Sun7_She的专栏

命题逻辑的归结法

1 learning a deep convnet for multi-label classification with partial labels 深度学习在单标签分类任务中表现很好，但是日常生活中的图像本质上是多标签的。多标签分类比单标签分类更困难，因为输入图像和输出标签空间都更复杂。与单标签相比，大规模收集干净的多标签注释更难。为了降低标注成本，我们建议训练带有部分标签的模型，即每个图...

RESNET 跳跃连接 RESNEXT 拆分-转换-合并 增加基数（独立路径的数量）来提高准确度比网络加深或扩大来提高准确度更有效。（为什么呢？） DENSENET 相加改为相并联 加强shortcut，将所有层直接连接在一起 DPN 将残差通道和densely connected path相融合，实现优缺互补 ------------------------...

算法分为4个步骤： 1. 生成1k～2k个候选区域 使用selective search方法，从一张图像生成约2000～3000个候选区域： （1）使用一种过分割手段，将图像分割成小区域 （2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置 ...

one stage SSD: SSD是Faster-RCNN和YOLO中做了一次的分类和检测过程放在不同的图像大小上做了多次 RETINANET: RESNET+FPN+FOCAL LOSS

其相对于FASTER RCNN改进如下： 1. 分割，检测，分类同时进行 2. 引入ROI ALIGN（对分类影响不大，对分割影响大，因为ROI POOLING对应回图像中的像素会有偏差，该方法会相对准确）代替faster rcnn中的ROI POOLING ROI ALIGN:https://www.cnblogs.com/wangyong/p/8523814.html 对于检测图片中...

在讲fast-rcnn之前，我们先来看一下spp net吧？～ spp net对r-cnn的改进主要有两点： 1. 只对原图提取一次特征。输入是图片，在feature层对应位置找到候选框的位置。 2. 结合空间金字塔方法实现cnns的对不同尺度的输入。实现数据的多尺度输入。分别划分不同的小块对feature进行pooling。 对比r-cnn提速100倍左右...

transfer learning: 包含所有的source  or target, labeled or unlabeled, finetune, multi-task learning的情况。总而言之一句话，训练的过程中用（单个数据集做supervised learning）之外的所有情况都算在transfer learning中。 supervised learning: 训练数据都有标签...

1．构成产生式系统的基本元素有(综合数据库) (产生式规则) (控制系统),控制策略按执行规则的方式分类,分为(搜索策略) (冲突消解策略) (正向反向双向推理)三类。 2．归结过程中控制策略的作用是给出控制策略，以使仅对选择合适的子句间方可做归结，避免（多余的、不必要的归结式出现）。常见的控制策略有（推理方向）（求解策略）（限制策略）（冲突消解策略）。 3．公式G和公式S的子句集并不等值，但

引言： 什么是搜索： 根据问题的实际情况不断寻找可利用的知识，构造出一条代价较少的推理路线，使问题得到圆满的解决的过程称为搜索。 包括两个方面： ——找到从初始事实到问题最终答案的一条推理路径 ——找到的这条路径在时间和空间上复杂度最小   搜索分两大类： 盲目搜索：也称无信息搜索，即只按预定的控制策略进行搜索，在搜索过程中获得的中间信息不用来改进控制策略。 启发式搜索：在搜索中

人工智能   人工智能的网站：    加拿大人工智能中心：www.ai.sri.com/aic    乔治大学人工智能中心  www.ai.uga.edu    华声盛顿大学人工智能所  www.cs.washington.edu/research/projects/ai/www    芝加哥大学人工智能实验室  www.cs.uchicago.edu/html/group/ai  

产生式系统 基本组成：综合数据库（存放知识）、产生式规则（知识）、控制系统（规则的解释或执行程序，即控制策略） 计算机语言使用的BNF范式就是利用产生式规则形式定义的。 产生式最适合表示各种启发式知识，用以说明事物间的经验关联。   产生式系统的特点： 数据驱动：从已知的事实出发 模块化：知识的无序性 控制系统与问题无关 类似人类的认识过程：规则似乎是模拟人类如何解决问题的一个自

与或图的搜索

知识的种类： 事实性知识，过程性知识，

1. driving stereo: a large-scale dataset for stereo matching in autonomous driving scenarios 这位朋友的工作主要是在制作深度数据集，制作数据集的过程写了这篇paper。主要是深度标签不好获得，直接用雷达获取的还不够准确，他又结合了其他信息来制作更准确的label～（第一次知道，制作label的方法也可以写...