张士玉小黑屋

一、什么是梯度下降算法       首先，我们需要明确梯度下降就是求一个函数的最小值，对应的梯度上升就是求函数最大值。简而言之：梯度下降的目的就是求函数的极小值点，例如在最小化损失函数或是线性回归学习中都要用到梯度下降算法。   ##梯度下降算法作为很多算法的一个关键环节，其重要意义是不言而喻的。   梯度下降算法的思想：先任取点（x0,f(x0))，求f(x)在该点x0的导数f"(x0),在用x0减去导数值f"(x0),计算所得就是新的点x1。然后再用x1减去f"(x1)得x2…以此类推，循环多次，慢慢x值就无限接近极小值点。   损失函数用来衡量机器学习模型的精确度。一般来说，损失函数的值越小，模型的精确度就越高。如果要提高机器学习模型的精确度，就需要尽可

优点1：主干网络（CSPDarknet）加入Fcous结构主干网络加入Fcous结构，将图片宽高信息缩小，减小参数量，提升网络计算速度Fcous结构:将输入的图片先经过Fcos结构对图片进行每隔一个像素取出一个值，得到四个特征层，然后再进行concat。从而图片宽高的信息缩小，通道数增加。在原始信息丢失较少的情况下，减小了参数量（由于fcous替代了两层卷积与一层bottleneck）图1 Fcous示意优点2：主干网络的激活函数替换为silu激活函数silu函数相比于rule非线性能力更强，解决了rule当有负数输入输出为0，发生梯度弥散的缺点。同时继承了relu收敛更快的优点。silu函数=x*sigmoid(x)，是relu与sigmoid的结合。可以看做是一个

1.GAM注意力机制：图像解析：从整体上可以看出，GAM和CBAM注意力机制还是比较相似的，同样是使用了通道注意力机制和空间注意力机制。但是不同的是对通道注意力和空间注意力的处理。2.CBAM注意力解析CBAM=CAM+BAM对于通道注意力的处理：首先对输入特征图进行最大池化和平均池化，再经过MLP分别处理，最终经过Sigmoid激活。对于空间注意力的处理对特征图进行最大池化和平均池化后叠加在一起，再进行卷积，经过Sigmoid激活函数处理。3.GAM改进了解了CBAM，我们来看GAM是怎么处理CAM和SAM的，同样是先通道后空间。CAM对于输入特征图，首先进行维度转换，经过维度转换的特征图输入到MLP,再转换为原来的维度，进行Sigmoid处理输出。S

全局池化零、全局池化介绍一、全局平均池化二、全局最大池化零、全局池化介绍普通池化方法汇总详见：https://blog.csdn.net/qq_43665602/article/details/126625116全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。全局池化方式的优点：大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算权重）：因为池化操作是沿着通道方向对该通道的特征进行，故对于输入(N,C,H,W)，池化输出为(N,C)。此处输入特征为(N,C,H,W)=(1,3,

前言相信刚刚接触目标检测的小伙伴也是有点疑惑吧，目标检测的知识点和模型属实有点多，想要工作找CV的话，目标检测是必须掌握的方向了。我记得在找实习的时候，面试官就问到了我目标检测的指标是什么，答：mAP！问：mAP是什么？我：.......!☺所以在本文中我也是详细说一下mAP的含义，有什么不对的或者不全的欢迎大家指正！mAP是meanofAveragePrecision的缩写，意思是平均精确度（averageprecision）的平均（mean），是objectdetection中模型性能的衡量标准。objectdetection中，因为有物体定位框，分类中的accuracy并不适用，因此才提出了objectdetection独有的mAP指标，但这也导致mAP没有分类中

13d卷积的官方详解 22D卷积与3D卷积1）2D卷积    2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积    对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：  2D多通道卷积    在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该被怎样扫描呢？会有怎样的输出呢？    在一次扫描中，我们输入了一张拥有三个通道的彩色图像。对于这张图，拥有同样尺寸、但不同具体数值的三个卷积核会分别在三个通道上进行扫描，得出三个相应的“新通道”。由于同一张图

简单三步！用自己的数据集快速训练Yolov5模型文章目录简单三步！用自己的数据集快速训练Yolov5模型1第一步；准备好划分完的数据集2第二步；写一个数据集的配置文件3第三步；修改train.py参数4小知识?：标签内容解释5常见问题?本人更多YOLOv5实战内容导航???网上关于Yolov5如何标注数据集的文章很多，如果大家嫌麻烦可以看我这篇文章介绍的标注工具，可以直接标注成YOLO格式的下面直接通过一种简单明了的方式让大家迅速的开始训练自己的数据集；相信大家在运行Yolov5时coco128数据集已经下载好了，coco128数据集默认的位置就是我们项目代码的同级目录，所以我以这个位置作为参考，通过对比的方式让大家迅速了解读取数据集的原理；这次我使用的是划分

一、UNet代码链接UNet代码：U-Net代码（多类别训练）-深度学习文档类资源-CSDN下载二、开发环境Windows、cuda:10.2、cudnn:7.6.5pytorch1.6.0python3.7pytorch以及对应的torchvisiond下载命令#CUDA10.2conda安装condainstallpytorch==1.6.0torchvision==0.7.0cudatoolkit=10.2-cpytorch#CUDA10.2pip安装pipinstalltorch==1.6.0torchvision==0.7.0官网下载，较慢，可自己设置豆瓣源/清华源等下载三、准备数据集1、使用labelme软件标注

CVAT——计算机视觉标注工具一、CVAT简介CVAT是用于计算机视觉的强大、有效、免费、在线、交互式视频和图像注释工具Intel团队正在使用它来注释数百万个具有不同属性的对象许多UI和UX决策都是基于专业数据注释团队的反馈CVAT官方地址视觉开源工具排行榜CVAT架构图二、CVAT核心概念项目在CVAT，您可以创建一个包含相同类型任务的项目。与项目相关的所有任务都将继承标签列表更改项目的标题打开“操作”菜单。每个按钮负责操作菜单中的特定功能更改问题跟踪器或打开问题跟踪器（如果指定）更改标签。您可以在Raw模式或Constructor模式下添加新标签或为现有标签添加属性分配给——用于将项目分配给一个人。开始输入受让人的姓名和/或从下拉列表中选择合适的人

1.多模态数据：不同的存在形式或信息来源均可被称之为一种模态。由两种或两种以上模态组成的数据称之为多模态数据（多模态用来表示不同形态的数据形式，或者同种形态不同的格式，一般表示文本、图片、音频、视频、混合数据）。多模态数据是指对于同一个描述对象，通过不同领域或视角获取到的数据，并且把描述这些数据的每一个领域或视角叫做一个模态。2.多模态数据融合：主要是指利用计算机进行多模态数据的综合处理，负责融合各个模态的信息来执行目标预测。多模态数据融合负责将多个模态的信息进行有效的整合，汲取不同模态的优点，完成对信息的整合。3.多模态融合分类法：A.模型无关的融合方法：简单但实用性低，融合过程容易产生损失融合发生的时间是一个重要的考虑因素。针对不同的融合时期或融合水平，模型无关的融合方法共