<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_43492938的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_43492938</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_43492938]]></copyright><item><title><![CDATA[GCN-Global Convolutional Network]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/111320013</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/111320013</guid><author>qq_43492938</author><pubDate>Thu, 17 Dec 2020 17:24:53 +0800</pubDate><description><![CDATA[问题：
下图引用自：https://blog.youkuaiyun.com/u011974639/article/details/78897066

因此这个任务本身就是矛盾的。从定位的角度来看，模型结构应该是完全卷积的，不应该使用全连接或全局的池化，因为这些层将丢弃位置信息；从分类的角度看，模型需要对输入的变换保持不变——对象可以移动、旋转或重新缩放，但分类结果不发生改变，因此需要更为大的核，才能保证具有较强的鲁棒性。
现在的大多数模型主要考虑的是定位问题，而没有考虑到分类问题，这对于分类任务不是应该最先考虑的。

]]></description><category></category></item><item><title><![CDATA[DeepLabV3 - 详细介绍]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/111183906</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/111183906</guid><author>qq_43492938</author><pubDate>Mon, 14 Dec 2020 19:42:58 +0800</pubDate><description><![CDATA[基本情况
这是在DeepLabV1、2基础上的再扩展；
V1 主要是将VGG最后两个的池化改成了stride=1，然后采用了空洞卷积来扩大感受野，上采样使用了双线性插值；
V2主要是在模型最后进行像素分类之前增加一个类似 Inception 的结构，即ASPP模块，通过不同rate得到不同尺度的特征图，再进行预测；
V3 主要是对之前模块的升级，从而提升性能。

引言&amp;相关工作
一般的分割存在两个挑战，一个是分辨率的下降（由下采样导致），常常采用空洞卷积来代替池化解决，效果不错；
另一个是存在多个尺]]></description><category></category></item><item><title><![CDATA[IFCN：Improving Fully Convolution Network for Semantic Segmentation]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/110821462</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/110821462</guid><author>qq_43492938</author><pubDate>Mon, 07 Dec 2020 16:43:53 +0800</pubDate><description><![CDATA[0 摘要
我们在FCN的基础上添加了context network（能够显著的扩大特征图的感受野）以及增加了密集跳连接（dense skip connections）。
1 Introduction
预先训练的CNN是用低分辨率图像(例如224 × 224像素)训练的，而输入分割图像通常是高分辨率的(例如512 × 512像素)，因为FCN是利用VGG预训练的，它是224 × 224的。因此FCN的网络所感到的上下文性能有了限制，有一些人对于下采样过程进行了调整（比如变成stride=1）的，但是对于小的物]]></description><category></category></item><item><title><![CDATA[FCN 全卷积神经网络]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/110740615</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/110740615</guid><author>qq_43492938</author><pubDate>Sun, 06 Dec 2020 16:29:49 +0800</pubDate><description><![CDATA[SegNet

特点：将encoding的pooling的index传到了decoding层，在upsampling时有帮助。
采用的是same卷积，之后还出现了Bayesian SegNet。
Bayesian SegNet

Bayesian SegNet是通过后验概率，告诉我们图像语义分割结果的置信度是多少，**网络结构多了几个Dropout层，其余无异。**最右边的两个图Segmentation与Model Uncertainty，就是像素点语义分割输出与其不确定度（颜色越深代表不确定性越大，即置信]]></description><category></category></item><item><title><![CDATA[FusionNet:A deep fully residual convolutional neural network for image segmentation in connectomics]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/110739482</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/110739482</guid><author>qq_43492938</author><pubDate>Sun, 06 Dec 2020 15:51:57 +0800</pubDate><description><![CDATA[FusionNet
0 摘要
Electron microscopic connectomics（电子显微镜连接组学）是一个炙手可热的研究方向，致力于通过高通量、纳米级显微镜来综合理解脑部连接图。但是人工消耗很大，现在深度学习网络发展的如日中天，我们搭建了一个FusionNet网络，用于在连接组学数据中自动分割神经元结构。（用神经网络去研究神经网络）
FusionNet利用了机器学习的最新进展，如语义分割和残差网络，并引入了允许更深的网络架构来实现更准确的分割的基于累加的跳过连接。
我们与ISBI EM s]]></description><category></category></item><item><title><![CDATA[魔法方法]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107109313</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107109313</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:52:34 +0800</pubDate><description><![CDATA[init(self [,  …])：初始化需求下，需要重写，本身也是自带的有。根据具体的类的需要进行设计，init()是没有返回值的


new(cls[, …]): cls为这个类的本身，一般情况下不重写。


class CapStr(str):
    def __new__(cls, string):
        string = string.upper()
        return str.__new__(cls, string)

a = CapStr('i Love Fishc...]]></description><category></category></item><item><title><![CDATA[机器学习——贝叶斯算法]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108272632</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108272632</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:52:06 +0800</pubDate><description><![CDATA[1、贝叶斯算法概述
贝叶斯要解决的问题：
**正向概率：**假设袋子里面有N个白球，M个黑球，伸手摸一个，摸到黑球的概率。
**逆向概率：**不知道黑白球的比例，随机摸球，由结果推知袋子中的黑白球比例。
为什么使用贝叶斯：
很多的正向概率无法“看到”，日常所观察到的只是事务的表面结果，因此我们需要提供一个可靠的猜测，需要通过反推才能得到某种自然规律的分布。
2、贝叶斯推导实例



这里面的总人数U可以约分。

3、贝叶斯拼写纠错实例
问题：用户输入了单词tha，因为这个单词不存在，所以要进行纠正，那么就整]]></description><category></category></item><item><title><![CDATA[机器学习——决策树]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108252470</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108252470</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:51:26 +0800</pubDate><description><![CDATA[1、决策树概述
决策树是一种分类算法，也可以用于回归！
判断是否喜欢打篮球：第一个节点为age，第二个节点为是否是男生，在叶子节点的位置要能给出判定的唯一结果！而如果不是叶子节点，那么不能给出最后的判定结果。例如爷爷奶奶那个节点里面的3个人，就是不爱打篮球的，而is male节点中，两个小于15岁的爱不爱打篮球还不能判断。

决策树的两个阶段：

2、熵和Gini系数的原理解释
熵的理解：不确定程度的大小，与概率大小成反比。
基尼系数：概率越大，Gini系数越小，和熵类似。

3、决策树构造实例
判断是否想]]></description><category></category></item><item><title><![CDATA[机器学习——照片OCR]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108234423</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108234423</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:50:17 +0800</pubDate><description><![CDATA[1、问题描述与OCR过程
照片光学字符识别 —&gt;&gt;&gt; OCR
目的：让计算机识别照片中的文本信息
现状：衔阶段文档的图片识别性能很好，但是普通数码图片中的文本识别还是比较弱的
OCR实现过程：

文本区域检测
字符分离
字符识别
也可以加一些词语矫正，如： c1ean -&gt; clean


2、滑动窗口
文字的矩形窗大小不一样
2.1 先来介绍行人检测，因为人的长宽比是基本一致的。
训练器训练：

滑动窗口行人检测：遍历

2.2 文本检测：
训练集：

通过滑动串口检测文本可能存在]]></description><category></category></item><item><title><![CDATA[机器学习——大规模机器学习]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108232648</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108232648</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:50:00 +0800</pubDate><description><![CDATA[学习大数据集
当数据有大量的数据，比如1亿以上的时候，如果想拟合一个线性回归或者逻辑回归时，梯度下降算法的计算量将是非常庞大的。
**预检查：**为什么不用1000个样本，而需要用11亿个？遇到高偏差问题时候，选择合适大小的数据集即可，再增加数据集并不会改善，处理方式为寻找新的模型。如果是低方差的模型，增加数据集的规模可以帮助你获得更好的结果。

那么如何处理大数据样本集情况下的梯度计算？实现梯度下降算法？
随机梯度下降
原来的线性回归模型的梯度下降算法： batch gradient descend


]]></description><category></category></item><item><title><![CDATA[机器学习——推荐系统（Recommend Systems）]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108142582</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108142582</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:49:47 +0800</pubDate><description><![CDATA[1、问题规划

推荐系统在学术界研究少但是在互联网科技公司的使用很广泛，专注于为用户推荐个人感兴趣的东西，抖音、淘宝等等。
机器学习中的伟大思想：一些算法能够自动学习一些环境中的特征，而不需要人去手动的提取。通过推荐系统，我们将领略一小部分特征学习的思想。

预测电影评分的问题：
ABCD四个用户，一共5部电影，表格中的数字为用户的评分，？为用户还没有看过这个电影。现在需要根据用户以往的看电影情况和评分情况，来将没看过的电影推荐给用户。于是，人可以很容易判断，AB用户喜欢爱情片，CD用户喜欢动作片。然后即可]]></description><category></category></item><item><title><![CDATA[机器学习——异常检测]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108116097</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108116097</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:49:05 +0800</pubDate><description><![CDATA[问题动机
下图的是直升机的QA测试中的一些指标，x1为热量，x2为震动频率，图中的点都是正常的点，也就是质量合格的，现在给定一个测试数据，如何去判断它是否能够通过质量检验？具体的判定方式是什么？

根据给定的质量合格的数据及集，要想知道 x_test 是不是异常的，相当于计算这个测试数据不属于该组数据的概率大小。我们想要构建的模型，应该能根据该测试数据告诉我们，该测试样本属于这组正常数据的可能性 p(x)。
这种方法称为密度估计，表达如下：

应用举例：

通过记录用户的工作信息、访问网页频率、发言频率、打]]></description><category></category></item><item><title><![CDATA[机器学习——评估参数]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107756560</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107756560</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:56 +0800</pubDate><description><![CDATA[确定执行的优先级
利用垃圾邮件自动检测分类。如何去选取它的特征，或者说怎么将邮件文字形式的内容转化为可用的特征数据？
可以将一些词语出现标记为1一些标记为0从而构造特征向量。
如何提升判定的准确率？

收集大量数据（honeypot）-&gt;这是一般是徒劳的
利用上来件人信息构造复杂的特征
增加一些关键词比如说折扣、打折、会员、现金等（5000 - 10000）
形近词语是否研究，比如会口贝（会员）等

误差分析
遇到机器学习项目的操作流程：

快速的简单的粗暴的实现机器学习算法，然后用交叉验证集去测试它]]></description><category></category></item><item><title><![CDATA[奇异值分解SVD——好文章链接]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108107361</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108107361</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:46 +0800</pubDate><description><![CDATA[SVD理解：
https://www.cnblogs.com/endlesscoding/p/10033527.html#96919082
https://mp.weixin.qq.com/s/GNHPamltnqaUpGG9NhvWxg
SVD实现：
https://www.cnblogs.com/endlesscoding/p/10058532.html

]]></description><category></category></item><item><title><![CDATA[机器学习——降维]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/108071543</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/108071543</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:41 +0800</pubDate><description><![CDATA[目标1：数据压缩

]]></description><category></category></item><item><title><![CDATA[机器学习——聚类]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107918165</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107918165</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:36 +0800</pubDate><description><![CDATA[无监督学习——聚类算法
把相似的个体统一起来，方便后续的操作。这里相似个体的生成是由计算机自己看成而不需要标签，所以称为无监督学习。
K-means算法

]]></description><category></category></item><item><title><![CDATA[机器学习——支持向量机]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107890332</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107890332</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:28 +0800</pubDate><description><![CDATA[优化目标
代价函数正则化的参数去掉，然后往总的求和加了C也并不影响什么，大致上和逻辑回归的代价函数一致。
假设函数从之前的概率值变成了非0即1的情况

大间隔分类器的直观理解
它有更加 严格的限值区间，之前的逻辑回归在z大于0的时候就会判定成1而现在只有在 z&gt;1的时候才会判定成1

我们假设一种C非常长大的情况：我们就会迫切的希望与C相乘的项足够的小，宁愿趋近于0：

从二维平面更加客观的理解是：黑色的分界线明显好于其他颜色的，而蓝色之间的间隔就是分类器的留出间隔。就是那个1

大间隔分类器的数学原]]></description><category></category></item><item><title><![CDATA[机器学习——偏差与方差]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107705593</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107705593</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:23 +0800</pubDate><description><![CDATA[决定下一步做什么
发现不拟合的时候，如何选择合适的方法，达成自己的目标！
评估假设
将原来的训练集，按照7 ： 3 的比例作为训练集和测试集！测试集判断错误的记为1，正确的记为0，这就是0 / 1 错误分类度量，以此来定义测试误差！
模型选择、训练、验证、测试集
如何选择假设函数的次数（逻辑函数中的power），以及lambda参数？
将训练集分为以下3个子集：
6 ： 2 ： 2

**训练集：**用来训练模型的样本，得到一个基础参数；
**测试集：**用测试集测试已经拟合好的模型，如果不合适，就用测试集]]></description><category></category></item><item><title><![CDATA[机器学习——回归]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107095764</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107095764</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:16 +0800</pubDate><description><![CDATA[线性回归
线性回归方程参数求解有两种方式：
梯度下降法(gradient descent)

假设函数和代价函数：假设函数是我们选取的假设为最终求解到的函数曲线形式，而代价函数是一个评估现在的曲线和真实样本的差距（一般用平均方差表示）
梯度表明了一个函数变化最快方向的数值，用梯度下降法经过多次迭代可以使得代价函数趋于收敛状态，得到当前样本下最拟合的曲线
通过对代价函数求梯度，通过迭代得到：theta_new = theta_old - alpha * J(theta)， 我们可以得到最理想话的theta
A]]></description><category></category></item><item><title><![CDATA[机器学习——神经网络参数的反向传播算法]]></title><link>https://blog.youkuaiyun.com/qq_43492938/article/details/107509959</link><guid>https://blog.youkuaiyun.com/qq_43492938/article/details/107509959</guid><author>qq_43492938</author><pubDate>Sat, 05 Dec 2020 20:47:08 +0800</pubDate><description><![CDATA[代价函数（神经网络在分类问题中的应用）
分类问题为多元分类和二元分类


]]></description><category></category></item></channel></rss>