领域自适应（Domain Adaptation）之领域不变特征适配（二）
在前面一节领域自适应（Domain Adaptation）之领域不变特征适配（一）中，我们利用MMD公式来对齐两个边缘分布\(P(Z)\)和\(Q(Z)\)，学习领域不变特征。本章节通过另一种方法来学习领域不变特征————对抗训练。 一个例子 假设现在有两堆数据，一堆是真实的样本 ...
原文：自适应特征融合（Adaptively Spatial Feature Fusion: ASFF）
来自这篇论文： lt LearningSpatial Fusionfor Single ShotObject Detection gt 论文地址:https: arxiv.org pdf . v .pdf 代码地址:https: github.com ruinmessi ASFF 捕捉到题目中重点: Learning spatial fusion 即论文主要是提出一种新的自适应融合策略,实现特征 ...
2021-04-19 10:43 0 905 推荐指数：
相关推荐
领域自适应（Domain Adaptation）之领域不变特征适配（一）
无监督领域自适应（Unsupervised domain adaptation, UDA） 任务描述 现有两个数据集， \[\mathcal{D}_s=\{(x^s_i,y^s_i)\}_{i=1}^{m} \] \[\mathcal{D}_t=\{x^t_j\}_{j ...
特征缩放（Feature Scaling）
特征缩放的几种方法： （1）最大最小值归一化（min-max normalization）：将数值范围缩放到 [0, 1] 区间里 （2）均值归一化（mean normalization）：将数值范围缩放到 [-1, 1] 区间里，且数据的均值变为 ...
数据融合（data fusion）原理与方法
数据融合（data fusion）原理与方法 数据融合（data fusion）最早被应用于军事领域。 现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种 ...
特征哈希（Feature Hashing）
[本文链接：http://www.cnblogs.com/breezedeus/p/4114686.html，转载请注明出处] 我的博客主营地迁至github，欢迎朋友们有空去看看： ...
特征工程(Feature Engineering)
一、什么是特征工程? "Feature engineering is the process of transforming raw data into features that better represent the underlying problem to the predictive ...
特征工程(Feature Engineering)
一、特征工程的重要性 有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已，在楼主本人亲自做的机器学习项目中也发现，不同的机器学习算法对结果的准确率影响有限，好的特征工程以及数据集才影响到了模型本质的结果。那特征工程到底是什么呢？顾名思义，其本质是一项工程 ...
特征聚类 feature clustering
以使用聚类算法将具有较大依赖关系（ 冗余度高） 的特征聚集到一起。 特征聚类 ，其基本思想是根据特征与特征之间相关性及特征与特征簇之间的相关性将特征集划分成多个簇群。 ...