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