95%置信区间。置信区间的两端被称为置信极限。对一个给定情形的估计来说，置信水平越高，所对应的置信区间就会越大。 对置信区间的计算通常要求对估计过程的假设（因此属于参数统计），比如说假设估计的误差是成正态分布的

GATK分析中Argument emit-ref-confidence错误解决方案 在使用GATK（Genome Analysis Toolkit）进行基因组变异分析时，我们可能会遇到一些参数错误，其中之一就是"Argument emit-ref-confidence has a bad value"。这个错误通常与Read Group的设置不当有关。本文将提供一种解决方案，通过正确设置Read

在卷积神经网络如日中天的现在，重要会议上的论文自然成了广大学者研究的对象。苦苦寻觅，然而并不能搜到“大家们”对论文的见解。痛定思痛，决定对自己看过的论文写点小感。只是个人看法，如有瑕疵，欢迎指正。一是为了督促自己看论文要仔细认真，二是希望有人指正自己的错误。 Abstract        深度神经网络（DNNs）在各种模式识别任务中取得了一定的成就，其中最显著的是视觉分类问题。鉴于，

题目链接：https://codeforces.com/gym/102346/problem/G   题目大意：给一个n*n矩阵，每一行每一列最多选出一个元素，求他们乘积最大值(n和数字范围都是1~100)   题目思路：应该对每一行每一列只能取一个这种题目很敏感了啊！就是个二分图啊！n个行n个列，源点向每一行连容量为1，费用为0的边，每一列向终点也这么连，然后每一行都向每一列连，需要注意

置信区间(confidence interval) 1、对于具有特定的发生概率的随机变量，其特定的价值区间------一个确定的数值范围(“一个区间”)。 2、在一定置信水平时，以测量结果为中心，包括总体均值在内的可信范围。 3、该区间包含了参数θ真值的可信程度。 4、参数的置信区间可以通过点估计量构造，也可以通过假设检验构造。 http://bbs.antpedia.com/vi

iris检测算法流程 基本原理 如下图，人眼形状是圆形。在图像中找到一个圆，该圆应该有明显的边界（虹膜与眼白）。在该圆周上的各像素平均值与相邻半径的平均值之差达到最大。如下图的外圆。假设其圆心为c， 半径为r。那么半径r+1圆周上的像素平均值与r的像素平均值达到最大。 基本思路是：先遍历圆心位置，再遍历半径，找到相差最大的位置。为了加速，可以用各种方法去快速定位圆心位置。该文章使用阈值+局部

Abstract 车道标记检测是自动驾驶和驾驶辅助系统的重要组成部分。采用基于行的车道表示的现代深度车道检测方法在车道检测基准测试中表现出色。通过初步的Oracle实验，我们首先拆分了车道表示组件，以确定我们方法的方向。我们的研究表明，现有的基于行的检测器已经能预测出正确的车道位置，而准确表示与地面实况相交-不相交（IoU）的置信度分数是最有利的。基于这一发现，我们提出了 LaneIoU，通过考

Abstract 车道标记检测是自动驾驶和驾驶辅助系统的重要组成部分。采用基于行的车道表示的现代深度车道检测方法在车道检测基准测试中表现出色。通过初步的Oracle实验，我们首先拆分了车道表示组件，以确定我们方法的方向。我们的研究表明，现有的基于行的检测器已经能预测出正确的车道位置，而准确表示与地面实况相交-不相交（IoU）的置信度分数是最有利的。基于这一发现，我们提出了 LaneIoU，通过考

用于检测分布外样本的置信度校正分类器的训练 原文：https://arxiv.org/pdf/1711.09325.pdf 摘要 在许多实际的机器学习应用中，检测测试样本是来自于分布内（即，由分类器训练的分布）还是来自分布外与它有很大不同的问题出现了。然而，最先进的深度神经网络在其预测中高度自信，即不区分内部和外部分布。近年来，为了解决这一问题，人们提出了几种基于阈值的检测器。然而，由于以往的工作

1. Support vs Confidence