u011304078的博客

做cv的朋友经常要接触图片，在做图像处理（筛选、重命名、质量检查）时千万要注意图像是否损害，其实很容易判断的时图片能不能正常打开，另一种容易被忽视的图片损坏就是图像截断，如线图所示：上述都是可以正常打开的图片，但是属于截断，在做图像前处理时很容易引起错误，在用别人的框架训练推理模型时有时会出错，这是个很简单但容易被忽视，可通过如下简单的脚本进行检查此类损坏。def check_img_if_normal_or_damage(img_dir, bad_data_d...

召回率（tp/(tp+fn)）和查准率(tp/(tp+fp))相对比较好理解，平均精度的理解相对比较难些，主要是物理意义不够明确，至少对我来讲是这样的，做项目的使用用到openmmlab，一个很好的ai框架，在使用他们的检测框架时，默认会打印出上述三个参数。他们其实也会受一些超参数（阈值）的影响。比如，NMS_thresh, iou_thresh, confidence_thresh, 分别对应的物理意义是：conf_thresh, 就是检测物体框的置信度，它包含物体的概率或分数Nms_thres.

转自：https://blog.youkuaiyun.com/lff1208/article/details/77717149神经网络的来源      神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。但早期的单层感知机存在一个严重的问题——它对稍微复杂一些的函数都无能为力（如异或...

  极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。可能有小伙伴就要说了，还是有点抽象呀。我们这样想，一当模型满足某个分布，它的参数值我通过极大似然估计法求出来的话。比如正态分布中公式如下： 如果我通过极大似然...

集成学习简介  在讲boosting和bagging算法之前，首先需要了解一下集成学习的概念。集成学习是指将若干弱分类器组合之后产生一个强分类器。弱分类器（weak learner）指那些分类准确率只稍好于随机猜测的分类器（error rate < 50%）。如今集成学习有两个流派，一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合，随机森林算法就属于baggi...

集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。1. 集成学习概述　　　　从下图，...