单纯形法 " " "
共轭梯度法 " " " " " " " " " " " " " "
罚函数法 " " " " "
拟牛顿法 " " " " " " " " " " " " " " " " " " "
信号处理中通常会进行转换,使信号便于处理,提取信息,最基本的变换是傅里叶变换,后又衍生处了小波变换,希尔伯特变换,希尔伯特黄变换,曲波变换等
在卷积网络六大模块中的BN(批批标准化)所指的就是Batch Normalization,该算法15年提出,现在已经成为深度学习中经常使用的技
目标:将数张有重叠部分的图像通过特征点检测,匹配,图像变换拼成一幅无缝的全景图或高分辨率图像 " 在图像拼接中首先利用SIFT算法提取图像特征进
图像分割是将图片将相似的部分分割成相同的块 " Gestalt理论 解释物体分割的底层原理 将同一个东西群组在一起,集合中的元素可以具有由关系产生的
任务说明:编写一个钱币定位系统,其不仅能够检测出输入图像中各个钱币的边缘,同时,还能给出各个钱币的圆心坐标与半径。 效果 " 代码实现 Canny边
纹理是由一些基元以某种方式组合起来,虽然看起来很“乱”,但任然存在一些规律 " 规则的纹理与不规则的纹理 " 纹理描述 使用高斯偏导核,对图像进行卷积
针对Harris无法拟合尺度问题而提出 目标:独立检测同一图像缩放版本的对应区域 需要通过尺度选择机制来寻找与图像变换协变的特征区域大小 “当尺度
" 对于图像处理时经常需要提取特征点分析图片结构,将照片进行拼接,实现全景拍摄,那么在照片特征点提取时所采用的具体算法是什么呢? " 解决思路 提取
提取完边缘后如何使用数学模型来描述边缘? 例如:在桌子上有几枚硬币,在经过边缘提取后,需要描述出硬币的圆心坐标和圆的大小 " 难点 " 噪声:噪声的存
边缘提取 在大多数时候图像的边缘可以承载大部分的信息,并且提取边缘可以除去很多干扰信息,提高处理数据的效率 目标 识别图像中的突然变化(不连续) 图
PAPER: Cars Can’t Fly up in the Sky: Improving Urban-Scene Segmentation via Height-driven Attention Networks CityScape数据集 介绍 Cityscapes是关于城市街道场景的语义理解图片数据集。它主要包含来
半监督学习 在有标签数据+无标签数据混合成的训练数据中使用的机器学习算法。一般假设,无标签数据比有标签数据多,甚至多得多。 要求: 无标签数据一般
Embedding 独热码:数量大,过于稀疏,映射之间是独立的,没有表现出关联性 Embedding:一种单词编码方法,以低维向量实现了编码,这种编码通过神经网
卷积就是特征提取器,通过卷积计算层提取空间信息,例如我们可以用卷积和提取一张图片的空间特征,再把提取到的空间特征送入全连接网络,实现离散数据
InceptionNet InceptionNet诞生于2014年,当年ImageNet竞赛冠军,Top5错误率为6.67% InceptionNet引入了Incep
Cifar10数据集 提供 5万张 32*32 像素点的十分类彩色图片和标签,用于训练。 提供 1万张 32*32 像素点的十分类彩色图片和标签,用于测试。 " 导入cifar
每个神经元与前后相邻层的每一个神经元都有连接关系,输入是特征,输出为预测的结果。随着隐藏层增多,网络规模的增大,待优化参数过多容易导致模型过
以MNIST的sequential模型为base-line,通过读取自己的数据,训练模型并存储模型,最后达到绘图实物的运用。 自制数据集,解决
前面已经使用TensorFlow2的原生代码搭建神经网络,接下来将使用keras搭建神经网络,并改写鸢尾花分类问题的代码,将原本100多行的
热力学第一定律 内能,功和热量 实际气体内能:所有热分子热运动的动能和分子势能的总和 内能是状态量: $E=E(T,V)$ 理想气体内能: $E={\frac{M}{M_{mol}}{\frac{i}{2}}RT}$ 是状态参量T的单值函数 系统内
神经网络是基于链接的人工智能,当网络结构固定后,不同参数的选取对模型的表达力影响很大,优化器就是引导更新模型参数的工具 常用符号 待优化参数w 损
欠拟合与过拟合 欠拟合:模型不能有效拟合数据集对现有数据集学习的不够彻底 过拟合:模型对训练集拟合的太好,而缺失了泛化力 " 欠拟合的解决方法: 增加
损失函数(loss): 预测值(y)与已知答案(y_)的差距 神经网络的优化目标: loss最小: $\Rightarrow\left\{\begin{array}{lr}{mse(Mean Aquared Error)}\\{自定义}\\{ce(Cr
常见函数 tf.where(条件语句,真返回A,假返回B) 1 2 3 4 5 6 import tensorflow as tf a = tf.constant([1, 2, 3, 1, 1]) b = tf.constant([0, 1, 3, 4, 5]) # 若a>b,返回a对应位置的元
根据前面的基础知识,可以开始第一个神经网络的搭建,主要学习的资料西安科技大学:神经网络与深度学习——TensorFlow2.0实战,北京大学
前面已经学习了有关TensorFlow的一些常用库,以及相关数据的处理方式,下面就是有关神经网络计算的学习笔记。主要学习的资料西安科技大学: