摘要： 使用OpenCV实现视频去抖 整体步骤： 设置输入输出视频 寻找帧之间的移动：使用opencv的特征检测器，检测前一帧的特征，并使用Lucas-Kanade光流算法在下一帧跟踪这些特征，根据两组点，将前一个坐标系映射到当前坐标系完成刚性（欧几里得）变换，最后使用数组纪录帧之间的运动。 计算帧之间的平 阅读全文

摘要： 虽然f-VAEGAN-D2在题目中说“适用任意样本”，但对比的Few-shot相关的实验较少，这里仅讨论零样本学习的情况。 1. 背景介绍 由于为每个对象收集足够数量的高质量带标签样本难以实现，使用有限的标签进行训练学习一直是一个重要的研究方向。零样本学习（Zero-Shot Learning, Z 阅读全文

摘要： 原论文于2023.11.6撤稿，原因：缺乏合法的授权，详见此处 Abstract 在小样本学习中（Few-shot Learning, FSL）中，有通过利用额外的语义信息，如类名的文本Embedding，通过将语义原型与视觉原型相结合来解决样本稀少的问题。但这种方法可能会遇到稀有样本中学到噪声特征 阅读全文

摘要： 生成模型 给定数据集，希望生成模型产生与训练集同分布的新样本。对于训练数据服从\(p_{data}(x)\)；对于产生样本服从\(p_{model}(x)\)。希望学到一个模型\(p_{model}(x)\)与\(p_{data}(x)\)尽可能接近。 这也是无监督学习中的一个核心问题——密度估计问 阅读全文

摘要： 前言 本文使用Python实现了PCA算法，并使用ORL人脸数据集进行了测试并输出特征脸，简单实现了人脸识别的功能。 1. 准备 ORL人脸数据集共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。此数据集包含40个类，每个类含10张图 阅读全文

摘要： 论文链接：Meta-Tuning Loss Functions and Data Augmentation for Few-Shot Object Detection Abstract 现阶段的少样本学习技术可以分为两类：基于微调（fine-tuning）方法和基于元学习（meta-learning 阅读全文

摘要： 基于元学习（Meta-Learning）的方法： Few-shot问题或称为Few-shot学习是希望能通过少量的标注数据实现对图像的分类，是元学习(Meta-Learning)的一种。 Few-shot学习，不是为了学习、识别训练集上的数据，泛化到测试集，而是为了让模型学会学习。也就是模型训练后， 阅读全文

摘要： --> 1. 背景 在机器翻译任务下，RNN、LSTM、GRU等序列模型在NLP中取得了巨大的成功，但是这些模型的训练是通常沿着输入和输出序列的符号位置进行计算的顺序计算，无法并行。 文中提出了名为Transformer的模型架构，完全依赖注意力机制（Attention Mechanisms），构建 阅读全文

摘要： 数据来源：House Prices - Advanced Regression Techniques 参考文献： Comprehensive data exploration with Python 1. 导入数据 import pandas as pd import warnings warnin 阅读全文

摘要： Semi-Supervised Domain Adaptation with Source Label Adaptation 具有源标签适应的半监督域适应 原文链接 Abstract 文章指出当前的半监督域适应（Semi-Supervised Domain Adaptation, SSDA）方法通常 阅读全文

摘要： 何为强化学习 机器学习的一大分支 强化学习（Reinforcement Learning）是机器学习的一种，它通过与环境不断地交互，借助环境的反馈来调整自己的行为，使得累计回报最大。 强化学习要解决的是决策问题——求取当前状态下最优行为或行为概率。 强化学习包括智能体和环境两大对象，智能体是算法本身 阅读全文

摘要： ## 1. 决策树 ### 熵 在热力学中，熵（entropy）被用来衡量系统的不稳定程度。香农在论文《通信的数学原理》中提出信息熵的概念，目的是*量化数字信息的价值*。 #### 信息熵的定义 香农提出的量化信息方式： $$H(P_1,P_2,\cdots P_n)=-\sum^n_{i=1}P_ 阅读全文

摘要： 1. 高斯过程 高斯过程（Gaussian Process）是一种假设训练数据来自无限空间且各特征都符合高斯分布（高斯分布又称“正态分布”）的有监督学习。 高斯过程是一种概率模型，在回归或分类预测都以高斯分布标准差的方式给出预测置信区间估计。 随机过程 高斯过程应用于机器学习已有数十年历史，，它来源 阅读全文

摘要： 1. 支持向量机 支持向量机（Support Vector Machine, SVM）最初被用来解决线性问题，加入核函数后能够解决非线性问题。主要优点是能适应小样本数量 高维度特征的数据集，甚至是特征维度数高于训练样本数的情况。 先介绍几个概念： 最优超平面：Hyperplane，SVM通过学习数据 阅读全文

摘要： 1. 梯度下降 梯度下降（Gradient Descent）是计算机计算能力有限的条件下启用的逐步逼近、迭代求解方法，在理论上不保证下降求得最优解。 e.g. 假设有三维曲面表达函数空间，长(x)、宽(y)轴为子变量，高(z)是因变量，若使用梯度下降法求解因变量最低点的步骤如下： 任取一点作为起始点 阅读全文