Questions tagged «computer-vision»

如何为Pascal VOC排行榜的检测任务计算mAP（平均平均精度）？http://host.robots.ox.ac.uk:8080/leaderboard/displaylb.php?challengeid=11&compid=4 那里说-在第11页：http : //homepages.inf.ed.ac.uk/ckiw/postscript/ijcv_voc09.pdf 平均精度（AP）。对于VOC2007挑战，使用插值平均精度（Salton和Mcgill 1986）来评估分类和检测。对于给定的任务和类别，从方法的排序输出中计算出精度/召回曲线。召回率定义为排名高于给定等级的所有阳性示例的比例。精确度是高于该等级的所有示例中来自肯定类别的比例。AP汇总了精度/召回曲线的形状，并定义为一组11个等距召回级别[0,0.1，...，1]的平均精度： AP = 1/11 ∑ r∈{0,0.1,...,1} pinterp(r) 通过采用针对相应召回率超过r：的方法测得的最大精度来内插每个召回级别r的精度pinterp(r) = max p(r˜)，其中p（r〜）是在召回〜r时测得的精度 有关地图：http://0agr.ru/wiki/index.php/Precision_and_Recall#Average_Precision 这是否意味着： 我们计算精度和召回率： A）对于许多不同的值，IoU > {0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1}我们计算真/假正/负值 其中True positive = Number_of_detection with IoU > {0, 0.1,..., 1}，这里说：/datascience//a/16813/37736然后我们计算： Precision = True positive / (True positive …

22 machine-learning  neural-network  svm  computer-vision  object-recognition 

本文以回旋不断深入介绍GoogleNet其中包含最初构想模块： 对初始v2的更改是，它们用两个连续的3x3卷积替换了5x5卷积并应用了合并： Inception v2和Inception v3有什么区别？

18 image-classification  convnet  computer-vision  inception 

为了进行检测，确定一个对象提议是否正确的一种常见方法是“ 联合路口”（IoU，IU）。这将采用建议的目标像素的集合和真实目标像素的集合B并计算：AAABBB IoU(A,B)=A∩BA∪BIoU(A,B)=A∩BA∪BIoU(A, B) = \frac{A \cap B}{A \cup B} 通常，IoU> 0.5表示这是命中，否则是失败。对于每个类别，可以计算出 真实肯定（）：针对c类提出了一个建议，实际上有一个c类对象TP(c)TP(c)TP(c)cccccc 误报（）：针对c类提出了一个建议，但没有c类的对象FP(c)FP(c)FP(c)cccccc 平均精密类：＃牛逼P （C ^ ）ccc#TP(c)#TP(c)+#FP(c)#TP(c)#TP(c)+#FP(c)\frac{\#TP(c)}{\#TP(c) + \#FP(c)} mAP（平均平均精度）= 1个| ç升一个小号小号Ë小号 |∑Ç ∈ Ç 升一个小号小号ë 小号＃ŤP（c ）＃ŤP（c ）+ ＃FP（c ）1|classes|∑c∈classes#TP(c)#TP(c)+#FP(c)\frac{1}{|classes|}\sum_{c \in classes} \frac{\#TP(c)}{\#TP(c) + \#FP(c)} 如果有人想要更好的建议，则可以将IoU从0.5增加到更高的值（最理想的是增加到1.0）。一个可以与地图@ p，其中表示这个是IOU。p ∈ （0 ，1 ）p∈(0,1)p \in (0, 1) 但是mAP@[.5:.95]（如本文所述）是什么意思？

17 computer-vision 

如果我们看一下使用CNN（ConvNet）发表的论文中有90-99％。他们中的绝大多数使用奇数号的过滤器大小：{1、3、5、7}最常用。 这种情况可能会导致一些问题：使用这些滤波器大小时，通常在填充为2（普通填充）的情况下卷积运算并不完美，并且在此过程中会丢失input_field的某些边缘... 问题1：为什么仅对卷积滤波器大小使用奇数？ Question2：在卷积过程中忽略一小部分input_field实际上是一个问题吗？为什么这样/不呢？

13 deep-learning  convnet  computer-vision  convolution 

我正在为一个应用程序制作原型，我需要一个语言模型来计算一些生成的句子的困惑度。 我可以随时使用经过训练的python语言模型吗？简单的东西 model = LanguageModel('en') p1 = model.perplexity('This is a well constructed sentence') p2 = model.perplexity('Bunny lamp robert junior pancake') assert p1 < p2 我看过一些框架，但找不到我想要的。我知道我可以使用类似： from nltk.model.ngram import NgramModel lm = NgramModel(3, brown.words(categories='news')) 这在Brown Corpus上使用了很好的图林概率分布，但是我正在一些大型数据集（例如1b单词数据集）上寻找精心设计的模型。我可以真正相信一般领域的结果（不仅是新闻）

11 python  nlp  language-model  r  statistics  linear-regression  machine-learning  classification  random-forest  xgboost  python  sampling  data-mining  orange  predictive-modeling  recommender-system  statistics  dimensionality-reduction  pca  machine-learning  python  deep-learning  keras  reinforcement-learning  neural-network  image-classification  r  dplyr  deep-learning  keras  tensorflow  lstm  dropout  machine-learning  sampling  categorical-data  data-imputation  machine-learning  deep-learning  machine-learning-model  dropout  deep-network  pandas  data-cleaning  data-science-model  aggregation  python  neural-network  reinforcement-learning  policy-gradients  r  dataframe  dataset  statistics  prediction  forecasting  r  k-means  python  scikit-learn  labels  python  orange  cloud-computing  machine-learning  neural-network  deep-learning  rnn  recurrent-neural-net  logistic-regression  missing-data  deep-learning  autoencoder  apache-hadoop  time-series  data  preprocessing  classification  predictive-modeling  time-series  machine-learning  python  feature-selection  autoencoder  deep-learning  keras  tensorflow  lstm  word-embeddings  predictive-modeling  prediction  machine-learning-model  machine-learning  classification  binary  theory  machine-learning  neural-network  time-series  lstm  rnn  neural-network  deep-learning  keras  tensorflow  convnet  computer-vision 

目前，这两种卷积运算在深度学习中非常常见。 我在本文中了解了膨胀的卷积层：WAVENET：原始音频的生成模型 和反卷积在本文中：用于语义分割的完全卷积网络 两者似乎都对图像进行了高采样，但是有什么区别？

11 machine-learning  deep-learning  convnet  computer-vision  convolution 

我正在尝试实现一种算法，其中给定一个在平面表上具有多个对象的图像，期望的是每个对象的分割蒙版的输出。与CNN不同，这里的目标是在陌生的环境中检测物体。解决此问题的最佳方法是什么？另外，在线上有任何实施示例吗？ 编辑：很抱歉，问题可能有点误导。我所说的“陌生环境”的意思是算法可能不知道对象。该算法不需要了解对象是什么，而应该仅检测对象。我应该如何解决这个问题？

10 machine-learning  deep-learning  cnn  computer-vision  object-detection 

我想检查JPG文件是否被操纵来更改内容。 我认为不是photoshop的： 播种 旋转中 （缩放） 影像解析度 智能手机可能会自动进行更改 我考虑的photoshopping： 在旧图像的顶部添加新图像 更改图像一部分的文本 如何自动检查？ （并且：是否有现成的库？）

10 computer-vision 

在这篇被高度引用的论文中，作者对权重参数的数量进行了以下讨论。我不太清楚为什么它具有参数。我认为应该是因为每个输入通道共享同一个滤波器，该滤波器具有参数。49 ℃249C249C^249℃49C49CCCC494949

9 machine-learning  deep-learning  computer-vision 

是否有发表的论文显示出神经网络正则化方法的差异，最好在不同的域（或至少在不同的数据集）上？ 我之所以问是因为我目前的感觉是，大多数人似乎只使用辍学来实现计算机视觉的正则化。我想检查是否有理由（不）使用不同的正则化方式。

9 neural-network  computer-vision  convnet  regularization  dropout