分类 知识点与小技巧 下的文章

以这个图为例:

样式复现
导言区先添加:

\usepackage{tabu}                     % 表格插入
\usepackage{multirow}                 % 一般用以设计表格,将所行合并
\usepackage{multicol}                 % 合并多列
\usepackage{multirow}                % 合并多行
\usepackage{float}                    % 图片浮动
\usepackage{makecell}                 % 三线表-竖线
\usepackage{booktabs}                 % 三线表-短细横线

表格代码:

\begin{table*}
    \centering
    \label{tbl:table1}
    \caption{table example}
    \begin{tabular}{c|ccccccc}
        \Xhline{2pt}
        Train & ND & YOS & LIB & YOS & LIB & ND & \multirow{2}{*}{Mean} \\
        \cmidrule(r){0-1}\cmidrule(lr){2-3}\cmidrule(lr){4-5}\cmidrule(lr){6-7}
        Test & \multicolumn{2}{c}{LIB} & \multicolumn{2}{c}{ND} & \multicolumn{2}{c}{YOS} &\\
        \Xcline{1-1}{0.4pt}
        \Xhline{1pt}
        
        SIFT [23] & \multicolumn{2}{c}{29.84} & \multicolumn{2}{c}{22.53} & \multicolumn{2}{c}{27.29} & 26.55\\
        TFeat [3] & 7.39 & 10.13 & 3.06 & 3.80 & 8.06 & 7.24 & 6.64 \\
        L2-Net [46] & 2.36 & 4.70 & 0.72 & 1.29 & 2.57 & 1.71 & 2.23 \\
        HardNet [26] & 1.49 & 2.51 & 0.53 & 0.78 & 1.96 & 1.84 & 1.51 \\
        DOAP [15] & 1.54 & 2.62 & 0.43 & 0.87 & 2.00 & 1.21 & 1.45 \\
        SOSNet [47] & 1.08 & 2.12 & 0.35 & 0.67 & 1.03 & \textbf{0.95} & 1.03 \\
        \textbf{HyNet} & \textbf{0.89} & \textbf{1.37} & \textbf{0.34} & \textbf{0.61} & \textbf{0.88} & 0.96 & \textbf{0.84} \\

        \Xhline{2pt}
    \end{tabular} 
\end{table*}

效果:


经验分享:网络上所有非定稿系统/软件仅供前期修改;

定稿前可多试试其他系统如(PaperYY、PaperPass、PaperPass等);

终稿可以用于学校系统一致的:万方、知网、维普。

网站

  • 万方免费查重(应届生免费一次):chsi.wanfangtech.net
  • PaperDay(标准版永久免费,旗舰版每日限免):www.paperday.cn
  • 论文狗(每日免费一次):www.lunwengo.net
  • PaperYY(每日免费一次,11点多免费两次):www.paperyy.com
  • FreeCheck(每日免费一次):www.freecheck.cn
  • WritePass(每日1000个免费名额):www.writepass.cn
  • 超星大雅(免费看相似度):dsa.dayainfo.com
  • 百度学术(免费使用PaperTime一次):xueshu.baidu.com/usercenter/papercheck
  • 火龙果写作:www.mypitaya.com
  • checkPass:他人提供卡密(查完记得删除!
    https://chachong.xiaoyuanling.com
    卡密1 Y2113640548941820
    卡密2 Y2146117095567469


软件

(酌情使用,不知是否有后门,用是好用)
http://xfxuezhang.cn/web/share/%e8%bd%af%e4%bb%b6-%e7%94%b5%e8%84%91/%e6%9f%a5%e9%87%8d%e8%bd%af%e4%bb%b6.zip


涉及知识点:集成学习算法 (Ensemble Learning)

传统机器学习算法 (例如:决策树,人工神经网络,支持向量机,朴素贝叶斯等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开。集成学习 (Ensemble Learning) 算法的基本思想就是将多个分类器组合,从而实现一个预测效果更好的集成分类器。

Thomas G. Dietterich指出了集成算法在统计,计算表示上的有效原因:

  • 统计上的原因
    一个学习算法可以理解为在一个假设空间H中寻找到一个最好的假设。但是,当训练样本的数据量小到不够用来精确的学习到目标假设时,学习算法可以找到很多满足训练样本的分类器。所以,学习算法选择任何一个分类器都会面临一定错误分类的风险,因此将多个假设集成起来可以降低选择错误分类器的风险
  • 计算上的原因
    很多学习算法在进行最优化搜索时很有可能陷入局部最优的错误中,因此对于学习算法而言很难得到一个全局最优的假设。事实上人工神经网络和决策树已经被证实为是一个NP 问题[3/4] 。集成算法可以从多个起始点进行局部搜索,从而分散陷入局部最优的风险。
  • 表示上的原因
    在多数应用场景中,假设空间H中的任意一个假设都无法表示(或近似表示)真正的分类函数f。因此,对于不同的假设条件,通过加权的形式可以扩大假设空间,从而学习算法可以在一个无法表示或近似表示真正分类函数f的假设空间中找到一个逼近函数f的近似值

集成算法大致可以分为:BaggingBoostingStacking等类型。

原文链接:

https://leovan.me/cn/2018/12/ensemble-learning/

推荐阅读:

相似性和距离度量Similarity & Distance Measurement


51995-f5u88trm0ql.png

以35mm胶片相机为例,胶片的图像格式是36mm24mm高。
如果镜头焦距为24mm,则:

  • 水平视角 = 2 artan(胶片宽/2/镜头焦距) = 2 artan(36/2/24) = 73.74
  • 垂直视角 = 2 artan(胶片高/2/镜头焦距) = 2 artan(24/2/24) = 83.97
  • 对角视角 = 2 artan(胶片对角/2/镜头焦距) = 2 artan(43/2/24) = 83
如果镜头焦距扩大3倍到72mm,水平视角将减少为28°,这将产生一个更高的放大倍数并被看作是一个长焦镜头。在同样的航高下,相机镜头光轴垂直于地面,广角镜头比长焦镜头所能拍到的范围要大,但是分辨率要小(由于同样面积的CMOS要记录更大的面积,所以单位面积的地物均摊到的像元数量就少了);变焦系数,如果为定焦镜头,系数为1,默认为定焦镜头;

CNN上加Attention可以加在这几方面:
a. 在卷积操作前做attention,比如Attention-Based BCNN-1,这个任务是文本蕴含任务需要处理两段文本,同时对两段输入的序列向量进行attention,计算出特征向量,再拼接到原始向量中,作为卷积层的输入。
b. 在卷积操作后做attention,比如Attention-Based BCNN-2,对两段文本的卷积层的输出做attention,作为pooling层的输入。
c. 在pooling层做attention,代替max pooling。比如Attention pooling,首先我们用LSTM学到一个比较好的句向量,作为query,然后用CNN先学习到一个特征矩阵作为key,再用query对key产生权重,进行attention,得到最后的句向量。