Icarus 相信大家都很熟悉，但是有时候我们希望在文章中用特别的样式注明一些内容，markdown 语法就不够用了，所以 Icarus 有哪些高级玩法呢？下面就让 iMaeGoo 带大家一起了解吧。（误

按钮

1
2
3
4
5
6

<div class="buttons">
  <button class="button is-info">Info</button>
  <button class="button is-success">Success</button>
  <button class="button is-warning">Warning</button>
  <button class="button is-danger">Danger</button>
</div>

【导读】：本综述将会以时间顺序总结一些基于 Deep Learning 的人体姿态估计 (Human Pose Estimation) 有代表意义的论文。这些文章最早从 Google 提出的 DeepPose 开始，代表了 Pose Estimation 领域的发展。

2D Human Pose Estimation

What is Human Pose Estimation?

• Human Pose Estimation 主要是在图像或视频中检测估计人体的一些关键点（例如，关节，五官等）的问题。它也可以被定义成在所有关节姿势的空间中搜索特定姿势的问题。

• 2D Pose Estimation - 从图像中估计2D姿态（关键点）坐标，即 2D pose (x,y) coordinates。
• 3D Pose Estimation - 估计出关键点的3D坐标，即Estimate a 3D pose (x,y,z) coordinates a RGB image.

• 3D mesh (shap) estimation - 从图像中估计object的shape，例如数据集DensePose。

【导读】本文对Dense卷积网络的发展进行了综述。这是2017年的CVPR最佳论文奖，并拥有2000多篇论文引用。它由康威尔大学、清华大学和facebook AI共同合作完成。

作者 | Sik-Ho Tsang (原文：Review: DenseNet — Dense Convolutional Network (Image Classification))
编译 | Xiaowen

摘要：作者提出一种双路径，11层深的3D卷积神经网络用于brain lesion segmentation任务，主要解决了医学图像处理上的三个方面的问题。一是作者设计了一种dense training scheme的方案，采用全卷积神经网络，一次把相邻像素的image segments传入网络输出dense prediction (dense-inference)，从而节省了计算代价。作者使用更深的网络使模型判别能力更强。作者使用一种dual pathway architecture，即同时训练两个网络，使模型同时对高/低分辨率图像进行处理。最后作者采用全连接条件随机场(Fully connected Conditional Random Field)对网络output进行后处理(post-processing)改善图像类之间的边缘信息。

1. Dense Training

在传统patch-wise的分类中，输入patch的尺寸和cnn最后一层神经元的感受野大小相同，这样网络得到一个single prediction对应输入patch的中心像素的值。而用全卷积实现的神经网络，因为其输入的patch的尺寸可以大于最后一层神经元的感受野，因此模型可以同时输出多个prediction，即dense-inference，而每一个prediction对应cnn’s receptive field的在输入patch上的每一步stride。

To take notes about the essential Keras elements to build basic neural networks. The explainations of each section haven’t finished yet.

1. Single Layer Neural Network (Linear Regression)

单层神经网络相当于（非）线性回归模型，第一个例子是构建一个最简单一元线性回归模型。

1. 创建数据
   单层神经网络模型需要数据进行训练，因此我们使用 numpy 创建一些人造数据，且我们的 $y$ 为 $y = ax+b$ 。

   1 2 3 4 5 6 7 8 9 10 11 12 13 14

   import numpy as np import tensorflow as tf from tensorflow.keras import layers import matplotlib.pyplot as plt plt.style.use('seaborn') # create data X = np.linspace(-1, 1, 200) np.random.shuffle(X) #randomize the data Y = 2*X + 10 + np.random.normal(0, 0.05, (200,)) # plot data plt.scatter(X, Y) plt.show()

统计学习方法笔记总结。haven’t finished yet

1. k近邻法（k-Nearest Neighbors）

• 分类：在数据中找到与某个点（目标）最近的k个点，把该点（目标）的类分为k个点中多数的类。

• 回归：在数据中找到与某个点（目标）最近的k个点，k个点的均值为目标点的预测值。

• 优点：

  • $k$ 近邻法是个非参数学习算法，它没有任何参数（ $k$ 是超参数，而不是需要学习的参数）。
  • 近邻模型具有非常高的容量，这使得它在训练样本数量较大时能获得较高的精度。

• 缺点：

  1. 计算成本很高。因为需要构建一个 $N \times N$ 的距离矩阵，其计算量为 $O(N^2)$，其中 $N$ 为训练样本的数量。
  2. 当数据集是几十亿个样本时，计算量是不可接受的。
  3. 在训练集较小时，泛化能力很差，非常容易陷入过拟合。
  4. 无法判断特征的重要性。

1.1 k近邻模型

• 模型由三个基本要素——距离度量、k值的选择和分类决策规则决定。