- 博客(6)
- 收藏
- 关注
RSS订阅原创 深度学习——YOLO
其中，x、y表示边界框的中心坐标相对于当前网格单元的偏移量，w、h表示边界框的宽和高，confidence表示边界框内含有目标的置信度，C为类别数。YOLOv2的核心思想是将目标检测任务简化为一个单次前向传播的回归问题，通过网络一次性预测所有目标的位置和类别，具有实时性和高效性的特点，并且在准确性方面有了显著的提升。通过将目标检测任务转化为单一的回归问题，并结合多尺度特征和网格预测，YOLOv3实现了高效的目标检测，具有较快的速度和较好的检测精度，适用于需要实时目标检测的场景。
2023-11-17 15:34:43
599
1
原创 深度学习——目标检测
与图像分类任务不同，目标检测不仅要求识别出目标的类别，还需要确定目标在图像中的位置，通常通过边界框（bounding box）的方式进行表示。总的来说，anchor box 在深度学习目标检测中扮演着非常重要的角色，它为模型提供了丰富的位置信息和多样化的尺度选择，从而提高了目标检测的准确性和鲁棒性。在目标检测中，即被正确检测为目标物体的样本中，真正是目标物体的比例。总而言之，Ground Truth是目标检测中至关重要的一部分，它提供了标准的目标位置和类别信息，用于训练和评估目标检测算法的性能。
2023-11-15 15:17:18
451
原创 深度学习——卷积神经网络
然而，由于数据集和计算能力的限制，LeNet在当前更复杂的图像分类任务上的应用相对有限，而现代的卷积神经网络通常采用更深、更复杂的结构。它将卷积层和池化层堆叠在一起，形成了一系列的卷积块（Convolutional Block），每个卷积块内部具有相同数量的卷积层，同时保持较小的感受野（3x3的卷积核）。通过改变滤波器的权重，卷积层可以学习到不同类型的特征。由于输入数据中的目标对象可能出现在不同位置，因此具有平移不变性的 CNN 能够更好地捕捉输入数据中的局部特征，并且在不同位置上具有相同的响应。
2023-11-06 15:46:38
404
原创 深度学习——感知机
一.感知机感知机是一种最简单的人工神经元模型，也是神经网络的基本构成单元之一。它由输入、权重、偏置和输出组成。感知机的输入可以是任意数量的二进制数，这些输入通过权重与偏置相加，然后通过激活函数进行非线性变换，得到一个二进制的输出结果。其中，权重用于调整每个输入的重要性，而偏置则用于调整输出的阈值。感知机的训练过程就是调整权重和偏置的过程。训练数据被送入感知机，如果感知机的输出与期望的输出不同，则通过梯度下降等优化算法来调整权重和偏置，使得感知机更准确地预测。感知机最早由美国科学家 Frank Rose
2023-11-03 14:43:51
711
原创 深度学习——线性回归和softmax回归
打分越高代表属于这个类别的概率越高，但是打分本身不代表概率，因为打分的值可以是负数，也可以很大，但概率要求必须在0～1，并且三类的概率加起来应该等于1。线性回归（Linear Regression）通过属性的线性组合来进行预测的线性模型，目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。xn)，其中xi是写的第i个属性的取值，线型模型拟合一个通过属性的线性组合的函数。有m个样本，第i个样本的响应变量(观测值)为yi，其有n个特征，第j个特征(预测变量)为xij。
2023-11-02 11:39:31
282
1
原创 机器学习总结
最后，使用测试数据来评估模型的性能，并进行必要的调整和优化。因此，选择合适的算法和模型，并进行适当的调参和评估是非常重要的。通过机器学习，可以从大量的数据中发现隐藏的模式和趋势，以及提供基于数据的决策支持和预测能力。它是人工智能的关键组成部分，通过训练和优化模型，机器学习可以自动识别模式、发现隐藏的规律以及做出准确的预测。总结来说，机器学习是一种强大的技术，可以通过从数据中学习和改进来解决各种复杂的问题。它在各个领域都有广泛的应用，并且随着技术的发展和数据的增加，机器学习的潜力将继续得到挖掘和发展。
2023-11-01 18:44:19
76
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人