图像处理三大任务人工智能大概分为两个方向:CV(图像处理)和NLP(自然语言处理)图像处理cv方向在图像处理中可分为三大任务,即图像分类,目标检测和图像分割图像分类把多种图像分类识别出来最优的代表网络:resnet网络和VGG系列网络例如把猫狗进行二分类目标检测把目标图像用回归框框出进行类别识别,对目标检测的网络可以分为两大派:一次检测和两次检测两次检测的最优的代表网络是faster rcnn系列
转载
2024-07-22 19:31:56
41阅读
前言最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：选择合适的loss function，对网络进行合理的优化，关注较小的目标。改变网络结构，使用attention机制（类别判断作为辅助）。与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。通过使用设计合理的los
转载
2024-07-23 16:03:25
221阅读
1.图像分类：卷积神经网络CNN图像分类概念 首先，图像分类是解决是什么的问题？ 如下图，给定一幅图片，网络能够给出“最像”什么的概率： 图像分类使用的技术•卷积神经网络CNN 它是计算机视觉中的基础网络,有监督深度模型时代的起点 AlexNet，VGG，GoogLeNet，ResNet，ResNeXt • GoogLeNet Inception V1 -> V2 -> V
转载
2024-04-12 14:14:26
33阅读
accuracy在分类问题最常看的指标就是accuracy，它的计算公式一般是由预测正确的样本数/总样本数。但是accuracy本身是个不可导的方程。在分类任务中，对于一个N类任务，输出就是一个N维的向量，向量每一个位置就代表了一种类别，对应位置的值就代表预测的目标属于该类的概率，对于猫狗的分类，输出向量为[0.2, 0.8],就表示输入的图属于猫的概率为0.2，属于狗的为0.8。在输出预测结果时
转载
2024-08-18 08:13:00
119阅读
图像分割常见Loss最近在研究图像分割，由于自己之前没学习过，只能好好鼓捣，好久没写了。忙完分割项目总结一下。1、基于分类损失 ①：binary cross entropy 二分类的交叉熵损失函数 当类别数M等于2的时候，这个损失就是二元交叉熵Loss。 交叉熵Loss可以用在大多数语义分割场景中，但它有个缺点，那就是对于只用分割前景和背景的时候，当前景像素的数量远远小于背景像素的数量时，即y=0
转载
2024-03-25 21:45:42
106阅读
先解释下为什么前缀有一个图像分类，是因为几乎所有的图像识别任务中，图像分类是一个基础功能，不分好类，何谈后续的处理。图像识别面对的挑战有：光线的变化，图像形变，图像遮挡，背景干扰等。。。。能想到的最简单的分类器是K-NN分类器,步骤如下：将当前图片和样本图片一一相减，在相加，取绝对值。按照距离排序（L1距离，L2距离）选取与距离最小的K个图像判断这K个图像属于哪个类别数目最多从步骤可以看出KNN的
转载
2024-05-17 06:30:54
90阅读
对于计算机视觉任务而言，图像分类是其中的主要任务之一，比如图像识别、目标检测等，这些任务都涉及到图像分类。而卷积神经网络（CNN）是计算机视觉任务中应用最为广泛且最为成功的网络之一。大多数深度学习研究者首先从CNN入门，上手的第一个项目应该是手写体MNIST数字图像识别，通过该项目能够大致掌握图像分类的基本操作流程，但由于该项目太成熟，按步骤操
转载
2024-05-13 09:49:54
29阅读
本质上讲，Focal Loss 就是一个解决分类问题中类别不平衡、分类难度差异的一个 loss，总之这个工作一片好评就是了。看到这个 loss，开始感觉很神奇，感觉大有用途。因为在 NLP 中，也存在大量的类别不平衡的任务。最经典的就是序列标注任务中类别是严重不平衡的，比如在命名实体识别中，显然一句话里边实体是比非实体要少得多，这就是一个类别严重不平衡的情况。硬截断整篇文章都是从二分类问题出发，同
转载
2023-07-25 08:09:54
87阅读
随着人工智能技术的迅猛发展，ai绘画软件成为了艺术家们的得力助手，为创作者们开辟了一片崭新的天地。从传统的绘画到数字化的图像创作，ai绘画软件正在以其独特的方式重新定义着艺术的边界。那大家好奇这些软件是如何生成绘画的吗？好奇的小伙伴继续看下去吧，这篇文章从如何ai绘画到ai绘画图片怎么保存零基础教给你。先让我们来看看这些ai绘画软件生成的作品到底是怎么样的吧！教程一：使用“一键AI绘画”来生成绘画
这三篇关于GBDT的算法介绍，是我在网上找到的最优秀的。转载过来纯属学习留档，日后复习。
，作者
kingsam_
摘要：GBDT-分类 GBDT-回归 前面两篇文章已经详细介绍了在回归和分类下的GBDT算法。这一篇文章将最后介绍一个多分类任务的GBDT。其过程和二分类的GBDT类似，但是有一个地方有很大的不同，下文将详细的介绍。正文：下图是Friedman在论文中对G
转载
2024-04-02 07:02:03
53阅读
参考文章：图像分割模型调优技巧，loss函数大盘点参考代码：Semantic-Segmentation-Loss-Functions
原创
2022-12-08 14:39:12
307阅读
好文mark “损失函数”是机器学习优化中至关重要的一部分。L1、L2损失函数相信大多数人都早已不陌生。那你了解Huber损失、Log-Cosh损失、以及常用于计算预测区间的分位数损失么？这些可都是机器学习大牛最常用的回归损失函数哦！机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模
class FocalLoss(nn.Module): def __init__(self, gamma = 2, alpha = 1, size_average = True): super(FocalLoss, self).__init__() self.gamma = gamma self.alpha = alpha self.size_average = size_average self.elipson = .
原创
2021-08-13 09:29:44
1182阅读
图像分割（image segmentation）技术是计算机视觉领域的一个重要的研究方向，图像分割是计算机视觉中的一个关键过程。它包括将视觉输入分割成片段以简化图像分析。片段表示目标或目标的一部分，并由像素集或“超像素”组成。图像分割将像素组织成更大的部分，消除了将单个像素作为观察单位的需要。图像分析有三个层次：分类 - 将整幅图片分成“人”、“动物”、“户外”等类别目标检测
CNN实现手写数字识别CNN手写数字识别中的Loss为分类Loss，采用交叉熵来表示。原理解析图像经过多层卷积、池化操作后，输出为一个长度为10的向量，即tf.matmul(h_fc1_drop, W_fc2) + b_fc2，为了衡量该结果与样本实际label的差值大小，需要进行一定的处理。首先，使用softmax将特征值转为各个类别的概率值，确保预测值和真实值具有可比性。然后，计算# soft
转载
2023-12-30 21:31:14
73阅读
介绍线性回归和逻辑回归是我们经常用来做预测模型的利器。由于他们的受欢迎成都，很多股票量化交易员甚至认为他们就是唯一的回归形式，或者一些分析师会认为这两个回归是所有回归中最重要的。事实上，在数学世界中有回归方程有无数多的形式。每种形式都有其自身的重要性和最适合应用的特定场景。在本文中，我们以最简单的方式解释最常用的七种回归的形式。通过这篇文章，希望大家能形成回归广度的概念，而不是仅仅对遇到的每个问题
转载
2024-05-27 18:31:59
11阅读
https://github.com/facebookresearch/multigrainMultiGrain: a unified image embedding for classes and instancesAbstractMultiGrain是一种网络架构，产生的紧凑向量表征，既适合于图像分类，又适合于特定对象的检索。它建立在一个标准分类主干上。网络的顶部产生包含粗粒度和细
BERT 预训练模型及文本分类介绍如果你关注自然语言处理技术的发展，那你一定听说过 BERT，它的诞生对自然语言处理领域具有着里程碑式的意义。本次试验将介绍 BERT 的模型结构，以及将其应用于文本分类实践。知识点语言模型和词向量BERT 结构详解BERT 文本分类BERT 全称为 Bidirectional Encoder Representations from Transforme
转载
2024-09-24 10:04:26
58阅读
意义 网络新闻往往含有丰富的语义，一篇文章既可以属于“经济”也可以属于“文化”。给网络新闻打多标签可以更好地反应文章的真实意义，方便日后的分类和使用。难点(1)类标数量不确定，有些样本可能只有一个类标，有些样本的类标可能高达几十甚至上百个。 (2)类标之间相互依赖，例如包含蓝天类标的样本很大概率上包含白云，如何解决类标之间的依赖性问题也是一大难
# PyTorch 多标签分类中的损失函数解析
在深度学习中，分类任务通常分为两类：单标签分类和多标签分类。本文将专注于多标签分类，并讨论如何在PyTorch中实现多标签分类模型，以及如何选择和计算损失函数。我们将通过代码示例来解释每一步。
## 什么是多标签分类？
多标签分类（Multi-label Classification）是一种学习任务，其中每个样本可以属于多个类别。与传统的单标签
