筷子与饺子
Published on 2019-11-11 04:08 in 暂未分类 with 筷子与饺子

12 2019 档案

IoU与非极大值抑制（NMS）的理解与实现
摘要：1. IoU(区域交并比) 计算IoU的公式如下图，可以看到IoU是一个比值，即交并比。 在分子中，我们计算预测框和ground-truth之间的重叠区域； 分母是并集区域，或者更简单地说，是预测框和ground-truth所包含的总区域。 重叠区域和并集区域的比值，就是IoU。 1.1 为什么使用 阅读全文
posted @ 2019-12-12 11:13 筷子与饺子 阅读(3444) 评论(0) 推荐(0)
为什么样本方差（sample variance）的分母是 n-1？
摘要：1. sample variance 今天看到一个很有趣的问题，也看到了两个不错的回答，感觉比较有趣，特此码住。 我们来简述一下问题： 如果已知随机变量 的期望为 ，那么可以如下计算方差 ： 上面的式子需要知道 的具体分布是什么（在现实应用中往往不知道准确分布），计算起来也比较复杂。 所以实践中常常 阅读全文
posted @ 2019-12-11 21:54 筷子与饺子 阅读(1961) 评论(0) 推荐(0)
理解协方差矩阵
摘要：1. 方差和协方差的定义 在统计学中，方差是用来度量单个随机变量的离散程度，而协方差则一般用来刻画两个随机变量的相似程度，其中，方差的计算公式为 其中， 表示样本量，符号 表示观测样本的均值。 协方差的计算公式被定义为： 在公式中，符号 分别表示两个随机变量所对应的观测样本均值，据此，我们发现：方差 阅读全文
posted @ 2019-12-10 21:20 筷子与饺子 阅读(1486) 评论(0) 推荐(0)
混合高斯模型（Gaussian mixture model, GMM）
摘要：1. 前言 这就是为什么我要学习一下二维高斯分布的原因： 总感觉数学知识不够用呐，顺带把混合高斯模型也回顾一下。 2. 单高斯模型(Gaussian single model, GSM） 2.1 一维高斯模型 高斯分布（Gaussian distribution）有时也被称为正态分布（normal 阅读全文
posted @ 2019-12-09 21:12 筷子与饺子 阅读(4174) 评论(0) 推荐(0)
简单理解EM算法Expectation Maximization
摘要：1.EM算法概念 EM 算法，全称 Expectation Maximization Algorithm。期望最大算法是一种迭代算法，用于含有隐变量（Hidden Variable）的概率参数模型的最大似然估计或极大后验概率估计。 1.1 问题描述 我们假设学校男生和女生分别服从两种不同的正态分布， 阅读全文
posted @ 2019-12-09 16:24 筷子与饺子 阅读(490) 评论(0) 推荐(0)
Sigmoid函数与Softmax函数的理解
摘要：1. Sigmod 函数 1.1 函数性质以及优点 其实logistic函数也就是经常说的sigmoid函数，它的几何形状也就是一条sigmoid曲线（S型曲线）。 其中z是一个线性组合，比如z可以等于：b + w1*x1 + w2*x2。通过代入很大的正数或很小的负数到g(z)函数中可知，其结果趋 阅读全文
posted @ 2019-12-09 11:49 筷子与饺子 阅读(8183) 评论(0) 推荐(0)
关于交叉熵损失函数Cross Entropy Loss
摘要：1、说在前面 最近在学习object detection的论文，又遇到交叉熵、高斯混合模型等之类的知识，发现自己没有搞明白这些概念，也从来没有认真总结归纳过，所以觉得自己应该沉下心，对以前的知识做一个回顾与总结，特此先简单倒腾了一下博客，使之美观一些，再进行总结。本篇博客先是对交叉熵损失函数进行一个 阅读全文
posted @ 2019-12-08 21:40 筷子与饺子 阅读(12426) 评论(0) 推荐(2)

← → ↓ ↑