- 博客(8)
- 收藏
- 关注
RSS订阅原创 基础知识之交叉熵、均方差、最大似然估计
首先甩上两个我觉得讲的不错的文章，里面都详细的解释了所需的基本概念。这里就涉及到了如何衡量转换后的数据分布和我们想要的数据分布（也就是GT）的相似度呢。这里就涉及到了KL散度，KL散度就是这样的衡量指标。但KL散度不是对称的，因此后面提出了JS散度来弥补这个问题，但是如果两个分布距离特别远，JS散度始终是一个定值log2，即当两个分布距离很远，但是有多远，JS散度给不出判断。而目标检测中一般分类问题用的是交叉熵，回归问题用的是均方差。说到最大似然估计就不得不提最大后验概率，我也找到了一篇博客讲的很清楚。
2023-04-25 00:47:08
167
原创 提升模型精度之加入先验知识
个人觉得往模型中加入合适的先验知识就像kaggle比赛中做好数据的特征工程就成功了一半。只有仔细分析数据特性，对数据进行合理清洗，这才是训练好模型最好的前提。
2023-04-23 21:06:57
471
原创 水面目标检测提升精度之去除反射区域
k-means聚类算法是为了将图像中的像素初步粗糙的聚类，大致分出反射区域和非反射区域，均值迁移滤波算法也是为了平滑反射区域中的像素，都是为了更好服务于后续用像素值直接分割反射和非反射区域。之前接触过一个水面目标检测的初步项目，需要去除倒影的干扰，提高目标检测的精度。第四步：在初步分割图像上使用opencv对其再次分割、膨胀、腐蚀操作得到最终的水面去反射图像。对反射区域和非反射区域进行拉普拉斯金字塔分解重组得到初步分割图像。第二步：应用均值迁移滤波算法对反射区域进行处理。
2023-04-21 23:31:32
1326
7
原创 基础知识和小技巧
平时在学习深度学习代码和写代码过程中有过一些疑问和解答，以及一些代码小技巧。暂时先总结部分。其实还有很多平常在写代码时遇到的小问题，对代码进行细节的剖析有助于我们写出高质量的代码，也有助于我们加深对代码运行的理解。
2023-04-18 22:30:11
163
1
原创 学习笔记-目标检测中正负样本的问题和精度、召回率的权衡
之前在知乎刷到过一篇关于目标检测中正负样本的文章，从实际落地项目角度来看这个问题让我收益匪浅。进一步理解了精度和召回率的关系。纯量产经验：谈谈目标检测中正负样本的问题 - 知乎对于YOLO系列的结构，正负样本就是feature map上的每一个grid cell（或者说对应的anchor）。对于RCNN系列的结构，RPN阶段定义的正负样本其实和YOLO系列一样，也是每一个grid cell。
2023-04-09 21:47:06
720
1
原创 学习笔记-语义分割之编解码结构
在一次刷微信公众号的推荐时看到了一篇’关于语义分割的亿点思考‘，里面写了关于编解码架构的理解，我觉得内容对于所有的图像生成类的网络都适用，也加深了我对网络特征提取的思考。以下内容大部分都是摘自CVHub微信公众号。我只是知识的搬运工~。上述内容对编解码架构有着很好的诠释和理解。也让我想起了知乎上的一个问题“为什么UNet对医学图像分割很有效”。结合上述大佬的头脑风暴其实可以很容易得出答案。总的来说，大佬话语的精髓应该是：1. 在编码器中高效对上下文信息建模非常重要，
2023-03-30 21:40:11
1531
原创 kaggle Competition-Detect Player Contacts from Sensor and Video Data TOP 9%铜牌solo比赛经验
在寒假期间偶然之间看到kaggle有场cv赛，是利用多模态信息来检测比赛中运动员的碰撞。感觉和我的研究方向还比较符合（多模态信息融合和姿态检测）便想着参加积累一些大神对于这一类视觉任务的经验。比赛简介:举办方希望能够自动识别球员经历接触的所有时刻。如果我们能够可靠地检测到球员相互接触以及球员身体接触地面的时刻，那么这场比赛就算成功。目前，举办方使用其跟踪系统监控大量有关赛季期间球员负荷的统计数据。联盟有一个预测球员之间接触的解决方案，但它只利用球员跟踪数据。
2023-03-29 17:04:29
266
2
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