qq_41578727的博客

原创 傅里叶变换

时域--频阈频率周期相位振幅快速傅里叶变换傅里叶级数课程3课程4。

原创 贝叶斯公式

原创 【无标题】

（有放回抽样）从原始数据中生成多个子集，并对每个子集训练一棵决策树。在训练过程中，每棵树在分裂节点时，会随机选择一部分特征，而不是使用所有特征，从而增加了树的多样性，减少了模型的方差。随机森林的核心优势在于其强大的，即使在复杂的、高维的数据集上，也能避免模型的过拟合，适应数据中的噪声。它不仅能处理分类问题，还可以用于回归任务。对于分类任务，随机森林通过来决定最终的类别，对于回归任务，则通过所有树的预测值的来得出最终结果。此外，随机森林还具备良好的可扩展性，能够并行化训练过程，因此适合处理大规模数据集。

原创 SVM算法原理解析

SVM是一个强大的分类算法，尤其在数据维度较高、样本较少时表现良好。通过最大化类间间隔，SVM能在训练数据中找到一个最优分类面，保证模型的高泛化能力。通过核方法，它还能处理非线性分类问题。但SVM对于大数据集和噪声较多的情况，可能需要更多的计算资源和细致的参数调节。

原创 常用激活函数总结

原创 2D姿态估计小结

先放个结构图，后期再补结构（挖坑）

原创 目标检测算法优化技巧

针对mixup作者做了不同参数设置下的实验效果对比，如Table1所示，这里涉及一个名词：weighted loss，在图表中也做了解释，因为模型训练用的图像来自2张原输入图像通过不同权重合并得到的（如Figure3所示），因此在计算损失函数时（损失函数是基于目标计算的），属于不同输入图像的目标的权重也是不一样的，需要和输入图像在合并时的权重对应。其中qi表示真实标签，pi是预测值，因为q是one-hot形式（假设分类类别数是K，那么q就是1×K的向量，且其中只有对应的真实类别位置是1，其余都为0）。

原创 NMS原理总结

NMS算法的核心是通过比较重复预测框之间的IOU值，去除冗余的预测框，保留最优的结果。在YOLOv5中，NMS可以避免同一个物体被重复检测的问题，提高了检测的精度和效率。

原创 梯度下降方法总结

1.常规链式法则2.随机梯度下降3.牛顿法4.动量法5.Adgrad6.RMSport。

原创 HRNet原理

代码中在计算总损失时，并不是直接把每个关键点的损失进行相加，而是在相加前对于每个点的损失分别乘上不同的权重。的方式：即针对每个关键点预测一张热力图（预测出现在每个位置上的分数）。的方式：即直接预测每个关键点的位置坐标。当前检测效果最好的一些方法基本都是基于。3.预测结果（heatmap）的可视化。的，所以HRNet也是采用基于。2.HRNet网络结构。

原创 计算机视觉知识框架

WEB图像结构化；离线SDK图像结构化；视频关键帧获取、结构化、序列化行为分析、结果图流媒体；性能上，高并发；高可用；单张时间，尽量在200ms以内，尤其是视频；准确度。

原创 CV学习渠道整理

工欲善其事必先利其器！！！一.渠道主要包括：1.有CV牛人的主页2.CV研究小组的主页3.CV领域的paper,代码4.CV领域的最新动态5.国内的应用情况二. (1)googleResearch； http://research.google.com/index.html (2)MIT博士，汤晓欧学生林达华； http://people.csail.mit.edu/dhlin/index.html (3）MIT博士后Douglas Lanman； http://web.media.mit.ed