0.前言在解决一个分类问题时，遇到样本不平衡问题。查找CSDN后，以及知乎后，发现网上有很多类似于欠采样 ，重复采样，换模型等等宏观的概念，并没有太多可实际应用（代码）的策略。经过一番查找和调试和修改，最终找到3个相对靠谱的策略，故总结此文给有需要同志，策略均来自网络，本人只是进行了部分代码修改和可用性测试。以下将简单介绍各个策略的机制以及对应代码（亲测能跑通）。NOTE：下述代码均是基于c...

所谓回归和分类：在深度网络中，分类任务和回归任务的主要区别就在于：loss函数（其模型输出和标签的比较）和标签的区别，和其前边的特征特区部分没有任何关系。而传统的机器学习算法，可以认为没有太多之前的特征处理过程，所以在机器学习算法中回归和分类任务就是模型的输出（和所谓的loss是一样的）和标签的不同。1.为什么叫逻辑回归由于模型的构建思路来源于logistics分布，所以把这个回归...

 最近开始学习Python编程，遇到scatter函数，感觉里面的参数不知道什么意思于是查资料,最后总结如下：1、scatter函数原型2、其中散点的形状参数marker如下：3、其中颜色参数c如下:4、基本的使用方法如下：[python] view plain copy#导入必要的模块  import numpy as np  import mat...

0.简介在前一篇文章目标检测 | 让YOLOv1算法告诉你回归网络的能力中我们见证了回归网络的能力，本文就利用YOLOv2的整体实现，来告诉大家一些在目标检测领域中的Trick的力量。YOLOv2论文中其实讲到了两个算法：YOLOv2和YOLO9000。本文因为主要介绍的是检测领域的Trick，因此着重介绍YOLOv2算法原理，及其在YOLOv1基础下的各个改进点。本文先介绍YOLOv2的各种改.

提升树是以分类树和回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。Boosting方法其实本质上采用的是加法模型（基函数的线性组合）与前向分布算法。以决策树为基函数的Boosting方法被称为提升树（Boosting tree）。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。前向分布算法提升树算法针对不同的问题的提升树学习算法，其主要区别在于...

1.DeepPose（谷歌大佬首次提出人体关键点解决方案）CVPR2014 Google | DeepPose: Human Pose Estimation via Deep Neural Networks3rdParty Code:pytorch3rdParty Code:chainer3rdParty Code:tensorflow3rdParty Code:caffeGoogle...

The Devil is in the Details: Delving into Unbiased Data Processingfor Human Pose Estimationgithub地址1.使用连续度量标准数据转换是指在不同的坐标系之间对关键点位置进行裁剪、旋转、调整大小、翻转等操作的转换。现有的姿态估计方法都是在离散空间中利用像素来测量图像的大小。而利用离散的像素点作为度量，...

Unsupervised Monocular Depth Estimation with Left-Right Consistency摘要不像之前的有监督的方法一样，利用深度图作为标签（GT），本文的方法用容易得到的双目图来训练。利用epipolar geometry constraints。我们通过训练我们的网络来产生视差图像，使其具有图像重建的损失。结果表明，仅对图像重建进行求解就...

https://mp.csdn.net/mdeditor/100601750本文重新思考了这种多阶段策略，首先文章分析了一下，single-stage策略，典型的mutil-stage网络，hourglass，为什么叫他

注意力机制在卷积网络的优化中，以及被广泛的使用。下面介绍几种非常著名的，应用于特征提取网络的注意力机制。SEnet(https://arxiv.org/abs/1709.01507 )SEnet（Squeeze-and-Excitation Network）考虑了特征通道之间的关系，在特征通道上加入了注意力机制。SEnet通过学习的方式自动获取每个特征通道的重要程度，并且利用得到的重要程...