本人學術小渣，最開始研究的是目標檢測的指標，里面用到了ground Truth，使用預測的邊界框與ground Truth邊界框的交並比（即IoU）來量化預測結果的准確度。我曾經一度以為正樣本就是ground Truth邊界框，負樣本就是在背景中隨機采樣到的邊界框。直到最近回顧目標檢測算法，才慢慢 ...

論文下載：https://arxiv.org/pdf/1512.02325.pdf 論文代碼：https://github.com/weiliu89/caffe/tree/ ...

正樣本是指屬於某目標類別的樣本，負樣本是指不屬於目標類別的樣本。 以分類問題為例，正樣本即為我們想要分類出來的樣本類型。比如在汽車分類場景下，我們需要確定一張照片是否為汽車，則在訓練過程中，汽車圖片就為正樣本，非汽車圖片為負樣本，訓練模型后得到一個分類模型。測試 ...

對於機器學習中的正負樣本問題，之前思考過一次，但是后來又有些迷惑，又看了些網上的總結，記錄在這里。 我們經常涉及到的任務有檢測以及分類。 針對與分類問題，正樣本則是我們想要正確分類出的類別所對應的樣本，例如，我們要對一張圖片進行分類，以確定其是否屬於汽車，那么在訓練的時候，汽車的圖片則為正樣本 ...

在機器學習中經常會遇到正負樣本的問題，花了一點時間查找資料，基本上弄明白了一點到底是怎么回事，記錄在這里以便以后查看，也希望能夠幫助到有疑惑的人，當然也希望理解的比較透徹的人看到之后對於理解的不對的地方能夠予以指點。 首先我將這個問題分為分類問題與檢測問題兩個方面進行理解。在分類問題中，這個問題 ...

標檢測任務是計算機視覺的基礎任務之一，主要任務是對圖像中的目標進行分類和定位。但是現有的目標檢測任務基於大量的標注的圖像進行訓練，限制了某些場景下的應用和推廣。 通過應用較少的標注數據的半監督方法或者利用不完全匹配的標注數據的弱監督方法，利用極少的標注數據學習具有一定泛化能力的模型顯得較為重 ...

工業界機器學習典型問題: 正負樣本分布極不均勻(通常<1:10000），有什么較好的方案構造訓練集的正負樣本分布？構造后如何解決訓練數據與預測的分布不一致？ 上采樣、下采樣、代價敏感，沒什么好辦法。 這個之前調研過，主要分重采樣和欠采樣！這種不平衡是因為比率的不平衡 ...

最好的trick就是保證數據精准前提下，如無必要，不要采樣。既然數據是模型的上限，就不應該破壞這個上限。 聊聊什么是精准。 很多號稱數據清洗的工作，都是工程體系太弱的后果，其實不是算法的問題。比如，沒有曝光日志，用了服務端日志，偽曝光做了負樣本；沒有准確的曝光日志 ...