逻辑回归预测模型风险评分

求问：用逻辑回归在训练集做了一个预测模型，
怎么能按照图中评分方法，算出模型的最佳截断
值呢

img

img

  • 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7634862
  • 这篇博客你也可以参考下：用于精确对象检测和语义分割的丰富特征层次翻译
  • 除此之外, 这篇博客: 虚拟背景背后的技术：直播时各种背景是怎么实现的？中的 实时语义分割 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • image.png

    语义分割旨在对图像的每个像素进行标签预测，在自动驾驶、场景理解等领域有着广泛的应用。伴随移动互联网、5G 等技术的发展，如何在算力受限的终端设备进行高分辨率的实时语义分割，日益成为迫切的需求。上图列举了近年来的实时语义分割方法，本小节将对其中的部分方法进行介绍。

    BiSeNet:Bilateral Segmentation Network for Real-time Semantic Segmentation

    image.png

    先前的实时语义分割算法通过限定输入大小、减少网络通道数量、舍弃深层网络模块来满足实时性的需求，但是由于丢弃过多空间细节或者牺牲模型容量，导致分割精度大幅下降。因此，作者提出了一种双边分割网络（BiseNet，ECCV2018），网络结构如上图所示，该网络由空间路径（Spatial Path）和语义路径（Context Path）组成，分别用于解决空间信息缺失和感受野缩小的问题。

    空间路径通过通道宽、深度浅的网络来获取高分辨率特征，保留丰富的空间信息；而语义路径则是采用通道窄、深度深的轻量骨干模型，通过快速下采样和全局平均池化提取语义信息。最后利用特征融合模块（FFM）对两个路径的特征进行融合，实现精度和速度之间的平衡。该方法在 cityscapes 测试集上的 MIOU 为 68.4%。

    image.png

    升级版 BiseNetV2 延续了 V1 版本的思想，网络结构如上图所示，V2 版本去除了 V1 空间路径中耗时的跳跃链接（skip connection），增加双向聚合层（Aggregation Layer）增加两个分支之间的信息聚合，并提出了增强训练策略进一步提升分割效果，在 cityscapes 测试集上的 MIOU 提升到了 72.6%，在使用 1080Ti 的 TensorRT 上 FPS 可以达到 156。

    DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation

    image.png

    DFANet（CVPR2019）设计了子网聚合和子阶段聚合两种特征聚合策略来提升实时语义分割的性能。DFANet 的网络结构如上图所示，包含 3 个部分：轻量骨干网络、子网聚合和子阶段聚合模块。轻量骨干网络采用了推理速度较快的 Xception 网络，在其顶层加入全连接注意力模块增大高层特征的感受野；子网聚合通过重用先前骨干网络提取的高层特征，将其上采样后作为下一个子网的输入，增大感受野的同时，细化预测结果；子阶段聚合模块则是利用不同子网相应阶段的特征融合多尺度结构细节，增强特征的判别能力。最后通过轻量的解码器，融合不同阶段输出的结果，从粗到细地生成分割结果。在 Cityscapes 测试集上 MIOU 为 71.3%，FPS 为 100。

    Semantic Flow for Fast and Accurate Scene Parsing

    image.png

    受到光流的启发，作者认为由同一张图片生成的任意两个不同分辨率的特征图之间的关系，也可以用每个像素的流动表示，提出了 SFNet（ECCV2020），网络结构如上图所示。

    因此，作者提出了语义流对齐模块（Flow Alignment Module (FAM)）来学习相邻阶段特征的语义流，然后通过 warping 将包含高层语义的特征广播到高分辨率的特征上，从而将深层特征的丰富语义高效传播到浅层的特征，使得特征同时包含丰富语义和空间信息。作者将 FAM 模块无缝插入到 FPN 网络中融合相邻阶段的特征，如上图所示。SFNet 能在实时分割的情况下（FPS 为 26），在 Cityscapes 可以达到 80.4% mIoU。

  • 您还可以看一下 2017CCTC大会老师的【大数据专场】讯飞语音云实时分析架构及实践课程中的 讯飞语音云实时分析架构及实践小节, 巩固相关知识点