TP，TN、FN、FP 可以得到几种指标：



 

1）查准率：

也可以理解为（正样本的）准确率，P = TP/（TP+FP）。在目标识别中就是：检测到正确的目标数目/检测到的目标数目；

上述的查准率公式也有不妥的...]]></description><category></category></item><item><title><![CDATA[集成学习]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77259075</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77259075</guid><author>fffupeng</author><pubDate>Wed, 16 Aug 2017 17:40:27 +0800</pubDate><description><![CDATA[一、概念  集成学习通过构建多个学习器，并通过某种策略对多个学习器进行组合。  所以集成学习存在两个方面的问题：  1、如何得到若干个学习器  2、通过何种策略将其组合成一个强学习器  二、分类  首先解决问题1：如何得到若干弱分类器？  首先弱分类器分为两类：  第一类：同质                使用最多，CART决策树和神经网络,同质学习器根据学习器个体之间是否存在依赖关系可以分为两]]></description><category></category></item><item><title><![CDATA[lung cancer detection]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77247433</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77247433</guid><author>fffupeng</author><pubDate>Wed, 16 Aug 2017 15:00:07 +0800</pubDate><description><![CDATA[1、Introduction  我们的模型基于3d卷积，统一了nodule检测和癌症分类。模型输入是已经预处理的3d肺部的扫描，同时输出可能的nodule和肺癌的概率（提交的数据）。  整个的解决方案分为三个步骤：预处理，病灶检测和癌症分类  2、预处理   3、Nodule detection  我们设计了三维卷积网络用于检测可疑的病灶。三维的卷积因为不同的任务而做出修改。和一般的目标检测不太一]]></description><category></category></item><item><title><![CDATA[mnist整合mobilenet]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77124474</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77124474</guid><author>fffupeng</author><pubDate>Sat, 12 Aug 2017 17:28:37 +0800</pubDate><description><![CDATA[#coding=utf8
#author by fffupeng
#envirnment anaconda python 3.5 windows


#这是一个将mnist中的卷积改成mobilenet的思想

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = inp]]></description><category></category></item><item><title><![CDATA[tensorflow3 mnist2]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77115916</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77115916</guid><author>fffupeng</author><pubDate>Sat, 12 Aug 2017 14:10:55 +0800</pubDate><description><![CDATA[#coding=utf8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)


def weight_variable(shape):
    initial =]]></description><category></category></item><item><title><![CDATA[tensorflow mnist入门]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77101633</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77101633</guid><author>fffupeng</author><pubDate>Fri, 11 Aug 2017 18:00:17 +0800</pubDate><description><![CDATA[#coding=utf8import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data\\", one_hot=True)#构建计算图x = tf.placeholder(tf.float32,[None,78]]></description><category></category></item><item><title><![CDATA[tensorflow从变量-loss-optimizer]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/77089656</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/77089656</guid><author>fffupeng</author><pubDate>Fri, 11 Aug 2017 10:24:48 +0800</pubDate><description><![CDATA[tensorflow 提供很多api，最低级的api tensorflow Core给你提供完整的编程控制，这时我们应该关注的。高层的api是建立在tensorflow core之上。A high-level API like
 tf.contrib.learn helps you manage data sets, estimators, training and inference. 
下]]></description><category></category></item><item><title><![CDATA[canny]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/74398049</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/74398049</guid><author>fffupeng</author><pubDate>Wed, 05 Jul 2017 12:04:38 +0800</pubDate><description><![CDATA[边缘检测原理和步骤：   在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。          1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测]]></description><category></category></item><item><title><![CDATA[hough变换]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/74335271</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/74335271</guid><author>fffupeng</author><pubDate>Tue, 04 Jul 2017 17:09:34 +0800</pubDate><description><![CDATA[霍夫变换的目的：检测直线（或者是简单的图形，例如矩形，圆等等）  例如在下图中检测车道：明显这是直线的检测，如果采用canny边缘检测，很明显忽略了直线这个重要的信息。于是不如换一种思维方式。    在直角坐标系中，直线通过y = k * x +b来表示，    实际上确定直线的参数就两个：k和b，这是一个一一对应的关系。  那不就是说可以如果将k设置为横坐标，b设置为纵坐标，那k - b坐标系上]]></description><category></category></item><item><title><![CDATA[caffe 添加Python层]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73836168</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73836168</guid><author>fffupeng</author><pubDate>Wed, 28 Jun 2017 12:29:08 +0800</pubDate><description><![CDATA[本文在mnist中添加Python层，作为修改，在本文中不仅介绍如何添加层，还会涉及到修改层的一些思路。
首先在train_test_lenet.prototxt中添加MyPythonLayer一层，如下图所示：


该层的主要作用就是将输入加上10，并输出，同事输入输出的维度不变。
接下来就是具体的代码实现。在caffe/python 下面添加mypythonLayer.py]]></description><category></category></item><item><title><![CDATA[c++存储区域]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73695568</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73695568</guid><author>fffupeng</author><pubDate>Sat, 24 Jun 2017 23:18:26 +0800</pubDate><description><![CDATA[2017/06/24 23:14   五大内存分区       在C++中，内存分成5个区，他们分别是堆、栈、自由存储区、全局/静态存储区和常量存储区。   栈，就是那些由编译器在需要的时候分配，在不需要的时候自动清楚的变量的存储区。里面的变量通常是局部变量、函数参数等。   堆，就是那些由new分配的内存块，他们的释放编译器不去管，由我们的应用程序去控制，一般一个new就要对应一个delete。]]></description><category></category></item><item><title><![CDATA[导数，偏导，方向倒数，梯度]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73522425</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73522425</guid><author>fffupeng</author><pubDate>Tue, 20 Jun 2017 23:34:26 +0800</pubDate><description><![CDATA[知乎链接  https://www.zhihu.com/question/36301367  导数：  导数不仅仅表示该点切线的斜率，还反应了函数在该点的变化率。        偏导数：    偏导数仅仅是表示某点在x方向的导数和再y轴方向的导数。  这反应了偏导数的局限性，仅仅是多元函数沿着坐标轴的变化率，但是如上图，在M0点处存在很多方向的偏导数（并不仅仅x和y方向）。这就引出了方向导数。]]></description><category></category></item><item><title><![CDATA[直方图均衡化python代码实现]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73463749</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73463749</guid><author>fffupeng</author><pubDate>Mon, 19 Jun 2017 12:27:23 +0800</pubDate><description><![CDATA[图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。  在这种情况下，直方图均衡化的变换函数是图像中像素值的累积分布函数（累积直方图）（cumulative distribution function，]]></description><category></category></item><item><title><![CDATA[lec6 训练神经网络2]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73440929</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73440929</guid><author>fffupeng</author><pubDate>Sun, 18 Jun 2017 21:30:57 +0800</pubDate><description><![CDATA[参数的更新：  详见 http://blog.youkuaiyun.com/fffupeng/article/details/72771325  SGD：（沿着梯度负方向更新参数）      在上图中x方向的长度远大于其他方向，损失函数在水平方向上比较浅，在垂直方向上比较深。如上图，很明显下降的速度比较慢。    Momentum update：    动量更新不仅考虑了当前的动量-learning_rate]]></description><category></category></item><item><title><![CDATA[lec5 训练神经网络1]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73411778</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73411778</guid><author>fffupeng</author><pubDate>Sun, 18 Jun 2017 10:56:08 +0800</pubDate><description><![CDATA[训练网络之前必须知道，训练卷积网络需要一定的数据量。  finetuning   采用预训练的方式，然后用自己的数据训练网络的最后几层。  （可以将卷积层作为提取特征的固定网络，我们只需重新训练分类层就可以了，当然如果有一定的数据量可以训练较多的层）  如下图所示：    准备好数据集，网络模型之后可以开始训练网络。下降策略一般采用SGD（随机梯度下降）  训练步骤：    激活函数：  可以看下]]></description><category></category></item><item><title><![CDATA[lec4 反向传播和神经网络1]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73411752</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73411752</guid><author>fffupeng</author><pubDate>Sun, 18 Jun 2017 10:51:02 +0800</pubDate><description><![CDATA[神经网络中如何前向和后向计算：  如下图：    反向传播时，使用链式法则，从后向前逐步更新权重。  下图是有激活函数的情况：]]></description><category></category></item><item><title><![CDATA[SSD 安装日志]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73379991</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73379991</guid><author>fffupeng</author><pubDate>Sat, 17 Jun 2017 14:27:09 +0800</pubDate><description><![CDATA[s1:  git clone   cd caffe   git checkout ssd    s2:  cp Makefile.config.example Makefile.config  make -j8  make py  make test -j12  make runtest –j12    出现问题:  缺少-lopenblas   sudo apt-get install open]]></description><category></category></item><item><title><![CDATA[tips/tricks in deep neural network]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73251059</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73251059</guid><author>fffupeng</author><pubDate>Wed, 14 Jun 2017 18:22:47 +0800</pubDate><description><![CDATA[1、数据集的扩增       现在数据集扩增成为训练深度网络的必须步骤     1.1 水平翻转，随机剪裁，颜色抖动（color jittering）（HSV空间中，改变s和v分量）      1.2 fancy pca      step1:    计算rgb三个分量的协方差（注意转为一维）      im = cv.imread('1_1.png')#读入图片数据      b,g,r = c]]></description><category></category></item><item><title><![CDATA[在线难例挖掘 论文]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/73032497</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/73032497</guid><author>fffupeng</author><pubDate>Sun, 11 Jun 2017 15:19:48 +0800</pubDate><description><![CDATA[这篇论文主要就是在faster rcnn上加上了online hard example mining，论文还是比较容易理解的。    首先回顾一下，faster rcnn的mini batch 的生成过程。  在faster rcnn中mini batch设定为2张图片，每张图片生成128个roi，然后输入进入roi网络。  如下图（这是fast rcnn的图，faster rcnn中rpn和de]]></description><category></category></item><item><title><![CDATA[3 损失函数和优化]]></title><link>https://blog.youkuaiyun.com/fffupeng/article/details/72903717</link><guid>https://blog.youkuaiyun.com/fffupeng/article/details/72903717</guid><author>fffupeng</author><pubDate>Wed, 07 Jun 2017 20:42:37 +0800</pubDate><description><![CDATA[为了描述之前建立的线性分类器的分类效果，我们引入的损失函数，顾名思义，损失函数越大误差也就越大。  在下图的任务中，将测试图片猫、车和青蛙输入网络，输出了一系列的数值，如下表。    很显然我们希望图片对应的分类数值越高越好，例如猫的图片对应cat，但是数值只有3.2，还不如对应的car的数值，所以该线性分类器会将猫这张图片分类为car。    下面引入svm loss函数：    其中Sj和Sy]]></description><category></category></item></channel></rss>