R檢測演算法

❶ yolo演算法是什麼

Yolo演算法採用一個單獨的CNN模型實現end-to-end的目標檢測。

首先將輸入圖片resize到448x448，然後送入CNN網路，最後處理網路預測結果得到檢測的目標。相比R-CNN演算法，其是一個統一的框架，其速度更快，而且Yolo的訓練過程也是end-to-end的。

相關信息：

Yolo採用卷積網路來提取特徵，然後使用全連接層來得到預測值。網路結構參考GooLeNet模型，包含24個卷積層和2個全連接層，如圖8所示。對於卷積層，主要使用1x1卷積來做channle rection，然後緊跟3x3卷積。

❷ R中基本統計分析方法整理

R中基本統計分析方法整理
面對一大堆的數據，往往會讓人眼花繚亂。但是只要使用一些簡單圖形和運算，就可以了解數據更多的特徵。R提供了很多關於數據描述的函數，通過這些函數可以對數據進行一個簡單地初步分析。
獲取描述性統計量的R函數
（1）常用統計函數(參數x為向量)
mean（x）：平均值
median（x）：中位數
sd（x）：標准差
var（x）：方差
sum（x）：求和
min（x）：最小值
max（x）：最大值
range（x）:值域
......等等
（2）summary（）函數；提供最小值、下四分位數、中位數、平均值、上四分位數、最大值。
（2）apply（）或sapply函數：計算參數指定的任意描述性統計量。
其中sapply（）用法：sapply(x，FUNC，options) ，x是待處理的數據框，FUNC是用戶指定的函數，如sum()、max()、mean()等等，指定了的options會傳遞給FUNC。
（3） Hmisc包中的describe（）函數：返回變數和觀測值的數目、缺失值和唯一值的數目、平均值、分位數、五個最大的值和五個最小的值。
（4）pastecs包中的stat.desc（）函數，可以計算種類繁多的描述性統計量
（5）psych包也提供了一個describe（）函數，它可以計算非缺失值的數量、平均數、標准差、中位數、截尾均值、絕對中位差、最小值、最大值、值域、偏度、峰度等。

❸ yolo演算法是指什麼

YOLO (You Only Look Once)，是一個用於目標檢測的網路。

目標檢測任務包括確定圖像中存在某些對象的位置，以及對這些對象進行分類。以前的方法，比如R-CNN和它的變種，使用一個管道在多個步驟中執行這個任務。這可能運行緩慢，也很難優化，因為每個單獨的組件都必須單獨訓練。

特點

YOLO將對象檢測重新定義為一個回歸問題。它將單個卷積神經網路(CNN)應用於整個圖像，將圖像分成網格，並預測每個網格的類概率和邊界框。

該演算法還可以預測邊界框中存在對象的概率。如果一個對象的中心落在一個網格單元中，則該網格單元負責檢測該對象。每個網格中將有多個邊界框。在訓練時，我們希望每個對象只有一個邊界框。因此，我們根據哪個Box與ground truth box的重疊度最高，從而分配一個Box來負責預測對象。

❹ R-D演算法和CS演算法的本質區別是什麼謝謝！！！

R-D演算法是將徙動曲線逐一校正。CS演算法是以某一徙動曲線為參考，在Doppler域內消除不同距離門的徙動曲線的差異，令這些曲線成為一組相互「平行」的曲線，然後在二維頻率域內統一的去掉距離徙動。
額。。通俗一點就是。。RD是一根根掰直。。CS是先把所有都掰得一樣彎，然後再統一掰直。。

❺ R語言里怎麼做十折交叉驗證

英文名叫做10-fold cross-validation，用來測試演算法准確性。
是常用的測試方法。將數據集分成十分，輪流將其中9份作為訓練數據，1份作為測試數據，進行試驗。每次試驗都會得出相應的正確率（或差錯率）。 10次的結果的正確率（或差錯率）的平均值。

❻ hrv演算法有什麼用

基於RR間期序列的心率變異性分析(HRV)是近20年發展起來的定量評估心臟自主神經調節功能的無創性檢測方法,在科研和臨床上有較大的應用價值。HRV分析的第一步是心電R波的准確檢測。小波分析在R波檢測方面得到了有效應用,顯示了多尺度分析在分析諸如心電信號這樣非平穩信號方面的獨特優勢。在第三章介紹了小波變換檢測信號奇異性的原理,即可用信號小波變換的模極值與奇異性的對應的關系來確定信號奇異點的位置,並介紹了使用一次微分小波和二次微分小波檢測R波的原理和特點,給出了演算法流程,還簡要介紹了此類演算法的發展方向。
在第四章深入介紹了經驗模式分解(EMD)方法的原理,該方法在具有小波變換多尺度分析優勢的同時,更具有自適應性。雖然在地震、水波和故障檢測領域得到了良好的應用,但在R波檢測方面的應用還極少...

❼ yolo演算法是什麼

Yolo是一種目標檢測演算法。

目標檢測的任務是從圖片中找出物體並給出其類別和位置，對於單張圖片，輸出為圖片中包含的N個物體的每個物體的中心位置（x,y)、寬（w)、高（h)以及其類別。

Yolo的預測基於整個圖片，一次性輸出所有檢測到的目標信號，包括其類別和位置。Yolo首先將圖片分割為sxs個相同大小的grid。

介紹

Yolo只要求grid中識別的物體的中心必須在這個grid內（具體來說，若某個目標的中心點位於一個grid內，該grid輸出該目標類別的概率為1，所有其他grid對該目標預測概率設置為0)。

實現方法：讓sxs個框每個都預測出B個boungding box，bounding box有5個量，分別為物體的x,y,h,w和預測的置信度；每個grid預測B個bounding box和物體類別，類別使用one-hot表示。

❽ 目標有測評的功能嗎

主流的目標檢測演算法主要是基於深度學習模型，其可以分成兩大類：（1）two-stage檢測演算法，其將檢測問題劃分為兩個階段，首先產生候選區域（region proposals），然後對候選區域分類（一般還需要對位置精修），這類演算法的典型代表是基於region proposal的R-CNN系演算法，如R-CNN，Fast R-CNN，Faster R-CNN等；（2）one-stage檢測演算法，其不需要region proposal階段，直接產生物體的類別概率和位置坐標值，比較典型的演算法如YOLO和SSD。目標檢測模型的主要性能指標是檢測准確度和速度，對於准確度，目標檢測要考慮物體的定位準確性，而不單單是分類准確度。一般情況下，two-stage演算法在准確度上有優勢，而one-stage演算法在速度上有優勢。不過，隨著研究的發展，兩類演算法都在兩個方面做改進。Google在2017年開源了TensorFlow Object Detection API，並對主流的Faster R-CNN，R-FCN及SSD三個演算法在MS COCO數據集上的性能做了細致對比，如下圖所示。近期，Facebook的FAIR也開源了基於Caffe2的目標檢測平台Detectron，其實現了最新的Mask R-CNN，RetinaNet等檢測演算法，並且給出了這些演算法的Baseline Results 。不得不說，准確度（accuracy）和速度（speed）是一對矛盾體，如何更好地平衡它們一直是目標檢測演算法研究的一個重要方向。

目標檢測問題同時是一個回歸和分類問題。首先，為了評估定位精度，需要計算IoU（Intersection over Union，介於0到1之間），其表示預測框與真實框（ground-truth box）之間的重疊程度。IoU越高，預測框的位置越准確。因而，在評估預測框時，通常會設置一個IoU閾值（如0.5），只有當預測框與真實框的IoU值大於這個閾值時，該預測框才被認定為真陽性（True Positive, TP），反之就是假陽性（False Positive，FP）。

對於二分類，AP（Average Precision）是一個重要的指標，這是信息檢索中的一個概念，基於precision-recall曲線計算出來。對於目標檢測，首先要單獨計算各個類別的AP值，這是評估檢測效果的重要指標。取各個類別的AP的平均值，就得到一個綜合指標mAP（Mean Average Precision），mAP指標可以避免某些類別比較極端化而弱化其它類別的性能這個問題。

對於目標檢測，mAP一般在某個固定的IoU上計算，但是不同的IoU值會改變TP和FP的比例，從而造成mAP的差異。COCO數據集提供了官方的評估指標，它的AP是計算一系列IoU下AP的平均值，這樣可以消除IoU導致的AP波動。其實對於PASCAL VOC數據集也是這樣，Facebook的Detectron上的有比較清晰的實現。

除了檢測准確度，目標檢測演算法的另外一個重要性能指標是速度，只有速度快，才能實現實時檢測，這對一些應用場景極其重要。評估速度的常用指標是每秒幀率（Frame Per Second，FPS），即每秒內可以處理的圖片數量。當然要對比FPS，你需要在同一硬體上進行。另外也可以使用處理一張圖片所需時間來評估檢測速度，時間越短，速度越快。

❾ 對於R×C表資料的差異性檢驗，其相應的檢驗方法是什麼，如何進行

醫學論文中常用統計分析方法的合理選擇

目前，不少醫學論文中的統計分析存在較多的問題。有報道,經兩位專家審稿認為可以發表的稿件中,其統計學誤用率為90%-95%。為幫助廣大醫務工作者提高統計分析水平，本文將介紹醫學論文中常用統計分析方法的選擇原則及應用過程中的注意事項。 1.t 檢驗
t檢驗是英國統計學家W.S.Gosset 1908年根據t分布原理建立起來的一種假設檢驗方法，常用於計量資料中兩個小樣本均數的比較。理論上，t檢驗的應用條件是要求樣本來自正態分布的總體，兩樣本均數比較時，還要求兩總體方差相等。但在實際工作中，與上述條件略有偏離，只要其分布為單峰且近似正態分布，也可應用[2]。
常用的t檢驗有如下三類：①單個樣本t檢驗：用於推斷樣本均數代表的總體均數和已知總體均數有無顯著性差別。當樣本例數較少（n＜60）且總體標准差未知時，選用t檢驗；反之當樣本例數較多或樣本例數較少、總體標准差已知時，則可選用u檢驗 [3]。②配對樣本t檢驗：適用於配對設計的兩樣本均數的比較，在選用時應注意兩樣本是否為配對設計資料。常用的配對設計資料主要有如下三種情況：兩種同質受試對象分別接受兩種不同的處理；同一受試對象或同一樣本的兩個部分，分別接受不同的處理；同一受試對象處理前後的結果比較。③兩獨立樣本t檢驗：又稱成組t檢驗，適用於完全隨機設計的兩樣本均數的比較。與配對t檢驗不同的是，在進行兩獨立樣本t檢驗之前，還必須對兩組資料進行方差齊性檢驗。若為小樣本且方差齊，則選用t檢驗；反之若方差不齊，則選用校正t檢驗（t』檢驗），或採用數據變換的方法（如取對數、開方、倒數等）使兩組資料具有方差齊性後再進行t檢驗，或採用非參數檢驗[4]。此外，當兩組樣本例數較多（n1、n2均＞50）時，這時應用t檢驗的計算比較繁瑣，可選用u檢驗[5]。 2.方差分析
方差分析適用於兩組以上計量資料均數的比較，其應用條件是各組資料取自正態分布的總體且各組資料具有方差齊性。因此，在應用方差分析之前，同樣和成組t檢驗一樣需要對各組資料進行正態性檢驗、方差齊性檢驗。
常用的方差分析有如下幾類：①完全隨機設計的方差分析：主要用於推斷完全隨機設計的多個樣本均數所代表的總體均數之間有無顯著性差別。完全隨機設計是將觀察對象隨機分為兩組或多組，每組接受一種處理，形成兩個或多個樣本。②隨機區組設計的方差分析：
隨機區組設計首先是將全部受試對象按某種或某些特性分為若干區組，然後區組內的每個研究對象接受不同的處理，通過這種設計，既可以推斷處理因素又可以推斷區組因素是否對試驗效應產生作用。此外，由於這種設計還使每個區組內研究對象的水平盡可能地相近，減少了個體間差異對研究結果的影響，比成組設計更容易檢驗出處理因素間的差別。③析因設計的方差分析：將兩個或兩個以上處理因素的各種濃度水平進行排列組合、交叉分組的試驗設計。它不僅可以檢驗每個因素各水平之間是否有差異，還可以檢驗各因素之間是否有交互作用，同時還可以找到處理因素的各種濃度水平之間的最佳組合。此外，還有正交設計、拉丁方設計等多種方差分析法，實驗者在應用時可以參考相關的統計學著作。
目前，某些醫學論文中有這樣的情況，就是用t 檢驗代替方差分析對實驗數據進行統計學處理，這是不可取的。t 檢驗只適用於推斷兩個小樣本均數之間有無顯著性差別，而採用t 檢驗對多組均數進行兩兩比較，會增加犯I 型錯誤的概率，即可能把本來無差別的兩個總體均數判為有差別，使結論的可信度降低[6]。對多個樣本均數進行比較時，正確的方法是先進行方差分析，若檢驗統計量有顯著性意義時，再進行多個樣本均數的兩兩（多重）比較。
3.卡方檢驗（χ2檢驗）
χ2檢驗是一種用途比較廣泛的假設檢驗方法，但是在醫學論文中常用於分類計數資料的假設檢驗，即用於兩個樣本率、多個樣本率、樣本內部構成情況的比較，樣本率與總體率的比較，某現象的實際分布與其理論分布的比較。但是當樣本滿足正態近似條件時，如樣本例數n與樣本率p滿足條件np與n（1— p）均大於5，則可以計算假設檢驗統計量u值來進行判斷。
常用的χ2
檢驗分為如下幾類：①2×2表χ2
檢驗：適用於兩個樣本率或構成比的比較，在應用時，當整個試驗的樣本例數n≥40且某個理論頻數1≤T＜5時，需對χ2
值進行連續性校正。因為T值太小，會導致χ2
值增大，易出現假陽性結論。此外，若樣本例數n＜40，或有某個T值＜1，此時即使採用校正公式計算的χ2
值也有偏差，需要用2×2表χ2
檢驗的確切概率檢驗法（Fisher確切檢驗法）。②配對資料χ2檢驗：適用於配對設計的兩個樣本率或構成比的比較，即通過單一樣本的數據推斷兩種處理結果有無顯著性差別。在應用時，如果甲處理結果為陽性而乙處理結果為陰性的樣本例數n1與甲處理結果為陰性而乙處理結果為陽性的樣本例數n2之和＜40，需要對計算的χ2
值進行校正。③R×C表χ2
檢驗：適用於多個樣本率或構成比的比較。在R×C表χ2檢驗中，若檢驗統計量有顯著性意義時，還需要對多個樣本率或構成比進行兩兩比較，即分割R×C表，使之成為非獨立的四格表，並對每兩個率之間有無顯著性差別作出結論。
2×2表資料在應用時可分為如下幾種類型：橫斷面研究設計的2×2表資料、隊列研究設計的2×2表資料、病例-對照研究設計的2×2表資料、配對研究設計的2×2表資料。研究者應注意不同類型的2×2表資料的統計分析方法略有差別，比如在分析隊列研究設計的2×2表資料時，如果用χ2公式計算得到P＜0.05，研究者則應再計算相對危險度（RR）並檢驗總體RR與1之間的差異是否具有統計學意義。
此外，在進行R×C表χ2檢驗時，還有如下兩個主要的注意事項：首先，T值最好不要＜5，若有1/5的T值＜5，χ2檢驗結論是不可靠的，解決的辦法有三種：增大樣本量；刪去T值太小的行和列；將T值太小的行或列與性質相近的鄰行或鄰列的實際頻數合並。
其次，不同類型的R×C表資料選擇的統計分析方法是不一樣。①雙向無序的R×C表資料：可以選用一般的χ2公式計算。②單向有序的R×C表資料：如果是原因變數為有序變數的單向有序R×C表資料，可以將其視為雙向無序的R×C表資料而選用一般的χ2檢驗公式計算，但如果是結果變數為有序變數的單向有序R×C表資料，選用的統計分析方法有秩和檢驗、Radit分析和有序變數的logistic回歸分析等。③雙向有序且屬性不同的R×C表資料：對於這類資料採用的統計分析方法不能一概而論，應根據研究者的分析目而合理選擇。如果研究者只關心原因變數與結果變數之間的差異是否具有統計學意義時，此時，原因變數的有序性就顯得無關緊要了，可將其視為結果變數為有序變數的單向有序R×C表資料進行分析。如果研究者希望考察原因變數與結果變數之間是否存在線性相關關系，此時需要選用處理定性資料的相關分析方法如Spearman秩相關分析方法等。如果兩個有序變數之間的相關關系具有統計學意義，研究者希望進一步了解這兩個有序變數之間的線性關系，此時宜選用線性趨勢檢驗。如果研究者希望考察列聯表中各行上的頻數分布是否相同，此時宜選用一般的χ
因此，對於適用參數檢驗的資料，最好還是用參數檢驗。
秩和檢驗是最常用的非參數檢驗，它包括如下幾類：①配對資料的符號秩和檢驗
（Wilcoxon配對法）：是配對設計的非參數檢驗。當n≤25時，可通過秩和檢驗對實驗資料進行分析；當n＞25時，樣本例數超出T界值表的范圍，可按近似正態分布用u檢驗對實驗資料進行分析。②兩樣本比較的秩和檢驗（Wilcoxon Mann-Whitney檢驗）：適用於比較兩樣本分別代表的總體分布位置有無差異。如果樣本甲的例數為n1，樣本乙的例數為n2，且n1＜n2；當n1≤10、n2—n1≤10時，可通過兩樣本比較的秩和檢驗對實驗資料進行分析；當n1、n2超出T界值表的范圍時，同樣可按近似正態分布用u檢驗對實驗資料進行分析。③多個樣本比較的秩和檢驗（Wilcoxon Kruskal-Wallis檢驗）：適用於比較各樣本分別代表的總體的位置有無差別，它相當於單因素方差分析的非參數檢驗，計算方法主要有直接法和頻數表法等。此外，在進行上述3類秩和檢驗（前兩類秩和檢驗實際上已經被u檢驗替代）時，如果相同秩次較多，則需要對計算的檢驗統計量進行校正。
公式計算。④雙向有序且屬性相同的R×C表資料：這類資料實際上就是配對設計2×2表資料的延伸，在分析這類資料時，實驗者的目的主要是研究兩種處理方法檢測結果之間是否具有一致性，因此常用的統計分析方法為一致性檢驗或Kappa檢驗。
4. 非參數檢驗
非參數檢驗可不考慮總體的參數、分布而對總體的分布或分布位置進行檢驗。它通常適用於下述資料[2]：①總體分布為偏態或分布形式未知的計量資料(尤其樣本例數n＜30時)；②等級資料；③個別數據偏大或數據的某一端無確定的數值；④各組離散程度相差懸殊，即各總體方差不齊。該方法具有適應性強等優點，但同時也損失了部分信息，使得檢驗效率降低。即當資料服從正態分布時，選用非參數檢驗法代替參數檢驗法會增大犯Ⅱ類錯誤的概率。