引言 感兴趣区域池化（Region of interest pooling）（也称为RoI pooling）是使用卷积神经网络在目标检测任务中广泛使用的操作。例如，在单个图像中检测多个汽车和行人。其目的是对非均匀尺寸的输入执行最大池化以获得固定尺寸的特征图（例如7×7）。 计算机视觉中的两个主要任务是对象分类和目标检测。在第一种情况下，系统应该正确地标记图像中的主要对象。在第二种情况下，它应该为图像中的所有对象提供正确的标签和位置。当然还有其他有趣的计算机视觉领域，例如图像分割，但今天我们将专注于检测。在这个任务中，我们通常应该从先前指定的一组类别中的任何对象周围绘制边界框，并为每个类别分配一...

引言 我们首先理解下插值法主要用来做什么事：插值法就是利用已知的点建立合适的插值函数      f   (   x   )    f(x)   f(x) ,未知点       x   i     x_i   xi​ 由插值函数      f   (   x   )    f(x)   f(x) 可以求出函数值      f   (    x   i    )    f(x_i)   f(xi​)，用求得的     (    x   i    ,   f   (    x   i    )   )    (x_i,f(x_i))   (xi​,f(xi​))近似代替未知点。 对于平面上相异（无两...

Metrics for measuring the prediction quality of a multi-label system 大多数情况下，机器学习，深度学习中我们经常面对的分类问题大多是二分类，多类问题，但是有时候我们也会有多标签分类问题的产生。 对于多标签分类问题，我们需要一个合理客观的评价这个分类器好坏的方式，在这里根据 Some remarks on predicting multi-label attributes in molecular biosystems Kuo-Chen Chou老师的论文复现了里面讲到的评估方式（Aiming，Coverage，Accuracy...

引言 Apriori算法是一种常用的关联规则算法，也是最经典的挖掘频繁项集的算法，其核心是通过连接产生候选项以其支持度然后通过剪枝生成频繁项集。之外还有FP-Tree、Eclat、灰色关联法等其他算法。 在这里通过具体的例子详细的介绍下Apriori算法原理，以下面数据为例：第一列表示数据的条目、第二列为每个条目里面的数据，我们可以把下表作为超市商品订单号和订单内容。我们主要是通过算法去挖掘频繁项集也就是隐藏在订单中的信息，另外我们把每一条数据称为事务。  基本概念   项：基本数据单元（e.g. 以上数据中的 a、b、c、d、e …）.  项集：项集是项的集合。（e.g. A {a，b} 、...

高优先权优先调度算法   优先级调度的含义    当该算法用于作业调度时，系统从后备作业队列中选择若干个优先级最高的，且系统能满足资源要求的作业装入内存运行。  当该算法用于进程调度时，将把处理机分配给就绪进程队列中优先级最高的进程。   调度算法的两种方式   优先级调度算法细分成如下两种方式：     非抢占式优先级算法 在这种调度方式下，系统一旦把处理机分配给就绪队列中优先级最高的进程后，该进程就能一直执行下去，直至完成；或因等待某事件的发生使该进程不得不放弃处理机时，系统才能将处理机分配给另一个优先级高的就绪进程。    抢占式优先级调度算法 在这种调度方式下，进程调度程序把处理机分配...

在看待解决一分类问题时候，在相关概率已知的条件下，贝叶斯决策论考虑如何基于这些概率把（期望损失）风险 降到最低，从而得到最优的类别标记，即 期望风险最小化。 假设由     N    N   N种可能的类别标记为     y   =   {    c   1    ,    c   2    .   .   .    c   n    }    y=\{c_1,c_2...c_n\}   y={c1​,c2​...cn​}，       λ    i   j      \lambda_{ij}   λij​是一个将真实标记为      c   j     c_j   cj​误分类为      ...

短作业优先法 短作业优先（SJF, Shortest Job First）又称为“短进程优先”SPN(Shortest Process Next)；这是对FCFS算法的改进，其目标是减少平均周转时间。 定义 对预计执行时间短的作业（进程）优先分派处理机。通常后来的短作业不抢先正在执行的作业。 SJF的特点 优点：  比FCFS改善平均周转时间和平均带权周转时间，缩短作业的等待时间； 提高系统的吞吐量；  缺点：  对长作业非常不利，可能长时间得不到执行； 未能依据作业的紧迫程度来划分执行的优先级； 难以准确估计作业（进程）的执行时间，从而影响调度性能。  SJF的变型  “最短剩余时间优先”S...

引言 本篇博客只简单介绍下Python中openCV库中对图像的简单处理及相关操作，介绍常用API的使用，方便自己查阅和向读者简单介绍下。但是读者了解但不应局限于此，图像操作对面向API的话，我们很容易就能实现对图像的操作，我们更应该去学习图像操作的原理，无非就是对图像矩阵中像素的一系列的操作，学习这些才能让我们更清楚的去了解图像。 1. openCV库的安装 最方便的是使用PIP安装会自动下载相关依赖类库 pip install opencv-python  原图像：  2. 图像的读取显示 图像读进来是一个三维的矩阵（WEIGHT，HEIGHT，KERNELL）分别是宽高通道数，如果时灰度...

在采用梯度下降的方式训练神经网络的时候，我们使用滑动平均模型会在一定的程度上提高最终模型在测试集上的表现。 在TensorFlow中提供了tf.train.ExponentialMovingAverage来实现滑动平均模型，在初始化ExponentialMovingAverage的时候，需要提供一个衰减率（decay）。这个衰减率将来控制模型更新的速度，ExponentialMovingAverage对每个变量会维护一个影子变量（shadow variable），这个影子变量的初始值就是相应变量的初始值，而每次运行变量更新时，影子变量的值会更新为： shadow_variable = deca...

GoogLeNet  GoogLeNet网络 GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，ImageNet-2014竞赛第一。在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 进化顺序： InceptionV1 -> InceptionV2 -> InceptionV3 -> Ince...

Deep Residual Learning for Image Recognition 1. 思想 作者根据输入将层表示为学习残差函数。实验表明，残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。 核心是解决了增加深度带来的副作用（退化问题），这样能够通过单纯地增加网络深度，来提高网络性能。  作者在ImageNet上实验了一个152层的残差网络，比VGG深8倍，取得了3.57%的错误率。 作者通过一系列实验证明了表示的深度（即网络的深度）对很多视觉识别任务都至关重要。仅仅由于使用了非常深的网络，作者就在COCO目标检测数据集上获得了28%的相对提升。  2. 一些问题 网络的深度...

文章目录  R-CNN（区域卷积神经网络）  1. 引言 2. 任务 3. 传统方法 -> R-CNN  3.1 模型概述 3.2 R-CNN详细步骤 3.3 对以上出现的一些概念的解释：  3.3.1 pre-train 3.3.2 fine-tune 3.3.3 IoU（Intersection over Union）  3.4 一些问题  4. SPP-Net网络  4.1 模型概述 4.2 两个特点 4.3 总结： 2大改进 4.4 SPP-Net一些问题  5 . Fast R-CNN网络  5.1 改进 5.2 结构 5.3 概述 5.4 多任务损失函数  6 . Faste...

简介 空间金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量），送入全连接层。整体框架大致为：输入图像，卷积层提取特征，空间金字塔池化提取固定大小特征，全连接层。 具体的流程图如下：  具体算法的大体流程 首先通过选择性搜索（selective search） 对待检测的图片进行搜索出2000个候选窗口。这一步和R-CNN一样。 特征提取阶段 这一步就是和R-CNN最大的区别了，同样是用卷积神经网络进行特征提取，但是SPP-Net用的是金字塔池化。这一步骤的具体操作如下：把整张待检测的图片，输入CNN中，进行一次性特征...

VGG网络 这幅图还是清晰地展现了VGG的网络结构的，VGG由5层卷积层、3层全连接层、最后由softmax输出层构成，层与层之间使用max-pooling（最大化池层）分开，所有隐层的激活单元都采用ReLU函数。（并没有使用LRN，LRN并没有在这个网络中有太大性能提升）  模型简介 VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是他更容易应用到其他网络改造中，网络改造的首选网络。 模型结...