神经网络与深度学习学习笔记(4)-深度学习视觉应用

发布网友发布时间：2024-10-23 15:13

共1个回答

热心网友时间：2024-11-02 04:20

深度学习视觉应用中，数据集与评价指标起着关键作用。其中，评估算法通常关注TP（真正例）、FP（假正例）、FN（假负例）和TN（真负例）的区分。精确率(Precision)和召回率(Recall)是重要的度量，前者衡量分类正确性的比例，后者衡量找到所有正例的能力。通过P-R曲线，我们可以观察到精度与召回率之间的权衡。调整阈值可影响准确率和召回值，如在YOLO中，通过移动阈值，系统识别的图像数量和精度/召回值会有所变化。

目标检测如YOLO，它解决了物体检测的复杂性，从R-CNN系列发展而来，最终实现了一步式检测。语义分割如FCN，通过全卷积网络进行像素级别的分类。风格迁移利用CNN提取特征并调整图像风格，损失函数包括内容损失、样式损失和总变差损失。生成对抗网络（GAN）通过生成器和判别器的对抗学习产生*真的输出，其结构包括生成器和判别器的博弈。

在目标检测中，YOLO解决了滑动窗口的效率问题，通过一步法直接输出结果。而YOLO网络结构包含预训练和随机初始化的卷积层，输出包括多个包围框的预测。语义分割通过FCN全卷积部分提取特征，反卷积部分则恢复图像分辨率。例如，Deeplab v3利用ResNet101进行场景分割，提供完整的程序和模型文件。

声明：本网页内容为用户发布，旨在传播知识，不代表本网认同其观点，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
E-MAIL:11247931@qq.com