惩罚函数

论文： Learning deep structured active contours end-to-end ，CVPR 2018 代码：https://github.com/dmarcosg/DSAC 概览 主要工作： 将 ACM 能量函数的计算看作是结构化的预测问题 构造能量的函数里包含了 ACM 的 ballon term 将 CNNs 的表现性和 ACMs 的活动性结合到统一的框架中，叫做 Deep Structured Active Contours（DSAC） 提出 end-to-end 解决方案，可以学习 guiding features 和 local priors 语义分割问题的套路是 dense prediction，即对每一个像素点都预测其标签类别，最后得出分割结果。这种分割方法优点是可以提供全局数据信息，比如分割目标的面积（只要看有多少像素点属于该目标）；缺点是缺少实例级的预测。 CNN 做建筑物分割任务时，通常有较高的检测率，但在空间覆盖和几何正确性方面表现不好。 为什么？ Q：ACM（snakes）能解决分割的什么问题？ ACM 提出具有 高级几何约束 和 先验知识 的 自下而上 的 boundary detector Q高级几何约束是什么？ Q先验知识？ ACM 原理：将可能的输出曲线约束为一组曲线（比如一个闭合的曲线，曲线上有固定数量的点）

经常用到sklearn中的SVC函数，这里把文档中的参数： 本身这个函数也是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。 sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, Tol=0.001, cache_size200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=None,random_state=None) 参数： 1、 C ：C-SVC的惩罚参数C默认值是1.0，C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。 C一般可以选择为：0.0001 到10000 , 选择的越大，表示对错误例惩罚程度越大，可能会导致模型过拟合 2、 kernel ：核函数，默认是rbf，可以是'linear', 'poly', 'rbf', 'sigmoid', 'precomputed' 　　0 – 线性

支持向量机（SVM）是一组用于分类、回归和异常值检测的有监督学习方法。 SVMs： LinearSVC, Linear SVR, SVC, Nu-SVC, SVR, Nu-SVR, OneClassSVM 支持向量机的优点是： 高维空间中的有效性。 在维数大于样本数的情况下仍然有效。 在决策函数中使用训练点的子集（称为支持向量），因此它也是内存有效的。 多功能：可以为决策函数指定不同的内核函数。提供了常见核函数，但也可以自定义核函数。 支持向量机的缺点包括： 如果特征数远大于样本数，通过选择核函数和正则项避免过拟合是至关重要的。 支持向量机不直接提供概率估计，这些计算使用计算量大的的5折-交叉验证。 最简单分类超平面，1维：x=0，2维：x1+x2=0 当θTXi与 θTX值大于1时，也就是距离分类边界大于1，此时无损，损失为1 - ||θTXi - θTX||，下限为0无上限。 import time import numpy as np import scipy.io as scio import pandas as pd from numpy import newaxis #from pylab import * #包含了NumPy和pyplot常用的函数 from sklearn.cluster import KMeans from sklearn import svm