随笔分类 - # 算法
摘要：前言 二叉树中DFS分为前中后序遍历，DFS如果在图中，就没有前中后序遍历说法，如果在矩阵中，变化顺序就由上下左右随机组合了 二叉树中BFS和层序遍历又有些区别 二叉树定义 class TreeNode: def __init__(self, x, L=None, R=None): self.val
阅读全文
摘要：一、随机森林 随机森林是一个用随机方式建立的，包含多个决策树的集成分类器。其输出的类别由各个树投票而定（如果是回归树则取平均）。 生成过程 假设样本总数为n，每个样本的特征数为a，则随机森林的生成过程如下： 从原始样本中采用有放回抽样的方法选取n个样本；对n个样本选取a个特征中的随机k个，用建立决策
阅读全文
摘要：文章目录 前言Stage它们的主要区别one-stageSSD网络结构图特点损失函数 YOLOv1网络结构图特点损失函数优缺点 YOLOv2改进网络结构特点损失函数优缺点 YOLOv3网络结构Darknet-53特点 YOLOv4改进检测头的改进 CIoU-loss五个基本组件损失函数 YOLOv5
阅读全文
摘要：文章目录 0️⃣LeNet5🏵LeNet-5的训练算法🏵卷积神经网络的优点🏵总结 1️⃣AlexNet🏵特点🏵代码🏵主要贡献🌺ReLU激活函数的引入🌺层叠池化操作🌺Dropout操作🌺网络层数的增加 2️⃣VGGNet（Visual Geometry Group）🏵要点 3️⃣
阅读全文
摘要：文章目录 0.前言1.传统深度学习网络的退化问题2.深层CNN为何发生退化？ and ResNet到底解决了什么问题？3.简单了解下ResNet和残差结构4.残差结构如何解决退化问题5.残差结构还有什么其他作用？6.残差结构能解决梯度爆炸吗？Inference 0.前言 这篇文章介绍resnet的重
阅读全文
摘要：文章目录 🧇前言🧇HRNet理论🧇HRNet结构细节🍞Backbone设计🍞BasicBlock设计🍞Bottleneck设计🍞FuseLayer设计🍞TransitionLayer设计🍞Neck设计🍞整体代码设计 🧇实验🧇Reference 🧇前言 本文结合多位大佬文章和
阅读全文
摘要：文章目录 0️⃣前言1️⃣Introduction2️⃣FCOS原理2.1 FCOS网络结构及输出设计2.2 Head输出特征图解码详解2.3 FPN的多级预测机制2.4 Centerness分支设计2.5 Loss函数设计 3️⃣优劣势分析4️⃣算法实现细节引用 0️⃣前言 Paper link：
阅读全文
摘要：文章目录 0️⃣概念1️⃣分类2️⃣特点⚔好而不同⚔五大特点⚔思考 3️⃣五大方法🐱🐉训练样本扰动：🥘Boosting（例如：AdaBoost， GBDT）🥘Bagging（例如：Random Forest）🥘Bagging，Boosting二者之间的区别🥘Stacking🥘 决策树
阅读全文
摘要：文章目录 0️⃣前言1️⃣Sigmoid2️⃣tanh3️⃣Relu4️⃣Leaky Relu5️⃣Softmax6️⃣总结 0️⃣前言 用了这么久的激活函数，抽空总结一下吧，不然总是忘记，这里介绍常用到的sigmoid，tanh，relu，leaky relu，softmax tips:部分图片来
阅读全文
摘要：文章目录 0️⃣引言1️⃣决策树🎟基本流程🎟特征选择🚌信息增益🚎缺点 🚌信息增益率🚎缺点 🚌基尼指数 🎟剪枝处理 2️⃣随机森林🎟bagging集成🎟介绍 0️⃣引言 在之前介绍过决策树和随机森林调参，但都是直接调用skelearn，这次想重点介绍一下原理。 1️⃣决策树 🎟基
阅读全文
摘要：文章目录 1️⃣前言2️⃣召回率3️⃣精确率4️⃣总结 1️⃣前言 混淆矩阵的更多信息可以查看我另外一篇文章 2️⃣召回率 可以看到召回率的分母是TP+FN，表示正样本的个数，是没有办法改变的，是客观的；那么只有TP发生变化的时候，召回率才会发生变化；因此，当置信度阈值调低之后，会导致很多阈值低的样
阅读全文
摘要：文章目录 🍕序言🍔IOU(Intersection over Union)1.优点2.作为损失函数会出现的问题(缺点) 🍟GIOU(Generalized Intersection over Union)1.来源2.特性3.存在的问题 🌭DIoU(Distance-IoU)1.来源2.优点3
阅读全文
摘要：1. 目的 使用NMS目的：提高召回率，但是召回率是“宁肯错杀一千，绝不放过一个”。因此在目标检测中，模型往往会提出远高于实际数量的区域提议（Region Proposal，SSD等one-stage的Anchor也可以看作一种区域提议）。 这就导致最后输出的边界框数量往往远大于实际数量，而这些模型
阅读全文
摘要：文章目录 1️⃣ 起始源头2️⃣ 重要三点3️⃣ 衍生而出的指标🍞 召回率==查全率R🍦 精确率==查准率P🍞 + 🍦 = 🍰 PR曲线🍱 准确率🌮 F1🍠 Fβ 1️⃣ 起始源头 这是西瓜书P30的图，细化一下就是下面这张图 2️⃣ 重要三点 🎈 不要想着把字母在表格中对应🍕
阅读全文
摘要：文章目录 0. 前言0.1 简易版理解 1. 简单回顾R-CNN结构1.1 RPN网络[4]1.1.1. RPN的意义1.1.2. RPN的运作机制1.1.3 3. RPN的整个流程回顾 1.2 Roi Pooling[5]1.2.1 ROI Pooling的意义1.2.2 ROI Pooling的
阅读全文
摘要：整篇文章整合多人文章，并且加上自己的一些理解创作 文章目录 1. KNN(K-Nearest Neighbor)介绍1.1 优点1.2 缺点1.3 skelearn库代码实现1.4 手动实现KNN算法 2. K-Means介绍2.1 优点2.2 缺点2.4 skelearn库代码实现2.5 手动实现
阅读全文
