我是如何逼迫自己学习计算机视觉(二)

博主分享了自己在图像分类领域的学习经历,从在B站看视频感到困惑,到在知网找到两篇深度学习图像分类的硕士论文。硕士论文相对易懂,博主决定按照其结构展开讲述,包括图像分类的传统算法和深度学习方法,并选择了2021年的热点论文进行深入理解。在汇报过程中,虽然感到紧张,但老师的提问集中在算法特点和优缺点上,使得汇报较为顺利。接下来,博主还需准备期末报告,并表示将从这次经验中吸取教训,充分准备。

做事还是要有始有终。所以来更第二篇。之前已经确定了图像分类的方向。然后就去b站看图像分类的视频,然而真的太长了还听不懂。又去知网搜“图像分类”,发现了两篇基于深度学习的图像分类论文,一个是安徽理工大学的,一个是西南石油大学的。

[1] 童浩然. 基于深度学习的图像分类的研究[D]. 安徽理工大学.

[2] 苏赋, 吕沁, 罗仁泽. 基于深度学习的图像分类研究综述[J]. 电信科学, 2019, 035(011):58-74.

不得不说,硕士论文就是更易懂些。我按照硕士论文的思路展开,先讲图像分类的研究背景,分为传统算法和深度学习。讲完之后就选一篇论文,再讲讲其中的算法原理,结果分析。因为不要求文献仿真,所以最后来个总结。

至于选择文献方面很是纠结,一开始选了CNN的一篇论文,但是感觉太经典了,老师应该非常熟悉,一不小心瞎扯就露馅了。很是烦恼没有早点开始学习这方面的知识,花了很长时间找合适的论文,最后还是去问了同学有什么推荐的图像分类论文,同学就给我发了一个,我看到是2021年5月的,还挺火,b站上有论文解析,这不就正好吗,哈哈。于是放了论文里的3张截图作为3页ppt,大概的算法和结论都明白了些。

到了汇报那天早上还在写稿子,因为要用英语汇报嘛。心里还是虚,很怕老师问的问题我回答不上来。上去念完英语稿之后,老师开始提问,情况比我想象得好些,因为老师喜欢问我们所选论文中算法的特点、优点、难点之类的东西,不会问的很具体。

汇报完之后终于放松了~但是接下来还有期末要交的一篇报告。这个系列还会更下去的。希望自己吸取这次的教训,好好准备期末报告。

【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调度(Matlab代码实现)内容概要:本文介绍了名为《【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调度(Matlab代码实现)》的技术资源,聚焦于电力系统中低碳经济调度问题,结合N-1安全准则与分布鲁棒机会约束(DRCC)方法,提升调度模型在不确定性环境下的鲁棒性和可行性。该资源提供了完整的Matlab代码实现,涵盖建模、优化求解及仿真分析全过程,适用于复杂电力系统调度场景的科研复现与算法验证。文中还列举了大量相关领域的研究主题与代码资源,涉及智能优化算法、机器学习、电力系统管理、路径规划等多个方向,展示了广泛的科研应用支持能力。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事能源调度、智能电网相关工作的工程师。; 使用场景及目标:①复现高水平期刊(如EI/SCI)关于低碳经济调度的研究成果;②深入理解N-1安全约束与分布鲁棒优化在电力调度中的建模方法;③开展含新能源接入的电力系统不确定性优化研究;④为科研项目、论文撰写或工程应用提供可运行的算法原型和技术支撑。; 阅读建议:建议读者结合文档提供的网盘资源,下载完整代码与案例数据,按照目录顺序逐步学习,并重点理解DRCC建模思想与Matlab/YALMIP/CPLEX等工具的集成使用方式,同时可参考文中列出的同类研究方向拓展研究思路。
内容概要:本文详细介绍了一个基于MATLAB实现的电力负荷预测项目,采用K近邻回归(KNN)算法进行建模。项目从背景意义出发,阐述了电力负荷预测在提升系统效率、优化能源配置、支撑智能电网和智慧城市建设等方面的重要作用。针对负荷预测中影响因素多样、时序性强、数据质量差等挑战,提出了包括特征工程、滑动窗口构造、数据清洗与标准化、K值与距离度量优化在内的系统性解决方案。模型架构涵盖数据采集、预处理、KNN回归原理、参数调优、性能评估及工程部署全流程,并支持多算法集成与可视化反馈。文中还提供了MATLAB环境下完整的代码实现流程,包括数据加载、归一化、样本划分、K值选择、模型训练预测、误差分析与结果可视化等关键步骤,增强了模型的可解释性与实用性。; 适合人群:具备一定MATLAB编程基础和机器学习基础知识,从事电力系统分析、能源管理、智能电网或相关领域研究的研发人员、工程师及高校师生;适合工作1-3年希望提升实际项目开发能力的技术人员; 使用场景及目标:①应用于短期电力负荷预测,辅助电网调度与发电计划制定;②作为教学案例帮助理解KNN回归在实际工程中的应用;③为新能源接入、需求响应、智慧能源系统提供数据支持;④搭建可解释性强、易于部署的轻量级预测模型原型; 阅读建议:建议结合MATLAB代码实践操作,重点关注特征构造、参数调优与结果可视化部分,深入理解KNN在时序数据中的适应性改进方法,并可进一步拓展至集成学习或多模型融合方向进行研究与优化。
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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