axis

在计算机视觉领域广泛的使用各种不同的采样一致性参数估计算法用于排除错误的样本，样本不同对应的应用不同，例如剔除错误的配准点对，分割出处在模型上的点集，PCL中以随机采样一致性算法（RANSAC）为核心，同时实现了五种类似与随机采样一致形算法的随机参数估计算法，例如随机采样一致性算法（RANSAC）最大似然一致性算法（MLESAC），最小中值方差一致性算法（LMEDS）等，所有估计参数算法都符合一致性原则。在PCL中设计的采样一致性算法的应用主要就是对点云进行分割，根据设定的不同的几个模型，估计对应的几何参数模型的参数，在一定容许的范围内分割出在模型上的点云。 （1）RANSAC随机采样一致性算法的介绍 RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的 算法 ——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。 数 据分两种：有效数据（inliers）和无效数据（outliers）。偏差不大的数据称为有效数据，偏差大的数据是无效数据。如果有效数据占大多数，无 效数据只是少量时，我们可以通过最小二乘法或类似的方法来确定模型的参数和误差；如果无效数据很多（比如超过了50%的数据都是无效数据），最小二乘法就 失效了，我们需要新的算法

https://www.tensorflow.org/versions/r0.12/api_docs/python/math_ops.html#reduce_mean tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None) 计算tensor中各个维度上元素的平均值. 在给定维度axis上进行删减. keep_dims被设置为false的话, 原始变量的维度会减少1. 如果不对axis进行赋值, 那么返回所有元素的平均值. 例子: # 'x' is [[1., 1.] # [2., 2.]] tf.reduce_mean(x) ==> 1.5 tf.reduce_mean(x, 0) ==> [1.5, 1.5] tf.reduce_mean(x, 1) ==> [1., 2.] 来源： https://www.cnblogs.com/huangshiyu13/p/6534264.html

数据来源 数据链接 看数据内容像是美国的数据 每一行数据是美国某位公民的相关信息，一共有15行，分别介绍了年龄，社保号，工作性质，教育程度，受教育年限，婚姻状况，职位，居住情况，家庭状态，种族，captial-gain和captial-loss，每周工作时长，原生国家，以及年收入级别情况。要能根据前14个标签判断出最后一个标签的情况。所以将前14行作为训练数据。其中adult.data可以作为训练集数据，adult.name介绍了数据情况，可以从中提取出每一列的名称，adult.text作为预测数据使用。 下载adult.data,adult.text,adult.names，以待使用 数据预处理 使用python语言进行编程，sklearn导入数据挖掘工具包。具体如下： 使用csv方式直接读取文件，并获取对应的dataFrame，因为adult.text中的第一行是无用数据，所以需要跳过(采用skiprows)。 训练数据trainSet一共有32560行，15列；测试数据testSet删除第一行后有16280行，15列。 从adult.name中可以获取每一列的名称。 此时，数据还是raw数据需要进行一定的处理，设定convert函数，将colLabels一一对应上每一列的名称，并且经过观察发现education和education_num这两个数据是重复数据，可以删除

原文：http://blog.csdn.net/a8039974/article/details/77592395， 　　http://blog.csdn.net/jesse_mx/article/details/74011886 另外一篇很详细的解析：https://www.cnblogs.com/xuanyuyt/p/7222867.html SSD github : https://github.com/weiliu89/caffe/tree/ssd SSD paper : https://arxiv.org/abs/1512.02325 SSD eccv2016 slide pdf : http://download.csdn .NET /download/zy1034092330/9940054 SSD pose estimation paper : http://download.csdn .net /download/zy1034092330/9940059 图1 缩进SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测 算法 ，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）