随笔分类 - Algorithm
程序=算法+数据结构
摘要：ref: https://blog.csdn.net/b1055077005/article/details/100152102 总结一下 加深记忆 一般使用交叉熵作为损失函数时，在模型的输出层总会接一个softmax函数，这是为什么呢？ 交叉熵简介： 交叉熵是信息论中的一个重要概念，主要用于度量两
阅读全文
摘要：以你喜欢和理解起来最舒服的方式 以多标签图像分类任务为背景 多标签图像分类（Multi-label Image Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy。该任务采用的是和信息检索中类似的方法——MAP（Mean Av
阅读全文
摘要：ref： https://zhuanlan.zhihu.com/p/110590953 https://www.zhihu.com/search?type=content&q=%E5%8C%88%E7%89%99%E5%88%A9%E5%8C%B9%E9%85%8D%20%E8%B7%9F%E8%B
阅读全文
摘要：作者：黄飘链接：https://zhuanlan.zhihu.com/p/111397247来源：知乎 近几年由于深度学习框架的兴起，端到端的训练和推理框架展现出一定的数据利用优势，而传统的数据关联算法基本都不满足可导可微的特性，因此出现了很多近似的端到端数据关联框架。这里由于篇幅有限，如果专栏和g
阅读全文
摘要：4 最小代价流 4.1 算法形式 在了解最小代价流之前，我们需要先铺垫一下几个常见图模型，以帮助我们理解，比如最短路、最大流、最小费用最大流，最小割（闭嘴，我暂时没看懂）。下图是一个很常见的图网络： 我们可以看到，图上有很多节点和边，这两个元素是组成图模型的核心。其次，每条边上都会有对应的数值，比如
阅读全文
摘要：研究对象：MOT中的数据关联算法，包括基于IOU的贪婪匹配、基于匈牙利和KM算法的线性偶图匹配、基于图论的离线数据关联。 1 Background 目前主流的MOT框架是DBT框架，这种框架的特点就是离不开数据关联算法，不论是对不同帧之间跟踪轨迹的关联还是跟踪轨迹和观测量的关联， 有数据关联才能更好
阅读全文
摘要：Kalman滤波器是多目标跟踪任务中一个经典的运动模型，本次主要以经典应用为主。其中应用算法主要介绍Sort和Deepsort算法。 Sort系列算法的原理不复杂，但是为近些年多目标跟踪的发展提供了很多的实验性baseline帮助，也帮助很多新人入门了。首先我们先谈谈Sort算法，这个算法实际上就是
阅读全文
摘要：接触3D tracking一周多，学习一下kalman filters。借鉴优质博客，自己记录下来，便于总结和巩固。 ref:https://www.zhihu.com/people/huang-piao-72/posts?page=1 卡尔曼滤波器是多目标跟踪任务中的一个经典的运动模型。 1 背景
阅读全文
摘要：插值，它根据已知的数据序列（也可以理解为坐标中一连串离散的点），找到其中的规律；然后根据找到的这个规律，来对其中尚未有数据记录的点进行数值估计。 1）它可以对数据中的缺失进行合理的补偿；2）可以对数据进行放大或者缩小。 线性插值是一种针对一维数据的插值方法，它根据一维数据序列中需要插值的点的左右邻近
阅读全文
摘要：手稿，只是能激发引导自己的思路，助力快速理解复习。数学上，某些矩阵形状没有那么严谨，但是逻辑正确。一次写过，字体，排版也比较随意。这种版本才能保存灵感吧～自我逻辑清晰不啰嗦，但是客观排版可能影响逻辑理解。 红色部分提示，多思考一下，你一定会get到一个思路清晰的BP。
阅读全文
摘要：1、平衡二叉树 给定一个二叉树，判断它是否是高度平衡的二叉树。 本题中，一棵高度平衡二叉树定义为： 一个二叉树每个节点 的左右两个子树的高度差的绝对值不超过1。 示例 1: 给定二叉树 [3,9,20,null,null,15,7] 3 / \ 9 20 / \ 15 7返回 true 。 示例 2
阅读全文
摘要：1、删除链表中重复节点 在一个排序的链表中，存在重复的结点，请删除该链表中重复的结点，重复的结点不保留，返回链表头指针。 例如，链表1->2->3->3->4->4->5 处理后为 1->2->5。 class Solution: def deleteDuplication(self, pHead)
阅读全文
摘要：如果用一个词来形容概率图模型（Probabilistic Graphical Model）的话，那就是“优雅”。
阅读全文
摘要：宇宙，是时间和空间的总和。时间是一维的，空间。。。maybe 9 or 10维？ 降维，即用一个低维度的向量表示原始高维度的特征。常见的降维方法有主成分分析、线性判别分析、等距映射、局部线性嵌入、拉普拉斯特征映射、局部保留投影等。 01 PCA最大方差理论 在机器学习领域中，我们对原始数据进行特征提
阅读全文
摘要：https://blog.csdn.net/starstar1992/article/details/54913261?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none
阅读全文
摘要：https://www.cnblogs.com/DicksonJYL/p/9541432.html 观点： 1、数学是必须的。 数学对于机器学习来说是必备基础，数学是内功，你要理解一个算法的内在逻辑，没有数学是不行的。以后跑算法的时候，你可能就是调参、调包，不会用到数学。但是你发现效果不好的时候，如
阅读全文
摘要：基本原理就不做介绍了, 很基础的数据结构课程知识.私下回顾即可,主要学习代码. 1.双指针 https://leetcode-cn.com/problems/two-sum-ii-input-array-is-sorted/description/?utm_source=LCUS&utm_mediu
阅读全文
摘要：不忘初心,方得始终. 01 支持向量机 支持向量机（Support Vector Machine，SVM）是众多监督学习方法中十分出色的一种，几乎所有讲述经典机器学习方法的教材都会介绍。关于SVM，流传着一个关于天使与魔鬼的故事。以下关于SVM的介绍很生动： 传说魔鬼和天使玩了一个游戏，魔鬼在桌上放
阅读全文
摘要：第2章 模型评估 “没有测量，就没有科学。”这是科学家门捷列夫的名言。在计算机科学特别是机器学习领域中，对模型的评估同样至关重要。只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要分为离线评估和在线评估两个阶段。针对分类、排序、回归、序列
阅读全文
摘要：>>>前言 人工智能技术正在对社会结构、职场、教育等带来革命性的变化。未来几年是人工智能技术全面普及化的时期，也是该技术的相关人才最为稀缺的时期。 人工智能泛指让机器具有人的智力的技术。这项技术的目的是使机器像人一样感知、思考、做事、解决问题。人工智能是一个宽泛的技术领域，包括自然语言理解、计算机视
阅读全文
