深度学习
-
深度学习的数据增强(亮度，对比度，旋转)
原博客搬移到：https://blog.csdn.net/u013171226/article/details/107680285 import os,cv2,shutil import numpy as np import random #对比度和亮度 def Contrast_and_Brightness(alpha, beta, img)…
-
深度学习各种优化函数详解
深度学习中有众多有效的优化函数，比如应用最广泛的SGD，Adam等等，而它们有什么区别，各有什么特征呢？下面就来详细解读一下 BGD 批量梯度下降 所谓的梯度下降方法是无约束条件中最常用的方法。假设f(x)是具有一阶连续偏导的函数，现在的目标是要求取最小的f(x) : min f(x) 核心思想：负梯度方向是使函数值下降最快的方向，在迭代的每一步根据负梯度的…
-
深度学习在图像语义分割中的应用
本文主要分为三个部分： 图像的语义分割问题是什么 分割方法的概述 对语义分割方面有代表性的论文的总结 什么是图像的语义分割？ 在计算机视觉领域，分割、检测、识别、跟踪这几个问题是紧密相连的。不同于传统的基于灰度、颜色、纹理和形状等特征的图像分割问题，图像语义分割是从像素级理解图像，需要确定图像中每个像素的对应的目标类别。如下图：除了识别出摩托车和骑摩托车的人…
-
关于深度学习的优化方法
关于深度学习的优化方法(On Optimization Methods for Deep Learning) 摘要 在训练深度学习时我们的主要方法是随机梯度下降法(stochastic gradient descent methods , SGDs)。尽管它易于实现，但SGDs调整困难，并且很难并行化。这些问题使得开发、调试和扩展深度学习SGDs算法具有一定…
-
IJCAI_论文_NLP+CNN_深度学习_Deep Learning for Event-Driven Stock Prediction
Deep Learning for Event-Driven Stock Prediction Reading time:2019/3/30-2019/4/12 Theme:Deep learning; CNN; NLP Abstract: We propose a deep learning method for eventdriven stoc…
-
在深度学习中处理不均衡数据集
在深度学习中处理不均衡数据集 作者：George Seif 编译：ronghuaiyang，参考AI公园 1.过采样和欠采样 下面的图给出了一个大概的说明： 在图像的两边，蓝色的类别比橘黄色的类别的样本多得多。这种情况下，我们在预处理时，有两种选择。欠采样 意思是从多数的类别中只采样其中的一部分的样本，选择和少数类别同样多的样本。这种采样保持了该类别原来…
-
深度学习样本不均衡问题解决
在深度学习中，样本不均衡是指不同类别的数据量差别较大，利用不均衡样本训练出来的模型泛化能力差并且容易发生过拟合。 对不平衡样本的处理手段主要分为两大类：数据层面 (简单粗暴)、算法层面 (复杂) 。 数据层面 采样（Sample） 数据重采样：上采样或者下采样 上采样 下采样 使用情况 数据不足时 数据充足 (支撑得起你的浪费) 数据集变化 …
-
深度学习中数据集分布不平衡问题的解决方法
https://blog.csdn.net/heiheiya https://blog.csdn.net/heiheiya/article/details/86162747 一、标签分类不平衡 在学术中，使用的大部分数据集都是平衡的。也就是在supervised learning中，每一类别通常有数目相同的样本。而在我们采集自己的数据集训练时，获得的样…
-
【技术综述】 一文道尽深度学习中的数据增强方法（上）
今天带来一次有关于深度学习中的数据增强方法的分享。 00什么是数据增强 在深度学习项目中，寻找数据花费了相当多的时间。但在很多实际的项目中，我们难以找到充足的数据来完成任务。 为了要保证完美地完成项目，有两件事情需要做好： 1、寻找更多的数据； 2、数据增强。 本篇主要描述数据增强。 什么是数据增强呢？data augmentation，它的意思是让有限…
-
【技术综述】一文道尽深度学习中的数据增强方法（下）
深度学习中的数据增强方法的下篇。我们将从以下几个方向入手。1，介绍一下什么是无监督的数据增强方法。2，简单介绍一下GAN生成数据的应用。3，介绍一下AutoAugment为代表的网络自动学习数据增强策略的方法。4，总结。 00 什么是无监督数据增强方法 我们先看看什么是有监督的数据增强方法。它指的是生成的图片，是在已有的图片上直接做简单的几何变换，像素变…
