摘要：
对于使用机器学习解决的大多数常见问题，通常有多种可用的模型。每个模型都有自己的独特之处，并随因素变化而表现不同。 每个模型在“验证/测试”数据集上来评估性能，性能衡量使用各种统计量如准确度（accuracy），精度（precision），召回率（recall）等。选择的统计量通常针对特定应用场景和用 阅读全文
摘要：
区域卷积神经网络(Regions with CNN features，简称 R-CNN) ，用于目标检测。 R-CNN: https://arxiv.org/abs/1311.2524 它的思路很简单，有些类似传统数据结构算法中的暴力搜索，即找出图像中所有可能存在目标的区域，对每个区域进行一次识别。 阅读全文
摘要：
转自http://caffecn.cn/?/question/160，作者沁心风雨。 相比传统的图像分类，**目标检测不仅要实现目标的分类，而且还要解决目标的定位问题，即获取目标在原始图像中的位置信息**。在不管是最初版本的RCNN，还之后的改进版本——Fast RCNN和Faster RCNN都需 阅读全文
摘要：
在机器学习中，我们非常关心模型的预测能力，即模型在新数据上的表现，而不希望过拟合现象的的发生，我们通常使用正则化（regularization）技术来防止过拟合情况。正则化是机器学习中通过显式的控制模型复杂度来避免模型过拟合、确保泛化能力的一种有效方式。如果将模型原始的假设空间比作“天空”，那么天空 阅读全文
摘要：
np.where(condition) 只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。 >>> a = 阅读全文
摘要：
1.np.max(a, axis=None, out=None, keepdims=False) 求序列的最值 最少接受一个参数 axis默认为axis=0即列向,如果axis=1即横向 ex: >> np.max([-2, -1, 0, 1, 2]) 2 2.np.maximum(X, Y, ou 阅读全文
摘要：
1. 准备 LMDB和SQLite/MySQL等关系型数据库不同，属于key-value数据库（把LMDB想成dict会比较容易理解），键key与值value都是字符串。 安装： pip install lmdb 使用时 import lmdb 2. 操作流程 概况地讲，操作LMDB的流程是： 通过 阅读全文
摘要：
一、unsqueeze()函数 1. 首先初始化一个a 可以看出a的维度为（2，3） 2. 在第二维增加一个维度，使其维度变为（2，1，3） 可以看出a的维度已经变为（2，1，3）了，同样如果需要在倒数第二个维度上增加一个维度，那么使用b.unsqueeze(-2) 二、squeeze()函数介绍 阅读全文
摘要：
概述 非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Su 阅读全文
摘要：
我们可以通过卷积和池化等技术可以将图像进行降维，因此，一些研究人员也想办法恢复原分辨率大小的图像，特别是在语义分割领域应用很成熟。通过对一些资料的学习，简单的整理下三种恢复方法，并进行对比。 1、上采样（Upsampling）[没有学习过程] 在FCN、U-net等网络结构中，涉及到了上采样。上采样 阅读全文