摘要：
首先是通过K-means聚类得到anchor box的数目，这里聚类采用1—IOU（box，centriod）作为距离度量，然后在模型复杂度和召回率之间作了一个权衡，确定了K=5（标准是通过手肘法）。 YOLO -v2 损失函数：（yolo-v2开始其编码格式与V1不同。yoloV1 仅有两个box 阅读全文
摘要：
L1损失函数：最小化绝对误差，因此L1损失对异常点有较好的适应更鲁棒，不可导，有多解，解的稳定性不好。 关于L1损失函数的不连续的问题，可以通过平滑L1损失函数代替： L2损失函数：最小化平方误差，因此L2损失对异常点敏感，L2损失函数会赋予异常点更大的损失值和梯度，调整网络参数向减小异常点误差的方 阅读全文
摘要：
为了降低过拟合风险，需要控制模型复杂度，自然想到减少参数个数，但是这个问题不易直接解决，可以通过放宽条件控制。 L1正则化（嵌入式特征选择）——又称参数稀疏性惩罚——lasso reg 添加优化条件： 这会使参数条件空间有明显的凸角，这些突出点显然会成为联合优化时的最优解，但同时这些这些凸点中又会有 阅读全文