目标检测中，原始图片的标注过程是非常重要的，它的作用是在原始图像中标注目标物体位置并对每张图片生成相应的xml文件表示目标标准框的位置。然而博主转载的文章http://blog.csdn.net/u014696921/article/details/53353896中提到的标注工具虽然使用简单，但是无法在同一张图片中标注多个同类目标；并且其标注完成后只能生成对应的txt文件，需...

【新智元导读】这里是近5年100篇被引用次数最多的深度学习论文，覆盖了优化/训练方法、无监督/生成模型、卷积网络模型和图像分割/目标检测等十大子领域。重要的论文能够超越其应用领域让人获益。新智元在每个领域都选择了一篇论文重点介绍，这将是你纵览深度学习研究绝好的开始。【进入新智元公众号，在对话框输入“论文100”下载这份经典资料】这里是100篇被引用次数最多的深度学习论文，从海量的相关论文中

主要参考：1）http://blog.csdn.net/myarrow/article/details/518780042）http://nooverfit.com/wp/%E6%9C%BA%E5%99%A8%E8%A7%86%E8%A7%89%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E8%A1%A5%E4%B9%A0%E8%B4%B4%E4%B9%8Br-...

概述MatConvNet是用于MATLAB的卷积神经网络（CNN）的实现。工具箱的设计注重简单性和灵活性。它将CNN的构建块暴露为易于使用的MATLAB函数，提供用于计算具有过滤器组的线性卷积，特征池化等的例程。以这种方式，MatConvNet允许新的CNN快速原型架构;同时，它支持CPU和GPU上的有效计算，允许在大型数据集（如ImageNet ILSVRC）上训练复杂模型。本文档概述了CNN及

Find out all about CUDA and GPU Computing by attending our GPUComputing Webinars and joining our free-to-joinCUDARegistered developer Program.Learn about Tesla fortechnical and scientific

用Python进行各种机器学习算法的实现时，经常会用到sklearn（scikit-learn）这个模块/库。无论利用机器学习算法进行回归、分类或者聚类时，评价指标，即检验机器学习模型效果的定量指标，都是一个不可避免且十分重要的问题。因此，结合scikit-learn主页上的介绍，以及网上大神整理的一些资料，对常用的评价指标及其实现、应用进行简单介绍。一、 scikit-learn安装...

原文转自：http://blog.csdn.net/baimafujinji/article/details/6496222一、 引言K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。尽管kNN算

现实环境中，采集的数据（建模样本）往往是比例失衡的。比如网贷数据，逾期人数的比例是极低的（千分之几的比例）。对于这样的数据很难建立表现好的模型。好在Python有Imblearn包，它就是为处理数据比例失衡而生的。一.安装Imblearn包pip3 install imblearn二.过采样正样本严重不足，那就补充正样本。使用imblearn包中的over_sampling进行过采样有如下几种方法

前6个文件夹为训练集包含50187张图片，后6个文件夹为测试集包含45141张图片。4个种类：训练集上有person: 22372个， bicycle :3986个， car :41260个， dog :226个；测试集上有person: 5779个， bicycle :471个， car :5432个， dog :14个。比较好区分的个体则被标注为person，不太好分辨的多个个体则被标注为pe

一、引言在机器学习模型中，需要人工选择的参数称为超参数。比如随机森林中决策树的个数，人工神经网络模型中隐藏层层数和每层的节点个数，正则项中常数大小等等，他们都需要事先指定。超参数选择不恰当，就会出现欠拟合或者过拟合的问题。而在选择超参数的时候，有两个途径，一个是凭经验微调，另一个就是选择不同大小的参数，带入模型中，挑选表现最好的参数。微调的一种方法是手工调制超参数，直到找到一个好的超参数组合，这么