【计算机视觉】对比学习采样器sampler

这篇具有很好参考价值的文章主要介绍了【计算机视觉】对比学习采样器sampler。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前置知识准备

Samplers — Open Metric Learning documentation​​​​​​

【计算机视觉】对比学习采样器sampler,计算机视觉,计算机视觉

在该文档里,category表示类别,label表示商品,instance表示商品不同角度的图片。

  • category就是blouses_shirts;
  • label就是15;
  • instance就是这5张图片;

【计算机视觉】对比学习采样器sampler,计算机视觉,计算机视觉

balance sampler

每个label下pick等量的instance..

batch = allsamples // batch_size

batch_size = n_instances x n_labels

L个不同的label,我这里是L=500个。labels=40,instance=10。

batch1

40/500,从500个商品中挑选40个商品;

10/40,再从40个商品中,每个label挑选10个图片

batch2

40/(500-40)

10/40

epoch ends

L//label

500//40=12.5=12(batch12)

在一个epoch里,所有label将会被pick一次,但不意味着所有的instance都会被挑选。

每个epoch会过完所有的label,也就是会过完所有的商品,但只会过40*10*12张图片=4800张。

总共有31w的图片,要想31w/4800=64.5=64,想要全部图片看一次需要设置这里的epoch=64次,想要看多次则64*多次。

categroy sampler

【计算机视觉】对比学习采样器sampler,计算机视觉,计算机视觉

L=500,n_label=10,batch=500//10=50,需要采50个batch,每个batch里10个商品*n_instance。 

总共500个商品,每次挑10个商品角度图。每一个epoch会挑选完所有的500商品。

DistinctCategoryBalanceSampler

【计算机视觉】对比学习采样器sampler,计算机视觉,计算机视觉

batch_size = n_instances x n_labels x n_categories

L个商品,C个类目,

1st batch 采categrory个类目,在这些类目中,采label个商品,在这些商品中采instance个角度图片
2st batch

,all label-1st picked label

 对应的所有类目

从中挑选category个类目,从中为每个类目category选择n_labels,再从n_labels中选n_instance.

epoch end

(自己设置的epoch size)

1. 如果在epoch size前选择了所有的类目all the categories,则sampler重置。不保证epochsize结束前能遍历完所有的category,相反,如果遍历完所有类目,则再重新开始重复采样。

2. L&n_label=1,则这个剩下的商品会从batch中drop掉,因为需要成pairs。(再理解一下,如果 L % n_labels == 1 则必须删除其中一个label,因为我们总是希望拥有超过 1 个label,这里label是商品的意思。)

3. 被选择的category下的未使用label不够设置的量,那么会从已使用的label中再去重复采文章来源地址https://www.toymoban.com/news/detail-537309.html

到了这里,关于【计算机视觉】对比学习采样器sampler的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 如何学习计算机视觉

    学习计算机视觉可以通过以下步骤进行: 了解基本概念和原理:首先,你可以学习计算机视觉的基本概念和原理,包括图像处理、特征提取、目标检测、物体识别等。这些基础知识将帮助你理解计算机视觉的工作原理。 学习算法和技术:学习计算机视觉的算法和技术是非常

    2024年01月21日
    浏览(42)
  • 【探索AI】三十一-计算机视觉(六)深度学习在计算机视觉中的应用

    深度学习在计算机视觉中的应用已经取得了显著的成果,并且正在逐步改变我们对图像和视频信息的处理和理解方式。下面将详细讲解深度学习在计算机视觉中的几个关键应用。 首先,我们来看图像分类。图像分类是计算机视觉的基本任务之一,它涉及到将输入的图像自动归

    2024年04月09日
    浏览(70)
  • 深度学习与计算机视觉

    目录 1 深度学习 1.1 人工智能 1.2 机器学习 1.3 深度学习 1.3.1 深度学习发展历程 1.3.2 深度学习中的核心因素 1.3.3 深度学习模型分类 1.3.4 深度学习框架 2 计算机视觉 人工智能、机器学习、深度学习这三者的关系: 在实现人工智能的众多算法中,机器学习是发展较为快速的

    2024年02月06日
    浏览(48)
  • 转移学习的计算机视觉教程

    引用这些注释, 实际上,很少有人从头开始训练整个卷积网络(使用随机初始化),因为拥有足够大小的数据集相对很少。 相反,通常在非常大的数据集上对 ConvNet 进行预训练(例如 ImageNet,其中包含 120 万个具有 1000 个类别的图像),然后将 ConvNet 用作初始化或固定特征提取

    2024年02月16日
    浏览(45)
  • 计算机视觉基础学习-图像拼接

    首先本文介绍的图像拼接并非对尺寸相同的图片进行简单拼接,而是基于全景图的拼接 普通相机拍摄图像时,无法兼顾相机视场与视场中单个物体的分辨率问题,而全景相机普遍价格昂贵, 不适用于低成本的一般性场景。为了使用普通相机获取宽视角,甚至是 360°全景图像

    2023年04月10日
    浏览(53)
  • 计算机视觉(五)深度学习基础

    深度学习与神经网络的区别 选择合适的目标函数 Softmax层 梯度消失的直观解释 激活函数 学习步长 SGD的问题 存在马鞍面,使我们的训练卡住,于是提出下面方法: Momentum动量 Nesterov Momentum 先利用“惯性”,“走”一步。避免一开始,就被当前梯度带偏。 Adagrad 为不同的参数

    2024年02月14日
    浏览(56)
  • 【学习笔记】计算机视觉深度学习网络模型

    这是本人学习计算机视觉CV领域深度学习模型的学习的一点点学习笔记,很多片子没有完成,可以作为学习的参考~

    2024年04月10日
    浏览(73)
  • 计算机视觉(北邮鲁鹏)学习记录

    基本题型: 题型:选择、填空、简答、分析 绝大多数内容参考自PPT 基本了解内容:每个过程都有些啥 图像表示 :二进制图像、灰度图像、彩色图像。( 将矩阵转为列向量 )3072维 分类模型 : 线性分类模型。是神经网络和支持向量机的基础。。 线性分类模型是一种线性映

    2024年02月03日
    浏览(51)
  • SLAM学习入门--计算机视觉一

    IoU(Intersection over Union),又称重叠度/交并比。 1 NMS :当在图像中预测多个proposals、pred bboxes时,由于预测的结果间可能存在高冗余(即同一个目标可能被预测多个矩形框),因此可以过滤掉一些彼此间高重合度的结果;具体操作就是根据各个bbox的score降序排序,剔除与高

    2024年02月02日
    浏览(42)
  • 深度学习与计算机视觉的创新

    深度学习和计算机视觉是现代人工智能领域的两个重要分支。深度学习是一种通过多层神经网络来处理大规模数据的机器学习方法,而计算机视觉则是利用计算机程序来模仿人类视觉系统对图像进行分析和理解的技术。在过去的几年里,深度学习与计算机视觉的融合已经取得

    2024年04月09日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包