摘要:
Meta Learning概述(一) 回顾Machine Learning 定义一个function(神经网络等),该function上有很多参数,参数统一定义为θ,对于一个猫狗分类器来说,当猫狗的图片经过f(θ)时,函数会输出一个猫或狗的结果 定义一个Loss function,L(θ) 使用优化 阅读全文
摘要:
PCB 数据集上的小样本学习 论文信息 论文地址:Few-Shot PCB Surface Defect Detection Based on Feature Enhancement and Multi-Scale Fusion 发表刊名:IEEE Access 日期:2022 创新点 引入了特征增 阅读全文
摘要:
## 一、概述 通常在机器学习里,我们需要用大量的数据来训练一个模型;当场景发生改变时,模型就需要重新训练。这显然提升了成本,而人类学习方式与此不同,一个小孩子在学习动物的过程中,学习了很多动物的名称,当某次给他看一些没有见过的动物时,他总能很快的将新动物和别的动物区分开。Meta learning 阅读全文
摘要:
常用激活函数 定义 在神经网络中,输入经过权值加权计算并求和之后,需要经过一个函数的作用,这个函数就是激活函数(Activation Function)。 作用 首先我们需要知道,如果在神经网络中不引入激活函数,那么在该网络中,每一层的输出都是上一层输入的线性函数,无论最终的神经网络有多少层 阅读全文
摘要:
前言 DP 与 DDP 均为GPU并行手段,目的是加快训练。 DP (Data parallelism) 如上图所示:DP其实只开了一个线程,并行算法实在多个设备上都拷贝了一份完整的模型参数,彼此之间可以独立计算。所以叫数据并行 前向传播时,GPU-1 会首先把所有的数据拿到,然后分发给其他的G 阅读全文
摘要:
网络结构 网络结构主要由以下几个部分组成: Backbone: New CSP-Darknet53 Neck: SPPF, New CSP-PAN Head: Yolov3 Head 下图是yolov5l的网络结构: 在Neck部分,作者将SPP换为了SPPF,两者作用相同,但后者效率更高。SPP结 阅读全文
摘要:
Yolo v4 前言 网络结构 Backbone : CSPDarknet53 Neck : SPP, PAN Head : yolov3 PAN(Path Aggregation Network)结构其实就是在FPN(从顶到底信息融合)的基础上加上了从底到顶的信息融合,如下图(b)所示 阅读全文
摘要:
前言 相较于yolo v2,作者在v2基础上做了一些改进。一是特征提取部分采用darknet-53代替了原来的darknet-19,利用特征金字塔网络实现了多尺度检测,分类方法用逻辑回归代替了softmax。做到了又快有准。 Darknet-53 如上图所示:Darknet-53主要是由一系 阅读全文
摘要:
Better Batch Normalization(BN 层) Yolo v2 中在每个卷积层后都加了BN层,去掉了dropout层。BN层可以起到一定的正则化效果,能提升模型收敛速度,防止模型过拟合。通过BN层,yolov2的mAP提高了2%。 High Resolution Classif 阅读全文
摘要:
第三章 模型搭建和评估-评估 根据之前的模型的建模,我们知道如何运用sklearn这个库来完成建模,以及我们知道了的数据集的划分等等操作。那么一个模型我们怎么知道它好不好用呢?以至于我们能不能放心的使用模型给我的结果呢?那么今天的学习的评估,就会很有帮助。 加载下面的库 import pandas 阅读全文