长尾目标检测的自适应类抑制损失 此存储库是CVPR 2021论文的正式实现：长尾目标检测的自适应类抑制损失。 要求 1.环境： 要求与完全相同。 我们在以下设置上进行了测试： 的Python 3.7 CUDA 10.0 pytorch 1.2.0 火炬视觉0.4.0 conda create -n mmdet python=3.7 -y conda activate mmdet pip install cython pip install numpy pip install torch pip install torchvision pip install pycocotools pip install matplotlib pip install terminaltables git clone https://github.com/CASIA-IVA-Lab/ACSL.gi

损失函数通过torch.nn包实现， 1 基本用法 criterion = LossCriterion() #构造函数有自己的参数 loss = criterion(x, y) #调用标准时也有参数 2 损失函数 2-1 L1范数损失 L1Loss 计算 output 和 target 之差的绝对值。 torch.nn.L1Loss(reduction='mean') 参数： reduction-三个值，none: 不使用约简；mean:返回loss和的平均值； sum:返回loss的和。默认：mean。 2-2 均方误差损失 MSELoss 计算 output 和 target 之差的均

贷款违约预测竞赛数据，是个人的金融交易数据，已经通过了标准化、匿名处理。包括200000样本的800个属性变量，每个样本之间互相独立。每个样本被标注为违约或未违约，如果是违约则同时标注损失，损失在0-100之间，意味着贷款的损失率。未违约的损失率为0，通过样本的属性变量值对个人贷款的违约损失进行预测建模。数据来自英国帝国理工大学。

使用 PyTorch 框架使用 CRNN 和 CTC 损失进行多位序列识别 训练结果 测试结果

用python实现的损失函数计算器，对原数据进行了降维，再进行可视化。

损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。

机器学习主要是用来分析处理数据，挖掘数据背后所潜在的相关信息. 大数 据时代，如何准确快速地挖掘信息背后的关系已成为热点. 支持向量机是由 Vapnik 等人提出的一项用于数据挖掘的新技术，主要用于模式识别、回归分析等 方面. 支持向量机的优点在于算法具有稀疏性，运算结果只受一部分样本的影 响，抗干扰能力强. 此外，通过加入正则项，支持向量机还能防止了“过拟合”.

SASchampion2017 描述 基于航空公司的数据，构建了进行损失预警的模型，包括损失概率模型和客户画像。 矿业 以数据预处理（DataPreprocessing）后的58,954条航空客户数据为例，通过数据挖掘中的分类和聚类技术分别进行客户损失预测和价值细分。 首先，进行了客户损失预测（ClassPrediction） 。 决策树，随机森林和梯度提升树相继用于训练和评估以及分类性能指标的比较。 在采矿过程中，花费了很长时间进行参数调整。 结果表明，基于Boosting算法的分类器具有更好的性能和更低的错误率。 在变量的使用方面，三个变量-从最后一次飞行到观察窗口结束的时间，第二年的总机票价格和最大飞行间隔-对预测的更大贡献。客户流失。 然后，基于混合数据类型（ClusterPreprocessing）对非损失和损失客户组进行k-medoids聚类（Cluster） 。 结果表

角度空间损失函数往往因需要手动调节超参数而引起算法训练的不稳定，类别标签数量的不同也将导致算法的移植性较差。针对这些问题，提出一种带有下界判断的自适应角度空间损失函数并应用于人脸识别。该方法以假设人脸表达特征分布在超球体空间为切入点，通过分析不同超参数对训练结果的影响，使预测概率公式的二阶导数为零并动态地计算当前mini-batch角度分布的去尾平均数； 为了提高算法的可移植性，根据类别中心的最小期望后验概率给出自适应调节超参数的下界。通过在LFW和MegaFace百万级人脸数据集上进行算法评估，证明提出的方法可以有效地提高人脸识别精度以及模型收敛率，在亚洲人脸数据集上的实验证明该方法具有较好的鲁棒性与移植性。

仿真内容： 1、说明时域和频域的能量守恒（各以信号和噪声来说明） 2、说明信号不变时噪声带宽的变化对输入信噪比的影响 3、说明噪声带宽和FFT增益的关系 4、在矩形窗前提下用仿真曲线和理论分析讨论信号频点位置和FFT后输出信噪比的关系 5、说明频点位置造成的最大信噪比损失是多少 6、对于那些信噪比损失最大的频点位置通过加不同的窗函数有没有信噪比的改善 主要参数声明 噪声带宽为5MHz，噪声的概率分布：N（0，1），即均值为零、方差（功率）为1 单点频信号的频率为500kHz，采样率为10MHz，FFT点数可变（分1024、2048） 信号表达式：s(t)=A*exp(j2Πfdt+θ)，其中幅度A取1，初始相位θ为Π/6 【资源说明】 资源包共包含如下内容： MATLAB源码文件4个（1个主程序、3个自定义函数） PDF文件3个（创作声明x1、FFT增益损失理论推导x1、仿真表格x1） 【资源均属于原创、代码编写规范、注释明细可读性强、理论推导简单明了】 原创不易，感谢支持原创作品！ 2021 11 15日更新包已同步