使用Python实现KNN算法解决简单分类问题KNN分类KNN算法属于监督学习算法，它可以解决分类问题，也可以解决回归问题。对于一组带标签的数据，当我们使用KNN算法进行分类时，有两种分类方式。KNN的分类是有参照点的，它会参照周围的 个结点的标签，来划分适合这个加入点的标签，初始假设 ，第一种分类方式，根据最近的 我们将加入点周围最近的 个点找出来，加入点的标签类别就是它周围这 第二种分类
转载
2023-09-20 04:34:00
75阅读
1. HOG特征简介特征描述符是图像或图像补丁的表示形式，它通过提取有用信息并丢弃无关信息来简化图像。通常，特征描述符将大小W x H x 3（通道）的图像转换为长度为n的特征向量/数组。对于 HOG 特征描述符，输入图像的大小为 64 x 128 x 3，输出特征向量的长度为 3780。在HOG特征描述符中，梯度方向的分布（直方图）被用作特征。图像的渐变（x和y导数）很有用，因为边缘和角落（强度
转载
2024-04-12 03:46:13
58阅读
介绍 机器学习的神奇之处在于，我们对原理的概念和思路理解得越多，它就变得越容易。在本文中，我们将研究在图像分
原创
2024-05-19 22:29:17
204阅读
依据机器学习算法如何学习数据可分为3类：
有监督学习：从有标签的数据学习，得到模型参数，对测试数据正确分类；
无监督学习：没有标签，计算机自己寻找输入数据可能的模型；
强化学习（reinforcement learning）：计算机与动态环境交互，学习错误反馈达到更优的目的。依据机器学习期望结果来分类：
分类：输入被分为N个类别的一种；
回归：输出是连续值；如依据房子的大小，时间，位置来预测房子的
转载
2024-04-24 09:17:11
91阅读
最近在看论文《Histograms of Oriented Gradients for Human Detection》，是05年提出来的，opencv中对应的实现源码放在modules/objdetect/srchog.cpp里。在这里做个记录。参考资料：首先说一下最基本的流程，如下图（原图）基本上就是利用滑动窗口在图像金字塔上固定步长搜索，每次提取窗口内的hog特征，送入svm进行分类是否有目
转载
2024-03-01 22:50:08
105阅读
梯度直方图特征(HOG)是一种对图像局部重叠区域的密集型描述符,它通过计算局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的...
原创
2021-07-16 15:02:33
538阅读
目录0 原理 1 OpenCV 中的直方图均衡化 2 CLAHE 有限对比适应性直方图均衡化0 原理想象一下如果一副图像中的大多是像素点的像素值都集中在一个像素值范围之内会怎样呢？例如，如果一幅图片整体很亮，那所有的像素值应该都会很 高。但是一副高质量的图像的像素值分布应该很
转载
2024-09-30 15:28:53
42阅读
多分类问题Softmax二分类问题给定一系列特征，输出为0或1，表示是否满足某个条件。具体做法是输出一个概率，表示给定特征满足这个条件的概率，或者不满足这个条件的概率。多分类问题给定一系列特征，预测是多个类别中的哪一类，比如手写数组识别、物体识别等。如果在多分类问题中仍采用二分类问题的解决方法，即输出可能属于每个类别的概率，会出现的问题有输出的概率可能为负数所有类别概率之和不为1，即不是一个分布提
转载
2023-08-17 16:37:44
212阅读
当我们进行这样处理是会产生非常多的参数，我我们可以通过以下详细过程进行分析，如何利用最少的参数等到相同的结果这只是一个分类情况，就用了16个参数，之后看最后的结果使用了16*9个参数才能计算完成，而且这只是一层，我们发现最后的结果一般只与四个参数有关，我们可不可将这四个参数提取出来最后通过一个卷积层将数据进行转换在上图中，输入和卷积核都是张量，卷积运算就是卷积分别乘以输入张量中的每个元
转载
2024-01-14 19:32:13
71阅读
分类从结果的数量上可以简单的划分为：二分类（Binary Classification）多分类（Multinomial Classification）。其中二分类是最常见且使用最多的分类场景，解决二分类的算法有很多，比如：基本的KNN、贝叶斯、SVMOnline Ranking中用来做二分类的包括FM、FFM、GBDT、LR、XGBoost等多分类中比如：改进版的KNN、改进版的贝叶斯
转载
2024-04-11 19:47:27
123阅读
API：HOGDescriptor(Size _winSize, ---：窗口大小，即检测的范围大小，前面的64*128Size _blockSize,--- 前面的2*2的cell，即cell的数量，这里要填像素值Size(16,16)Size _blockStride,---每次block移动的步长，以像素计，为一个cell像素块大小Size _cellSize, ---cell的大小，前
转载
2018-10-02 20:27:00
304阅读
HOGDescriptor hogDescriptor = HOGDescriptor(); hogDescriptor.setSVMDetector(hogDescriptor.getDefaultPeopleDetector()); vector<Rect> vec_rect; hogDescr
转载
2018-10-05 09:50:00
218阅读
2评论
今天给大家介绍两个多分类任务中的经典网络模型LeNet5和AlexNet。内容源来自“有三AI”，感兴趣的读者可以关注公众号“有三AI”。首先要给大家普及以下网络深度和网络宽度的概念，强调一点，池化层是不算入网络深度的。网络的深度：最长路径的卷积层+全连接层的数量，这是深度学习最重要的属性。如图，以简单的LeNet5网络为例，网络中包含3个卷积层，2个全连接层，所以网络深度等于5。C1+C3+C5
转载
2023-09-27 18:47:43
254阅读
主要涉及的知识点：混淆矩阵、Precision(精准率)、Recall(召回率)、Accuracy(准确率)、F1-score （包括二分类和多分类问题）ROC、AUC 【一】众所周知，机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score，而回归模型最常用指标有MAE和RMSE。但是我们真正了解这些评价指标的意义
转载
2024-05-06 12:43:45
308阅读
使用HOG+SVM对数字进行分类模型训练与测试。
原创
2023-03-31 10:29:41
420阅读
1.读写图像#include <iostream>
#include <string>
#include <sstream>
//OpenCV提供的跨平台I/O函数core和highgui
//core用于基本的图像数据处理，包含基本类，比如矩阵
//highgui包含读函数、写函数以及用图形界面显示图像的函数
#include "opencv2/core.hp
转载
2024-03-30 17:31:07
87阅读
文章目录1、一对一（One vs. One，简称OvO）2、一对其余（One vs. Rest，简称OVR）3、多对多（Many vs. Many，简称MvM） 现实中常遇到多分类学习任务，有些二分类学习方法可直接推广到多分类，但在更多情况下，我们是基于一些基本策略，利用二分类学习器来解决多分类问题。不失一般性，考虑N个类别C1，C2，C3，…，CN，多分类学习的基本思路是“拆解法”，即将多
文章目录推荐阅读前言混淆矩阵简介二分类混淆矩阵一级指标二级指标准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）三级指标（F-score）F1-score多分类混淆矩阵准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）F1-score示例与代码实现step1：统计混淆矩阵step2
转载
2024-01-25 19:44:18
180阅读
最近由于项目需要做了一段时间的语义分割，希望能将自己的心路历程记录下来，以提供给所需帮助的人 接下来我将依托Unet语义分割网络介绍以下内容：首先我的环境配置 pytorch1.10 win10 vs2017 python3.6 opencv3.4 Aaconda-5.2.0一、使用pytorch实现简单的unet分割网络二、使用Unet做多类别分割三、c++调用python执行语义分割四、c++
转载
2023-11-29 20:23:43
177阅读
基于Unet的医疗影像分割简单复现Unet网络，用来练习pytorch， U-net结构（最低分辨率下32x32像素的例子）如下图所示。每个蓝框对应于一个多通道特征图。通道的数量表示在盒子的顶部。X-Y尺寸在盒子的左下角提供。白色方框代表复制的特征图。箭头表示不同的操作。 其中，蓝/白框表示feature map；蓝色剪头表示3x3 卷积，用于特征提取；灰色箭头表示skip-connecti
转载
2024-08-17 13:34:45
112阅读
