A. 数据增广 B. 提前停止训练 C. 添加Dropout 答案：ABCA. SGD（stochatic gradient descent） B. BGD（batch gradient descent） C. Adadetla D. Momentum 答案：C 【解析】1）SGD受到学习率α影响 2）BGD受到batch规模m影响 3）Adagrad的一大优势时可以避免手动调节学习率，比如设置初始的缺省学习率为0.01，然后就不管它，另其在学习的过程中自己变化。 为了避免削弱单调猛烈下降的减少学习率，Adadelta产生了1。Adadelta限制把历史梯度累积窗口限制到固定的尺寸w，而不是累加所有的梯度平方和 4）Momentum：也受到学习率α的影响 A.惩罚了模型的复杂度，避免模型过度学习训练集，提高泛化能力 B.剃刀原理：如果两个理论都能解释一件事情，那么较为简单的理论往往是正确的 C.正则项降低了每一次系数w更新的步伐，使参数更小，模型更简单 D.贝叶斯学派的观点，认为加入了先验分布（l1拉普拉斯分布，l2高斯分布），减少参数的选择空间 答案：ABCD 【解析】A/C选项没有问题，只不过C中的"步伐"理解起来并不清晰。B/D选项是有点追本溯源的意思，剃刀原理其实是奥卡姆剃刀原理：更小的权值w，从某种意义上说，表示网络的复杂度更低，对数据的拟合刚刚好；从贝叶斯角度理解，为参数ω引入拉普拉斯先验分布的最大似然，相当于给均方误差函数加上L1正则项；为参数ω引入高斯先验分布的最大似然，相当于给均方误差函数加上L2正则项。 a.计算预测值和真实值之间的误差 b.重复迭代，直至得到网络权重的最佳值 c.把输入传入网络，得到输出值 d.用随机值初始化权重和偏差 e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差 答案：dcaeb A.惩罚了模型的复杂度，避免模型过度学习训练集，提高泛化能力 B.剃刀原理：如果两个理论都能解释一件事情，那么较为简单的理论往往是正确的 C.正则项降低了每一次系数w更新的步伐，使参数更小，模型更简单 D.贝叶斯学派的观点，认为加入了先验分布（l1拉普拉斯分布，l2高斯分布），减少参数的选择空间 答案：ABCD 【解析】A/C选项没有问题，只不过C中的"步伐"理解起来并不清晰。B/D选项是有点追本溯源的意思，剃刀原理其实是奥卡姆剃刀原理：更小的权值w，从某种意义上说，表示网络的复杂度更低，对数据的拟合刚刚好；从贝叶斯角度理解，为参数ω引入拉普拉斯先验分布的最大似然，相当于给均方误差函数加上L1正则项；为参数ω引入高斯先验分布的最大似然，相当于给均方误差函数加上L2正则项。 参考： [正则化为什么能防止过拟合（重点地方标红了）](https://www.cnblogs.com/alexanderkun/p/6922428.html) [【机器学习】从贝叶斯角度理解正则化缓解过拟合](https://blog.csdn.net/u014433413/article/details/78408983) A. 220x220x5 B. 218x218x5 C. 217x217x8 D. 217x217x3 答案：B 【解析】卷积计算公式：Hout=（Himg+2Padding−Kfilterh）/S + 1；Wout=（Wimg+2Padding−Kfilterw）/S + 1。其中Padding是边界填空值，Kfilterw表示卷积核的宽度，S表示步长。 A.少于2秒 B.大于2秒 C.仍是2秒 D.说不准 答案：C 【解析】在架构中添加Dropout这一改动仅会影响训练过程，而并不影响测试过程。 A.准确率适合于衡量不平衡类别问题 B.精确率和召回率适合于衡量不平衡类别问题 C.精确率和召回率不适合于衡量不平衡类别问题 D.上述选项都不对 答案：B A. Boosting B. Bagging C. Stacking D. Mapping 答案：B 【解析】dropout的思想继承自bagging方法。 bagging是一种集成方法（ensemble methods）,可以通过集成来减小泛化误差（generalization error）。bagging的最基本的思想是通过分别训练几个不同分类器，最后对测试的样本，每个分类器对其进行投票。在机器学习上这种策略叫model averaging。 我们可以把dropout类比成将许多大的神经网络进行集成的一种bagging方法。 1. 随机初始化感知机权重 2. 去到数据集的下一批（batch） 3. 如果预测值和输出不一致，则调整权重 4. 对一个输入样本，计算输出值 A. 1,2,3,4 B. 4,3,2,1 C. 3,1,2,4 D. 1,4,3,2 答案：D 11.【单选题】下列哪项关于模型能力（model capacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力） A.隐藏层层数增加，模型能力增加 B. Dropout的比例增加，模型能力增加 C.学习率增加，模型能力增加 D.都不正确 答案：A A. Logistic回归可用于预测事件发生概率的大小 B. Logistic回归的目标函数是最小化后验概率 C. SVM的目标的结构风险最小化 D. SVM可以加入正则化项，有效避免模型过拟合 答案：B 【解析】Logistic回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。Logistic仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A正确 Logit回归的输出就是样本属于正类别的几率，可以计算出概率；C正确. SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化. D正确. SVM可以通过正则化系数控制模型的复杂度，避免过拟合。 A增加训练集量 B减少神经网络隐藏层节点数 C删除稀疏的特征 D SVM算法中使用高斯核/RBF核代替线性核 答案：D 【解析】一般情况下，越复杂的系统，过拟合的可能性就越高，一般模型相对简单的话泛化能力会更好一点。 B.一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向， svm高斯核函数比线性核函数模型更复杂，容易过拟合 D.径向基(RBF)核函数/高斯核函数的说明,这个核函数可以将原始空间映射到无穷维空间。对于参数 ，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数 ，高斯核实际上具有相当高的灵活性，也是 使用最广泛的核函数 之一。 A.感知准则函数 B.贝叶斯分类 C.支持向量机 D.Fisher准则 答案：ACD 【解析】 线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。 感知准则函数 ：准则函数以使错分类样本到分界面距离之和最小为原则。其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。 支持向量机 ：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。（使用核函数可解决非线性问题） Fisher准则 ：更广泛的称呼是线性判别分析（LDA），将所有样本投影到一条远点出发的直线，使得同类样本距离尽可能小，不同类样本距离尽可能大，具体为最大化“广义瑞利商”。 根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。这种度量通过类内离散矩阵 Sw和类间离散矩阵 Sb实现。 A.卷积神经网络 B.循环神经网络 C.全连接神经网络 D.选项A和B 答案：D A.L2正则项，作用是最大化分类间隔，使得分类器拥有更强的泛化能力 B.Hinge损失函数，作用是最小化经验分类错误 C.分类间隔为1/||w||，||w||代表向量的模 D.当参数C越小时，分类间隔越大，分类错误越多 答案：C A正确。考虑加入正则化项的原因：想象一个完美的数据集，y>1是正类，y<-1是负类，决策面y=0，加入一个y=-30的正类噪声样本，那么决策面将会变“歪”很多，分类间隔变小，泛化能力减小。加入正则项之后，对噪声样本的容错能力增强，前面提到的例子里面，决策面就会没那么“歪”了，使得分类间隔变大，提高了泛化能力。 B正确。 C错误。间隔应该是2/||w||才对，后半句应该没错，向量的模通常指的就是其二范数。 D正确。考虑软间隔的时候，C对优化问题的影响就在于把a的范围从[0，+inf]限制到了[0,C]。C越小，那么a就会越小，目标函数拉格朗日函数导数为0可以求出w=求和ai∗yi∗xi，a变小使得w变小，因此间隔2/||w||变大。 A.Dropout B.分批归一化(Batch Normalization) C.正则化(regularization) D.上述选项都可以 答案：D A.95 B.96 C.97 D.98 答案：C A.(AB)C B.AC(B) C.A(BC) D.上述所有选项效率相同 答案：A 【解析】首先，根据简单的矩阵知识，因为 A*B， A的列数必须和 B的行数相等。因此，可以排除 B选项， 然后，再看 A、 C选项。在 A选项中，m∗n的矩阵 A和n∗p的矩阵 B的乘积，得到 m∗p的矩阵 A\*B，而 A∗B的每个元素需要 n次乘法和 n-1次加法，忽略加法，共需要 m∗n∗p次乘法运算。同样情况分析 A*B之后再乘以 C时的情况，共需要 m∗p∗q次乘法运算。因此， A选项 (AB)C需要的乘法次数是 m∗n∗p+m∗p∗q。同理分析， C选项 A (BC)需要的乘法次数是 n∗p∗q+m∗n∗q。 A.把除了最后一层外所有的层都冻结，重新训练最后一层 B.对新数据重新训练整个模型 C.只对最后几层进行调参(fine tune) D.对每一层模型进行评估，选择其中的少数来用 答案：C 【解析】如果有个预先训练好的神经网络,就相当于网络各参数有个很靠谱的先验代替随机初始化.若新的少量数据来自于先前训练数据(或者先前训练数据量很好地描述了数据分布,而新数据采样自完全相同的分布),则冻结前面所有层而重新训练最后一层即可;但一般情况下,新数据分布跟先前训练集分布有所偏差,所以先验网络不足以完全拟合新数据时,可以冻结大部分前层网络,只对最后几层进行训练调参(这也称之为fine tune)。 增加神经网络层数,可能会增加测试数据集的分类错误率 减少神经网络层数,总是能减小测试数据集的分类错误率 增加神经网络层数,总是能减小训练数据集的分类错误率 A. 1 B. 1和 3 C. 1和 2 D. 2 答案：A 【解析】深度神经网络的成功,已经证明增加神经网络层数,可以增加模型范化能力,也就是，训练数据集和测试数据集都表现得更好。但这篇文献中（）,作者提到更多的层,也不一定能保证有更好的表现.所以不能绝对地说层数多的好坏,只能选A A.分类过程中类别不平衡 B.实例分割过程中，相同类别图像距离过小 C.提取语义信息时，高层语义过少的时候 D.物体定位时，目标面积过小 答案：A 【解析】Focal Loss最初是在[RetinaNet](https://arxiv.org/abs/1708.02002)论文中提出，旨在解决one-stage目标检测中正负样本不均衡的问题，也可扩展到样本的类别不均衡问题上。该损失函数降低了大量简单负样本在训练中所占的权重。 参考自：
这样的主题论文还是比较好写的，首先必须要抓住论文的中心，确立文章的思想内涵，然后分几个不同的角度进行有效的论证。
这个要你有看有没有相关的研究了，对这方面是否有些了解，如果有了解的话就还是比较好。
是动态识别吗？
这样的主题论文还是比较好写的，首先必须要抓住论文的中心，确立文章的思想内涵，然后分几个不同的角度进行有效的论证。
这个要你有看有没有相关的研究了，对这方面是否有些了解，如果有了解的话就还是比较好。
标定好的真实数据
ground truth指地面实况。
地面实况表示在地球表面所做的关于遥感研究的观测，通常用地面实况来检验通过传感器数据所做出的判读的准确性。
例如若用传感器数据来鉴定农业土地利用，为了能够确定这种鉴定精确性的百分比，就必须了解农田抽样全域的实际地面情况。
地面实况收集地区的选择，可以根据一系列准则来决定。这包括研究目的、满足统计用的样本大小、实验研究的重复性与连续性、到研究地区的通道、该地区现有数据的可用性、人员、装备来源，以及航天站台的轨道特性等。
扩展资料：
地面实况监测的目的：
地面数据收集的主要目的，是在成象时候提供同时发生的地面情况的记录。实际上，对于几个以上的小地区或选择的采样点，难以取得同步的数据。
不过目的却是在获得传感器数能得据的短时间以内，到采样的地面实况数据。在计划地面数据收集时，应对观测的变量的变化速率予以特别注意。
这些变量可以分为瞬变的或非瞬变的。记录瞬变特征的数据（例如作物生长阶段、落叶层、风速、表面水分）必须是近于同步的。
非瞬变特征的记录（例如坡度、方位、土壤质地）可以在执行感应任务之前或以后去进行。
参考资料来源：百度百科-ground truth
这个要你有看有没有相关的研究了，对这方面是否有些了解，如果有了解的话就还是比较好。
这样的主题论文还是比较好写的，首先必须要抓住论文的中心，确立文章的思想内涵，然后分几个不同的角度进行有效的论证。
以下是几个顶级会议的列表（不完整的，但基本覆盖）(1)机器学习顶级会议：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）计算机视觉和图像识别：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）人工智能：IJCAI, AAAI; （期刊AI）另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。特别是，如果做机器学习，必须地，把近4年的NIPS, ICML翻几遍；如果做计算机视觉，要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。(2)另外补充一下：大部分顶级会议的论文都能从网上免费下载到。(3)说些自己的感受。对计算机视觉和计算神经科学领域，从方法和模型的角度看，统计模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影响力的方法。有个非常明显的趋势：重要的方法和模型最先在NIPS或ICML出现，然后应用到CV,IR和MM。虽然具体问题和应用也很重要，但多关注和结合这些方法也很有意义。
机器视觉杂志是介绍图像处理方面的知识，机器视觉就是在机械平台上安装工业摄像机，把产品的图像输入到计算机里去处理，最终对结果处理，达到质量控制的目的，我建议你看看这本书《机器视觉算法与应用》，清华大学出版社出版的。
计算机、自动化类期刊
你好~考研看光学杂志基本上没啥用吧。初试之前建议你还是多花时间复习考试科目比较好，复试之前可以下载一些你准备报考的导师的研究方向的相关文章，了解了解专业领域的基本知识，因为如果你去见老师的话也可以谈一谈~国内比较好的光学期刊：光学学报、各学校学报。国际上：applied optics、optics letters、optics express、optics engineering等等。网址：。不过光学的比较杂，有的涉及机器视觉的会发在计算机相关杂志上，有的涉及材料的会发在材料的杂志上，等等。如果你在学校的话，可以从学校图书馆数据库里下载，或者从中国知网下载，看中文的就行了，了解一下就ok，如果有兴趣的话也可以深入学习，但是建议不要影响初试的复习。
核心期刊一般很难，普刊出版面费基本都可以的！
记得是写论文，我觉得还是比较好写，你也可以查找相关的资料
好。目标跟踪和相关滤波在计算机视觉和信号处理领域都是比较常见的研究方向，相关滤波是一种常用的目标跟踪算法。如果您在这个方向上进行深入的研究，有机会在相关学术期刊或会议上发表论文。不过，发表论文并不是简单的事情，还需要具备一定的研究能力和实践经验，需要具备良好的科研素质和科研方法，以及对目标跟踪和相关滤波等相关领域有较深入的理解和掌握。此外，还需要认真阅读和分析前沿研究成果，找到研究的切入点和突破口，进行系统的分析和实验研究，才能够有机会发表高水平的论文。
以下是几个顶级会议的列表（不完整的，但基本覆盖）(1)机器学习顶级会议：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）计算机视觉和图像识别：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）人工智能：IJCAI, AAAI; （期刊AI）另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。特别是，如果做机器学习，必须地，把近4年的NIPS, ICML翻几遍；如果做计算机视觉，要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。(2)另外补充一下：大部分顶级会议的论文都能从网上免费下载到。(3)说些自己的感受。对计算机视觉和计算神经科学领域，从方法和模型的角度看，统计模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影响力的方法。有个非常明显的趋势：重要的方法和模型最先在NIPS或ICML出现，然后应用到CV,IR和MM。虽然具体问题和应用也很重要，但多关注和结合这些方法也很有意义。