摘要 显著性检测算法主要是基于视觉注意机制原理来快速获取图像中显著区域的方法，像显著区域的自动提取主要用的是自底向上的视觉注意模型，基于数据驱动的注意模型，不依靠人的先验知识和期望，通过提取图像的颜色、 方向、亮度、纹理等基本特征来获取图像的显著图。本文分析了三种算法模型： 基于生物特性的 Itti
机器学习常用算法 k近邻算法 求出未知点 与周围最近的 k个点的距离 查看这k个点中大多数是哪一类 根号((x已知-x未知)^2+(y已知-y未知)^2) 即平面间2点距离公式 收异常点影响较大,因此需要做标准化处理 API:sklearn.neighbors.KNeighbo
学习源码框架，为什么要从Mybatis框架入手？ 在 MyBatis 3.5.1 这个版中有 968 个类、 2770 个字段、 8422个方法、 42504 行代码、 186428个指令码。 其源码体量只有 Spring 的1/5，也是 Hibernate 的1/5。但在功能上这三个框架并无高低之
SVM损失函数 L1 = max(0,5.1-3.2+1)+max(0,-1.7-3.2+1) l2 = ...... 损失函数:L=(L1+L2+L3)/3 当所有的分数几乎相同时:L=分类数-1 (就是max中的那个1.共有类数-1个) 为什么使用平均值? 无论分数如何变化loss不会改变 最优
tensorflow 数据读取 队列和线程 文件读取, 图片处理 问题:大文件读取,读取速度, 在tensorflow中真正的多线程 子线程读取数据 向队列放数据(如每次100个),主线程学习,不用全部数据读取后,开始学习 队列与对垒管理器,线程与协调器 tf.FIFOQueue(capacity=
神经网络 感知机 解决分类问题 http://playground.tensorflow.org 神经网络 定义: 在机器学习领域和认知科学领域,人工神经网络(artificial neural network) 简称ann或类神经网络,一种放生物 神经网络的结构和功能的计算模型,用于对函数进行估计
# 深度学习 # 图像识别,自然语言处理 # 机器学习 深度学习 # 分类:神经网络(简单) 神经网络(深度) # 回归 图像:卷积神经网络 # 自然语言
相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端
深度神经网络------>卷积神经网络 1，卷积神经网络与简单神经网络的比较 全连接网络的缺点： 参数太多，图片过大时，计算太多 没有利用像素之间位置信息 层数限制 2，卷积神经网络发展史 3，卷积神经网络结构
