显著性

R语言可视化学习笔记之添加p-value和显著性标记

夙愿已清 提交于 2020-03-10 04:21:26
R语言可视化学习笔记之添加p-value和显著性标记 http://www.jianshu.com/p/b7274afff14f?from=timeline 上篇文章中提了一下如何通过ggpubr包为 ggplot 图添加 p-value 以及显著性标记,本文将详细介绍。利用数据集ToothGrowth进行演示 #先加载包 library(ggpubr) #加载数据集ToothGrowth data("ToothGrowth") head(ToothGrowth) ## len supp dose ## 1 4.2 VC 0.5 ## 2 11.5 VC 0.5 ## 3 7.3 VC 0.5 ## 4 5.8 VC 0.5 ## 5 6.4 VC 0.5 ## 6 10.0 VC 0.5 比较方法 R中常用的比较方法主要有下面几种: 方法 R函数 描述 T-test t.test() 比较两组(参数) Wilcoxon test wilcox.test() 比较两组(非参数) ANOVA aov()或anova() 比较多组(参数) Kruskal-Wallis kruskal.test() 比较多组(非参数) 各种比较方法后续有时间一一讲解。 添加 p-value 主要利用ggpubr包中的两个函数: compare_means() :可以进行一组或多组间的比较 stat

统计学-Week12

我的梦境 提交于 2020-01-21 05:34:00
一、回归分析 1.1 主题 一元线性回归: 相关关系、最小二乘法、拟合优度检测、显著性检验、回归预测、残差分析 多元线性回归: 多重共线性、变量选择与逐步回归 二、 一元线性回归 1.1 相关关系 三、 多元线性回归 来源: CSDN 作者: kwunkau 链接: https://blog.csdn.net/qq_35906568/article/details/104035201

相关性和显著性分析

谁说胖子不能爱 提交于 2020-01-04 00:38:44
相关分析用于研究定量数据之间的关系情况,包括是否有关系,以及关系紧密程度等。 1、如果呈现出显著性(结果右上角有*号,此时说明有关系;反之则没有关系);有了关系之后,关系的紧密程度直接看相关系数大小即可。一般0.7以上说明关系非常紧密;0.4~0.7之间说明关系紧密;0.2~0.4说明关系一般。 2、如果说相关系数值小于0.2,但是依然呈现出显著性(右上角有*号,1个*号叫0.05水平显著,2个*号叫0.01水平显著;显著是指相关系数的出现具有统计学意义普遍存在的,而不是偶然出现),说明关系较弱,但依然是有相关关系。 3、相关分析是回归分析的前提条件,首先需要保证有相关关系,接着才能进行回归影响关系研究。 4、因为如果都显示没有相关关系,是不可能有影响关系的。如果有相关关系,但也不一定会出现回归影响关系。 相关分析的操作步骤 1. SPSSAU 用户可自由拖拽分析项进入分析列表框,区别仅在于输出格式不同。 2. 相关分析使用相关系数表示分析项之间的关系;首先判断是否有关系(有*号则表示有关系,否则表示无关系); 3. 接着判断关系为正相关或者负相关(相关系数大于0为正相关,反之为负相关); 4. 最后判断关系紧密程度(通常相关系数大于0.4则表示关系紧密); 5. 相关系数常见有两类,分别是Pearson和Spearman,本系统默认使用Pearson相关系数。在相关分析之前

显著性检测与其它任务结合

余生长醉 提交于 2019-12-30 15:14:33
1.显著性检测与语义分割 《Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation》 第一阶段:SSNet-1:使用image-level的语义分割数据集和pixel-level的显著性数据集训练。 SN: segmentation network SAM:saliency aggregation module GAP:global average pooling 第二阶段: 用第一阶段训练好的SSNet-1,预测只有image-level标签的分类数据集中的每一张图像的中间C+1响应图,并将其C个类别的分割图与image-level的one-hot 标签相乘,这样抑制了噪声,只保留标签对应的类别的响应图。然后通过CRF进一步修正。最后,根据类别和背景响应图,为每个图像的每个像素指定一个类别(即argmax取最大),得到分割任务的伪标签。 将伪标签作为Ground Truth,进一步训练SSNet-2。 2. 显著性检测结合image caption 《CapSal: Leveraging Captioning to Boost Semantics for Salient Object Detection》 1.Image Captioning Network (ICN)

MATLAB概率统计函数(4)

白昼怎懂夜的黑 提交于 2019-12-24 12:06:00
4.8 假设检验 4.8.1 已知,单个正态总体的均值μ的假设检验(U检验法) 函数 ztest 格式 h = ztest(x,m,sigma) % x为正态总体的样本,m为均值μ0,sigma为标准差,显著性水平为0.05(默认值) h = ztest(x,m,sigma,alpha) % 显著性水平为 alpha [h,sig,ci,zval] = ztest(x,m,sigma,alpha,tail) %sig为观察值的概率,当sig为小概率时则对原假设提出质疑,ci为真正均值μ的 1- alpha置信区间,zval为统计量的值。 说明 若h=0 ,表示在显著性水平 alpha下,不能拒绝原假设; 若h=1 ,表示在显著性水平 alpha下,可以拒绝原假设。 原假设:, 若tail=0 , 表示备择假设:(默认,双边检验); tail=1,表示备择假设:(单边检验); tail=-1 ,表示备择假设: (单边检验)。 例 4-74 某车间用一台包装机包装葡萄糖,包得的袋装糖重是一个随机变量,它服从正态分布。当机器正常时,其均值为0.5公斤,标准差为0.015。某日开工后检验包装机是否正常,随机地抽取所包装的糖 9 袋,称得净重为(公斤) 0.497, 0.506, 0.518, 0.524, 0.498, 0.511, 0.52, 0.515, 0.512 问机器是否正常?

显著性目标检测之Selectivity or Invariance: Boundary-Aware Salient Object Detection

梦想与她 提交于 2019-12-23 06:38:11
Selectivity or Invariance: Boundary-Aware Salient Object Detection 文章目录 Selectivity or Invariance: Boundary-Aware Salient Object Detection 主要贡献 针对问题 主要方法 实验细节 参考链接 原始文档: https://www.yuque.com/lart/papers/banet 主要贡献 对于显著性目标检测任务进一步明确其主要的两个难点,是一个对于变与不变都有需求的问题. 针对变与不变,提出了一种分而治之的模型,三支路各自实现不同的任务,三者相互补充. 提出了一种新颖的ASPP的替代结构.不同扩张率的分支的特征逐个传递,实现了丰富的多尺度上下文信息的提取. 针对问题 这篇文章还是从显著性目标边界的角度入手,着重解决两个问题: First, the interiors of a large salient object may have large appearance change , making it difficult to detect the salient object as a whole. Second, the boundaries of salient objects may be very weak so that

ASM-NET

[亡魂溺海] 提交于 2019-12-15 18:06:58
2019-12-03 04:32:31 作者 | 涂逸 编辑 | 唐里 基于美学的图像裁剪(aesthetic image cropping)的目标是在一张图片中找到具有最高美学评价的子图。 在本篇论文中,我们提出了一个新颖的图像裁剪模型来解决这个问题。对于每张图片,我们使用一个全卷积网络来生成一个同时对照片构图(photo composition)和物体显著性(object saliency)敏感的美学评分图(aesthetic score map),并让其所有候选子图都使用其进行美学评分。 该美学评分图可以用来定位图像中具有较高美学价值的区域,并帮助分析模型所学习到的构图规则。因此,我们的模型可以揭示美学评价的内在机理,具有良好的可解释性。我们在多个数据集上证明了本模型的优越性能,并展示了它的广泛应用场景。 本文已被AAAI20接收(https://ar xi v.org/abs/1911.10492)。 模型概述 为了找到最佳子图,图像裁剪模型一般会先生成大量的候选子图,然后对每张子图逐个进行美学评分,最终确定评分最高的子图。因此,一般来说,图像裁剪模型通常由候选子图生成模型和美学评分模型两个部分组成。早期的研究通过利用一些摄影知识来实现美学评分,比如使用人类总结的构图规则,像是三分法和中心法则。它们通过定义并抽取相应的特征来衡量子图的构图优劣。 随着深度学习技术的发展

四种比较简单的图像显著性区域特征提取方法原理及实现-----> AC/HC/LC/FT。

别等时光非礼了梦想. 提交于 2019-12-10 04:02:44
laviewpbt 2014.8.4 编辑 Email: laviewpbt@sina.com QQ:33184777   最近闲来蛋痛,看了一些显著性检测的文章,只是简单的看看,并没有深入的研究,以下将研究的一些收获和经验共享。 先从最简单的最容易实现的算法说起吧:    1、 LC算法   参考论文: Visual Attention Detection in Video Sequences Using Spatiotemporal Cues 。 Yun Zhai and Mubarak Shah. Page 4-5。 算法原理部分见论文的第四第五页。 When viewers watch a video sequence, they are attracted not only by the interesting events, but also sometimes by the interesting objects in still images. This is referred as the spatial attention. Based on the psychological studies, human perception system is sensitive to the contrast of visual signals, such as