Patern Recognition
关注
分享
扫一扫
文章平均质量分 95
FesianXu
腾讯-微信事业群-高级算法工程师， 百度-搜索策略部-前高级算法工程师。 主要从事多模态检索、视频检索、信息检索，大模型落地应用等领域工作。
展开
-
【论文极速读】 Efficient Net：一种组合扩大卷积网络规模的方法
【论文极速读】 Efficient Net：一种组合扩大卷积网络规模的方法 FesianXu 20220313 at Baidu Search Team前言最近笔者需要基于Efficient Net作为图片编码器进行实验，之前一直没去看原论文，今天抽空去翻了下原论文，简单记下笔记。如有谬误请联系指出，本文遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明并且联系笔者，谢谢。∇\nabla∇ 联系方式：e-mail: FesianXu@gmail.comgith...原创 2022-03-13 14:49:05 · 2464 阅读 · 1 评论 -
Object Detection中的mAP
前言指标很重要，合适的指标更是重中之重。mean Average Precision, mAP是常见的评估机器学习模型性能的指标，其在物体检测任务中也有着广泛地应用，是诸多Object Detection任务的主要评估指标，本文总结一些关于mAP的理解。如有谬误，请联系指出，本文参考[1,2]。注： mAP或者AP在物体检测和信息检索中，其定义有所不同，本文特定在物体检测场景中的定义。精确率和召回率我们在[3]一文中介绍过一些常见的评估指标，其中就包括了精确率(precision)和召回率(rec原创 2020-05-30 18:02:17 · 516 阅读 · 0 评论 -
数据，模型，算法共同决定深度学习模型效果
数据，模型，算法共同决定深度学习模型效果 2020/4/20 FesianXu在文献[1]中对few-shot learning进行了很好地总结，其中提到了一个比较有意思的观点，这里和大家分享下。先抛开few-shot learning的概念，我们先从几个基本的机器学习的概念进行分析。期望风险最小化（expected risk minimization）： 假设数据分布...原创 2020-04-20 21:25:01 · 1080 阅读 · 0 评论 -
《土豆学Object Detection》 之 RCNN初探
《土豆学Object Detection》 之 RCNN初探前言本土豆最近在做Human-Object Interaction（HOI）任务的研究，其中有用到物体识别的模块，因此也打算趁此机会把Object Detection（OD）的拿来系统学习下，并且在此纪录下笔记。土豆我深知OD已经在网络上有着很多中文博客资料了，但是个人觉得很多都不够详细，不够入门级，因此我尽量在此博客里面...原创 2019-08-01 13:54:12 · 425 阅读 · 0 评论 -
《Geometric Deep Learning学习笔记》第三篇，GCN的空间域理解，Message Passing以及其含义
GCN的空间域理解，Message Passing以及其含义 5/20, '19 FesianXu前言在上一篇文章中[1]，我们介绍了Graph Convolution Network的推导以及背后的思路等，但是，其实我们会发现，在傅立叶域上定义出来的GCN操作，其实也可以在空间域上进行理解，其就是所谓的消息传递机制，我们在本篇文章将会接着[1]，继续介绍Message Passing机...原创 2019-05-19 23:10:07 · 6437 阅读 · 14 评论 -
《Geometric Deep Learning学习笔记》第二篇， 在Graph上定义卷积操作，图卷积网络
前言我们曾在[1]中探讨了欧几里德结构数据（如图像，音视频，文本等）和非欧几里德结构数据（如Graph和Manifold等）之间的不同点，在本文中，我们探讨如何在非欧几里德数据，特别是Graph数据上定义出卷积操作，以便于实现深度神经学习。如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https...原创 2019-05-19 21:55:04 · 4302 阅读 · 0 评论 -
【动作识别相关，第一篇】skeleton骨骼点数据类型介绍
前言本文主要是对多视角动作识别问题以及基于骨骼点(Skeleton)模态数据的动作识别问题的一个简单的综述性文章，本文提到的方法，大部分是基于骨骼点数据进行的，为了读者可以有个更好地理解，本文将会从数据的获得开始谈起。如有谬误，请联系指出，如需转载，请注明出处，谢谢。∇\nabla∇联系方式：e-mail: FesianXu@163.comQQ: 973926198github: htt...原创 2019-02-24 12:14:23 · 7052 阅读 · 5 评论 -
损失函数的可视化——浅论模型的参数空间与正则
前言：在深度学习中我们总是不可避免会碰到各种各样的损失函数，通常来说，损失函数都是高维的函数，难以可视化为人类可以分辨的二维或者三维形式，因此这里介绍一种通过在高维空间中切片的损失函数可视化手段，并且讨论下模型的参数空间。如有谬误请联系指出，转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https://github.c...原创 2018-10-28 15:03:01 · 3131 阅读 · 1 评论 -
《SVM笔记系列之六》支持向量机中的核技巧那些事儿
《SVM笔记系列之六》支持向量机中的核技巧那些事儿前言我们在前文[1-5]中介绍了线性支持向量机的原理和推导，涉及到了软和硬的线性支持向量机，还有相关的广义拉格朗日乘数法和KKT条件等。然而，光靠着前面介绍的这些内容，只能够对近似于线性可分的数据进行分割，而不能对非线性的数据进行处理，这里我们简单介绍下支持向量机中使用的核技巧，使用了核技巧的支持向量机就具备了分割非线性数据的能力。本篇可能是我...原创 2018-10-16 20:38:16 · 931 阅读 · 0 评论 -
贝叶斯之旅||第二讲，分类问题的两大过程，推理和决策
贝叶斯之旅||第二讲，分类问题的两大过程，推理和决策前言前面[1]我们介绍了贝叶斯决策的一些知识，介绍了基于最小化分类错误率和最小化分类损失的两种决策准则，接下来，我们简单讨论下分类问题中的二个步骤，推理和决策。如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https://github.com...原创 2018-09-20 16:25:59 · 1165 阅读 · 3 评论 -
生成模型和判别模型的区别
前言** 机器学习中有两种大类的模型，分别是生成模型和判别模型，其分别代表了不同的预测思想，我们这里讨论一下两者的异同。**如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https://github.com/FesianXu机器学习的目标首先，我们先要讨论整个机器学习的目标，在应用中最常见...原创 2018-09-20 14:05:28 · 1767 阅读 · 0 评论 -
贝叶斯之旅||第一讲，贝叶斯决策
贝叶斯之旅||第一讲，贝叶斯决策前言在机器学习中，有两大门派，分别是频率学派和贝叶斯学派，在现在深度学习大行其道的时代下，数据量空前庞大，频率学派占据了比较大的优势，而贝叶斯学派似乎有点没落，然而，贝叶斯理论在机器学习中是有着很重要的地位的，它从理论上揭示了模型为什么可以工作，为什么会fail，在数据量必须小的一些任务中，通常也可以表现得比频率学派的好，让我们开始我们的贝叶斯之旅吧。这一讲，主...原创 2018-09-20 00:47:52 · 986 阅读 · 0 评论 -
曲线拟合问题与L2正则
曲线拟合问题与L2正则前言我们在[1]中曾经谈到了在贝叶斯理论下指导的曲线拟合问题以及基于此的L2正则化解释，其实，对于L2正则化还可以从模型复杂度的角度进行解释，现在，我们针对非贝叶斯观点的曲线拟合问题和L2正则进行讨论。如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https://gith...原创 2018-09-23 21:15:40 · 1426 阅读 · 0 评论 -
贝叶斯曲线拟合
贝叶斯曲线拟合以及对L2正则化的贝叶斯解释前言在以前文章中，我们讨论过《概率学派和贝叶斯学派的区别》和《 <机器学习系列> 线性回归模型》，这里我们讨论下曲线拟合问题中的数据点的噪声问题，以及根据贝叶斯理论的L2正则化解释。如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: FesianXu@163.comQQ: 973926198github: https:...原创 2018-09-23 15:54:34 · 6587 阅读 · 2 评论 -
DenseNet的理解
《weekly paper》DenseNet的理解前言DenseNet是CVPR2017的best paper，其可以看成是ResNet和HighwayNet一类型的网络，都是通过引进了shortcut以减少梯度消失，增强不同层之间的信息融合。如有谬误，请联系指正。转载请注明出处。联系方式： e-mail: FesianXu@163.com QQ: 973926198 g...原创 2018-05-25 16:50:20 · 1338 阅读 · 0 评论