key words: Feature Normalization, 特征归一化

1 介绍

在这篇博文中，我们将介绍特征归一化（Feature Normalization）方法；
特征归一化FN一般用于图像预处理中，使用T.Normalize(mean, std)来实现；
所以在进行归一化操作时，我们需要知道数据分布的mean和std；
这里，我们认为：mead&std是从训练集中获得的。
于是，首先来看看怎么获得训练集的mead&std；

2 Mead&std（均值和方差）

数据输入：训练集数据
这里来看看均值和方差的数学公式，
均值（离散随机变量的数学期望）：
E(X)=∑iNxiN.E(X) = \frac{\sum_{i}^{N}x_i}{N}. E(X)=N∑iNxi.
这里NNN为样本的总个数。
标准差\sigma(X)（离散随机变量的数学期望）：
D(X)=E(X2)−[E(X)]2σ(X)=D(X).D(X) = E(X^2) - {\left [ E\left ( X\right )\right ]}^2\\ \sigma(X) = \sqrt{D(X)}. D(X)=E(X2)−[E(X)]2σ(X)=D(X).
备注：我们这里采用推导式来计算标准差，因为这样通过一次循环就可以计算出std，实现效率会更高一些。
实验结果：实验证明特征归一化是有效的，结果如图所示

《南溪的目标检测学习笔记》——特征归一化（meadstd）相关推荐

《南溪的目标检测学习笔记》——模型预处理的学习笔记
1 介绍在目标检测任务中,模型预处理分为两个步骤: 图像预处理:基于图像处理算法数值预处理:基于机器学习理论关于图像预处理,请参考<南溪的目标检测学习笔记>--图像预处理的学习笔记 ...
《南溪的目标检测学习笔记》——目标检测模型的设计笔记
1 南溪学习的目标检测模型--DETR 南溪最赞赏的目标检测模型是DETR, 论文名称:End-to-End Object Detection with Transformers 1.2 decode ...
《南溪的目标检测学习笔记》——夏侯南溪的CNN调参笔记，加油
1 致谢感谢赵老师的教导! 感谢张老师的指导! 2 调参目标在COCO数据集上获得mAP>=10.0的模型,现在PaddleDetection上的Anchor-Free模型[TTFNet]的 ...
《南溪的目标检测学习笔记》——COCO数据集的学习笔记
1 COCO数据集 COCO数据集下载链接:COCO_download 1.1 数据概览数据集大小 train: 118287张 train+val: 123287张 val: 5000张目标数量 ...
《南溪的目标检测学习笔记》的笔记目录
1 前言这是<南溪的目标检测学习笔记>的目录~ 2 学习目标检测的思路--"总纲" <南溪的目标检测学习笔记>--目标检测的学习笔记我在这篇文章中介绍了 ...
《南溪的目标检测学习笔记》——权重初始化
1 介绍在使用CNN搭建目标检测模型时,有一个很重要的步骤就是需要进行权重初始化,那么为什么需要进行权重初始化呢? 2 权重初始化的原因关于为什么要进行权重初始化,请阅读知乎文章<神经网络中 ...
《南溪的目标检测学习笔记》——DCN（DCNv2）的学习笔记
1 前言 DCN是一个常见的技术,在Deformable-DETR跟PP-YOLO中都有用到DCN: 论文:<Deformable ConvNets v2: More Deformable, B ...
《南溪的目标检测学习笔记》——PyTorch模型搭建模板
1 前言南溪在学习基于PyTorch的目标检测模型,对一些十分好的代码模板进行学习- 2 PyTorch模型模板 2.1 Faster R-CNN ResNet-50 FPN--PyTorch官方的 ...
《南溪的目标检测学习笔记》——目标检测的评价指标（mAP）
1 介绍在本文中我们将介绍目标检测任务中的mAP~ 2 COCO-mAP 在介绍mAP时,我们选择的是COCO-mAP,这是现在最为流行的指标: 关于COCO-mAP的形象解释,请参考视频<霹 ...

《南溪的目标检测学习笔记》——特征归一化（meadstd）

1 介绍

2 Mead&std（均值和方差）

《南溪的目标检测学习笔记》——特征归一化（meadstd）相关推荐

最新文章

热门文章