Alan_Fire - 博客园

2018年12月5日

摘要：题目：给定一个整数数列，找出其中和为特定值的那两个数。你可以假设每个输入都只会有一种答案，同样的元素不能被重用。示例: 给定 nums = [2, 7, 11, 15], target = 9 因为 nums[0] + nums[1] = 2 + 7 = 9所以返回 [0, 1] 分析：方法1：阅读全文

posted @ 2018-12-05 11:30 Alan_Fire 阅读(139) 评论(0) 推荐(0)

2018年12月4日

深度学习综述论文：从起源到具体算法

摘要：本文为大家从最基础的角度来为大家解读什么是深度学习，以及深度学习的一些前沿发展。自 2012 年多伦多大学 Alex Krizhevsky 等人提出 AlexNet 以来，深度学习作为一种机器学习的强大方法逐渐引发了今天的 AI 热潮。随着这种技术被应用到各种不同领域，人们已经开发出了大量新模型与阅读全文

posted @ 2018-12-04 17:40 Alan_Fire 阅读(1021) 评论(0) 推荐(0)

用强化学习做神经机器翻译

摘要：人工深度学习和神经网络已经为机器翻译带来了突破性的进展，强化学习也已经在游戏等领域取得了里程碑突破。中山大学数据科学与计算机学院和微软研究院的一项研究探索了强化学习在神经机器翻译领域的应用，相关论文已被 EMNLP 2018 接收，相关代码和数据集也已开源。论文地址：https://arxiv.o 阅读全文

posted @ 2018-12-04 17:36 Alan_Fire 阅读(1025) 评论(0) 推荐(0)

资源：车辆目标检测

摘要：车辆是视频场景中最关键的对象之一，车辆和人是视频检测永恒的话题。车辆检测是车辆分析中关键的一步，是后续进行车型识别、车标识别、车牌识别、车辆特征的基础。关于检测的方法和框架有很多，不外乎是特征训练和分类，这里推荐两篇综述性文章： [1] Benenson R, Omran M, Ho 阅读全文

posted @ 2018-12-04 17:15 Alan_Fire 阅读(4795) 评论(0) 推荐(0)

如何快速选择最合适的物体检测框架：一个基于深度学习物体检测算法的简单测评

摘要：本文的主要内容来自于Google的一篇2017年的CVPR论文，“Speed/accuracy trade-offs for modern convolutional object detectors”，这篇文章从各种不同的角度比较了现今几大流行的深度学习检测算法，即Faster RCNN，SSD和阅读全文

posted @ 2018-12-04 16:33 Alan_Fire 阅读(1304) 评论(0) 推荐(0)

从神经网络到卷积神经网络（CNN）

摘要：我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。卷积神经网络的层级结构 • 数据输入层/ Input layer • 卷积计算层/ CONV l 阅读全文

posted @ 2018-12-04 14:13 Alan_Fire 阅读(541) 评论(0) 推荐(0)

基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN

摘要： Object Detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方阅读全文

posted @ 2018-12-04 14:11 Alan_Fire 阅读(320) 评论(0) 推荐(0)

2018年11月27日

Intorduction To Computer Vision

摘要：本文将主要介绍图像分类问题，即给定一张图片，我们来给这张图片打一个标签，标签来自于预先设定的集合，比如{people,cat,dog...}等，这是CV的核心问题，图像分类在实际应用中也有许多变形，而且许多看似无关的问题（比如 object detection, segmentation）最终也可划阅读全文

posted @ 2018-11-27 10:07 Alan_Fire 阅读(145) 评论(0) 推荐(0)

CS229 7.2 应用机器学习方法的技巧，准确率，召回率与 F值

摘要：建立模型当使用机器学习的方法来解决问题时，比如垃圾邮件分类等，一般的步骤是这样的： 1）从一个简单的算法入手这样可以很快的实现这个算法，并且可以在交叉验证集上进行测试； 2）画学习曲线以决定是否更多的数据，更多的特征或者其他方式会有所帮助； 3）人工检查那些算法预测错误的例子（在交叉验证集上），看阅读全文

posted @ 2018-11-27 10:00 Alan_Fire 阅读(258) 评论(0) 推荐(0)

CS229 7.1应用机器学习中的一些技巧

摘要：本文所讲述的是怎么样去在实践中更好的应用机器学习算法，比如如下经验风险最小化问题：当求解最优的后，发现他的预测误差非常之大，接下来如何处理来使得当前的误差尽可能的小呢？这里给出以下几个选项，下面介绍的是如何在一下这些应对策略中选择正确的方法来助力以上问题。当模型的variance比较大时，可能阅读全文

posted @ 2018-11-27 09:59 Alan_Fire 阅读(257) 评论(0) 推荐(0)

梯度下降之随机梯度下降 -minibatch 与并行化方法

摘要：问题的引入：考虑一个典型的有监督机器学习问题，给定m个训练样本S={x(i),y(i)}，通过经验风险最小化来得到一组权值w，则现在对于整个训练集待优化目标函数为：其中为单个训练样本（x(i),y(i)）的损失函数，单个样本的损失表示如下：引入L2正则，即在损失函数中引入，那么最终的损失为：阅读全文

posted @ 2018-11-27 09:57 Alan_Fire 阅读(616) 评论(0) 推荐(0)

用KNN算法分类CIFAR-10图片数据

摘要： KNN分类CIFAR-10，并且做Cross Validation，CIDAR-10数据库数据如下： knn.py : 主要的试验流程 from cs231n.data_utils import load_CIFAR10 from cs231n.classifiers import KNearest 阅读全文

posted @ 2018-11-27 09:56 Alan_Fire 阅读(769) 评论(0) 推荐(0)

特征处理（Feature Processing）

摘要：特征工程（Feature Engineering）经常被说为机器学习中的black art，这里面包含了很多不可言说的方面。怎么处理好特征，最重要的当然还是对要解决问题的了解。但是，它其实也有很多科学的地方。这篇文章我之所以命名为特征处理（Feature Processing），是因为这里面要介绍的阅读全文

posted @ 2018-11-27 00:54 Alan_Fire 阅读(340) 评论(0) 推荐(0)

实际问题中如何使用机器学习模型

摘要：看待问题的两种策略：整体求解 vs 分而治之为了解决一个实际问题，我们通常有两种策略：第一种是整体求解，即把这个问题看成一个不可分割的整体，直接进行求解。第二种是分而治之，即分解这个问题，使之变成多个小问题，然后通过求解各个小问题来最后达到求解整个问题的目的。这两种策略分别把原始问题转化为单阅读全文

posted @ 2018-11-27 00:50 Alan_Fire 阅读(1178) 评论(0) 推荐(0)

CS229 6.18 CNN 的反向传导算法

摘要：本文主要内容是 CNN 的 BP 算法，看此文章前请保证对CNN有初步认识。网络表示 CNN相对于传统的全连接DNN来说增加了卷积层与池化层，典型的卷积神经网络中（比如LeNet-5 ），开始几层都是卷积和池化的交替，然后在靠近输出的地方做成全连接网络，这时候已经将所有两维2D的特征maps转化为阅读全文

posted @ 2018-11-27 00:47 Alan_Fire 阅读(248) 评论(0) 推荐(0)