マインドマップギャラリー コンピュータービジョンとディープラーニング
コンピューター ビジョンとディープ ラーニングの予備的な概要。線形分類器は、入力画像の特徴をカテゴリ スコアにマッピングする線形マッピングです。一般的な理解ができたと思います。
これはバクテリアに関するマインドマップであり、その主な内容には、概要、形態、種類、構造、生殖、分布、アプリケーション、および拡張が含まれます。概要は包括的で綿密で、レビュー資料として適しています。
これは、植物の無性生殖に関するマインドマップであり、その主な内容には、概念、胞子の生殖、栄養生殖、組織培養、芽が含まれます。概要は包括的で綿密で、レビュー資料として適しています。
これは、動物の生殖発達に関するマインドマップであり、その主な内容には、昆虫、カエル、鳥、性的生殖、無性生殖が含まれます。概要は包括的で綿密で、レビュー資料として適しています。
良いレビュー記事の書き方
ディープラーニングの理論的知識
コンピュータビジョンデジタル画像処理
人工知能技術開発
画像分割アルゴリズム
機械学習の基本的な回帰アルゴリズム
ニューラルネットワークの動作過程を詳しく解説
畳み込みニューラル ネットワーク (CNN)
完全に接続されたニューラルネットワーク
畳み込みニューラル ネットワーク
コンピュータービジョンとディープラーニング
画像分類タスク
分類子
最近傍分類器
ベイズ分類器
線形分類器
サポートベクターマシン分類器
ニューラルネットワーク分類器
ランダムフォレスト
アダブースト
損失関数
0-1 負け
マルチクラスサポートベクターマシンの損失
クロスエントロピー損失
L1ロス
L2ロス
最適化
一次法
勾配降下法
確率的勾配降下法
ミニバッチ確率的勾配降下法
二次法
ニュートン法
BFGS
L-BFGS
トレーニングプロセス
データセットのパーティショニング
データの前処理
データ増強
過小適合と過適合
計算の複雑さを軽減する
重み正則化項を使用する
ドロップット正則化を使用する
ハイパーパラメータ調整
モデルの統合
意味
入力画像の特徴をカテゴリスコアにマッピングする線形マッピングです。
重みベクトル
トレーニングされた平均は、視覚化後のカテゴリに似ています
テンプレートとして考えると、入力画像とテンプレートの重みが大きいほど、類似度が高くなります。
決定境界
スコアが 0 の線が決定面です
モデルのパフォーマンスとモデル パラメーターの間の架け橋となり、モデル パラメーターの最適化を導きます
は、指定された分類子の予測値と真の値の間の不一致の程度を測定する関数であり、その出力は通常、非負の実数値です。
非負の実数値出力をフィードバック信号として使用して、分類器パラメーターを調整して、現在のインスタンスに対応する損失値を削減し、分類効果を向上させることができます。
定期
モデルがトレーニング セットに過剰適合しないようにするには
定期項のサイズを制御するハイパーパラメータ
主な目的は、分散重みを奨励し、いくつかの次元の機能に大きく依存するのではなく、すべての次元の機能を使用することです。
パラメータの最適化
数値勾配
勾配解析の正確性チェック
分析勾配
ニュートン・ライプニッツの公式
頻繁に使用される
ミニバッチ確率的勾配降下法アルゴリズム
反復
反復ごとにネットワーク構造パラメータを更新する
バッチサイズ
1回の反復で使用されるサンプルサイズ
ラウンド数エポック
トレーニング セット内のすべてのサンプルが合格したことを示します
クラシック部門
トレーニングセット
指定されたハイパーパラメータの分類子パラメータの学習
検証セット
ハイパーパラメータの選択用
テストセット
汎化能力を評価する
k分割交差検証
平均値を削除する
データ範囲の影響を受けないことを保証
正規化された
寸法の影響を受けないことを保証
相関関係を解除する
これにより、データから相関が除去され、次元がある程度削減されます。
相関 - データの共分散行列は対角行列です
アルビノ
無相関正規化