先验

首页 > TAG信息列表 > 先验

【CVPR2022】用于域适应语义分割的域无关先验

摘要：本文给大家分享一篇我们在CVPR 2022 上发表的paper：Domain-Agnostic Prior for Transfer Semantic Segmentation。文章提出了一种图像域无关的先验，可以有效地提升域适应语义分割的精度。本文分享自华为云社区《EI盘古研究分享【CVPR2022】用于域适应语义分割的域无关先验》，作

YOLOv2原理与实现

前言 YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出

GPEN论文阅读

论文题目：GAN Prior Embedded Network for Blind Face Restoration in the Wild 翻译：用于野外盲人脸恢复的GAN先验嵌入式网络解决的问题：如何利用GAN作为图像先验设计，用于现实人脸图像复原提出的方法：GPEN. 步骤：首先训练一个用于高质量人脸图像生成的GAN，并将其作为先验解码

Ch1 估计方法

估计量：函数估计值：函数的值估计量的标准：无偏性有效性一致性矩法极大似然估计独立出现的概率相乘使连乘积最大牛顿-拉夫逊算法：score function收敛即可期望最大化算法：两次期望最大化的差值收敛即可存在的问题：local最大化（而非global最大化）贝叶斯估计边际概率 P(A) 联

机器学习中的样本不平衡问题如何解决？

近些年，随着智能化应用概念在各个行业的普及、智能应用项目的落地实践，作为智能应用的基础技术-机器学习，也得到了广泛的应用并取得了不错的效果。与此同时，在实际的项目应用中也经历了各种各样的难题，如数据分散难统一、输出结果滞后、数据不准确等，其中样本不平衡就是一个典型的

【PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors】(个人笔记，勿喷)

PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors PSD：由物理先验指导的有原则的合成到真实去雾图2. 拟议的PSD框架的概述。我们的模型由一个主干、一个物理兼容的头和一个大气光估计网络（A-net）组成。我们用合成图像对模型进行预训练，然后用合成和真实

三、统计决策与贝叶斯估计

1. 统计决策的基本概念　　20世纪40年代，Wald提出了把统计推断问题看成是人与自然的一种博弈过程，由此建立了统计决策理论。统计决策问题的三个要素　　在前几章讲的统计问题，都可以归结为一个统计决策问题，也就是建立所谓的统计决策函数，统计决策问题由三个因素组成：样本空间和分布

训练数据不足的影响及处理方式

　　一个模型所能提供的信息一般来源于2个方面，一是训练数据中蕴含的信息，二是在模型的形成过程中（包括构造，学习，推理等），人们提供的先验信息。当训练数据不足时，说明模型从原始数据中获取的信息比较少，这种情况下要保证模型的效果，就需要更多的先验信息。先验信息可以作用在模型上，例如让模

贝叶斯统计

https://zhuanlan.zhihu.com/p/38553838 1 概率论和统计学的区别简单来说，概率论和统计学解决的问题是互逆的。假设有一个具有不确定性的过程（process），然后这个过程可以随机的产生不同的结果（outcomes）。则概率论和统计学的区别可以描述为：在概率论（probability theory）中，我们已知该过

webRTC中语音降噪模块ANS细节详解(三)

上篇(webRTC中语音降噪模块ANS细节详解(二) )讲了ANS的处理流程和语音在时域和频域的相互转换。本篇开始讲语音降噪的核心部分，首先讲噪声的初始估计以及基于估计出来的噪声算先验信噪比和后验信噪比。 1，初始噪声估计 webRTC中ANS的初始噪声估计用的是分位数噪声估计法（QBNE，Quant

webRTC中语音降噪模块ANS细节详解(三)

拓端tecdat|PYTHON贝叶斯推断计算：用BETA先验分布推断概率和可视化案例

原文链接：http://tecdat.cn/?p=24084 原文出处：拓端数据部落公众号在这篇文章中，我将扩展从数据推断概率的示例，考虑 0 和 1之间的所有（连续）值，而不是考虑一组离散的候选概率。这意味着我们的先验（和后验）现在是一个 probability density function (pdf) 而不是 probability mas

yolov3 论文笔记

原始论文中废话太多，文章主要参考csdn以及知乎上等博主的优秀博文总结得到参考： https://blog.csdn.net/qq_37541097/article/details/81214953 https://zhuanlan.zhihu.com/p/76802514 https://zhuanlan.zhihu.com/p/337383661 backbone yolo v3的backbone 使用的是darknet53

【论文阅读】Prior Guided Feature Enrichment Network for Few-Shot Segmentation

Prior Guided Feature Enrichment Network for Few-Shot Segmentation AbstractIntroductionRelated WorkSemantic Segmentation（语义分割）Few-shot Learning（小样本学习）Few-shot Segmentation（小样本分割） Our MethodTask Description（任务描述）Prior for Few-Shot Segmentation

文献阅读_image caption_Knowledge-Based Systems2021_Reasoning like Humans: On Dynamic Attention Prior in

Reasoning like Humans: On Dynamic Attention Prior in Image Captioning 一言以蔽之：引入前一时序的注意力（ADP），引入整个句子作为输入（LLC），以基本相同的参数和算量，实现CIDER-D提升2.32% Abstract & Conclusion 1. most conventional deep attention models perform attention

【经典论文解读】YOLOv2 目标检测

前言 YOLO是一种目标检测方法，它的输入是整张图片，输出是n个物体的检测信息，可以识别出图中的物体的类别和位置。YOLOv2相对v1版本，更准确，速度更快，识别对象更多。 v2版本主要的改进是采用先验框Anchor Boxes、聚类提取先验框尺度、约束预测边框的位置；这点和v1版本差异较大，v1版本没有

目标检测算法——YOLOV2——better&faster

由于YOLO V2的贡献除了正常的模型精度召回和推理性能方面，还给出了一种高效低成本扩充检测类别的方式YOLO900，为保证简练和逻辑的清晰，分两篇介绍。 1、主要贡献相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行

基于暗通道先验方法的图像去雾-DCP_DEHAZE

提示：基于暗通道先验方法的图像去雾–何博士_DCP_DEHAZE 提示：何凯明博士的主页链接文章目录前言一、暗通道(Dark Channel)求取二、全局大气光值(A)估计三、粗投射率t的估计四、引导滤波(GIF)六、去雾(Dehaze)七、完整程序八、去雾效果总结前言何凯明博士的暗通道先

AI大视觉（四) | Yolo v3 如何提高对小目标的检测效率

本文来自公众号“AI大道理” 转自 | 青云原文 | https://blog.csdn.net/m0_45962052/article/details/105199178 YOLO v3 是目前工业界用的非常多的目标检测的算法。 YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 里面。不过效果还是不错的，在保持速度

Deblurring Text Images via L0-Regularized Intensity and Gradient Prior(通过L0正则先验进行文本去模糊)

Deblurring Text Images via L0-Regularized Intensity and Gradient Prior 观察下图，b e分别为清晰图像a和模糊图像d的像素强度直方图，c f分别为清晰图像a和模糊图像d的水平梯度直方图,基于他们之间差异，提出L0正则先验去噪。注：L0正则化的值是目标中非零项的个数。

t-GARCH 模型的贝叶斯推断理论

R语言实例链接：http://tecdat.cn/?p=17494 实际处理中，发现金融数据存在尖峰厚尾现象。所以我们选择扰动项服从 t 分布的 t-GARCH 模型来描述波动性过程。t-GARCH(1,1)模型的表达式如下：模型的参数向量记为      ( , , , ) v ,则模型参数的似然函数可写为：假定 2 0  是常数，此时

Laplace（拉普拉斯）先验与L1正则化，Gauss先验导出L2正则化

转载：https://www.cnblogs.com/heguanyou/p/7688344.html 目录最大似然估计Laplace分布Laplace先验导出L1正则化Gauss先验导出L2正则化 Laplace（拉普拉斯）先验与L1正则化在之前的一篇博客中L1正则化及其推导推导证明了L1正则化是如何使参数稀疏化人，并且提到过L1正则化如果从贝叶斯

目标检测算法1：FasterRCNN tensorflow-keras源码解读

FasterRCNN tensorflow-keras源码解读文章目录 FasterRCNN tensorflow-keras源码解读前言源码下载一、Faster-RCNN整体流程二、代码详解1.主干提取网络2.RPN网络结构3.ROI-Pooling层解读4.分类回归网络5.获得网络模型5.真实值的编码6.模型训练过程7.预测过程三、总结四、

Synthesizing the preferred inputs for neurons in neural networks via deep generator networks

该算法（1）生成质量上最先进的合成图像，看起来几乎是真实的；（2）以可解释的方式揭示每个神经元学习的特征；（3）对新的数据集有很好的概括性，对不同的网络结构也有一定的概括性，而不需要重新学习先验；（4）可以被视为一种高质量的生成方法（在这种情况下，通过生成新颖、创造性、有趣、可识别的图像）。