F

June 03, 2023

本文旨在按字母顺序对团队研究过程中涉及的术语进行分类解释，为对该领域感兴趣的读者提供一份全面的术语表。

Feature Engineering

++Need to Fill++

Few-shot Learning

++Need to Fill++

Filter

滤波器（Filter）也称为卷积核（Kernel）。在卷积神经网络（CNN）中，通常使用监督学习（supervised learning）的方法，这意味着需要通过标记的图像（labelled images）来训练CNN。 CNN通过训练来优化卷积滤波器的权重（weight）并最小化误差，从而自己形成适合最小化误差的滤波器形状。设置滤波器的大小在训练过程中非常重要，因为这样可以确保在处理输入图像时滤波器能够提取有意义的特征（features）。

F-measure / F1 score

F度量（F-measure）是将准确率（Precision）和召回率（Recall）结合在一起，用一个指标来表示的。在下面的公式中，参数λ决定了准确率和召回率之间的权重分配。例如，当λ取1时，即表示更加重视召回率而不是准确率。在F度量中，最常用的指标是λ取1，即将准确率和召回率视为同等重要。

F_\beta=\left(1+\beta^2\right) \frac{\text { Precision } \times \text { Recall }}{\beta^2 \times \text { Precision }+ \text { Recall }} \quad F_1=\frac{2 \times \text { Precision } \times \text { Recall }}{\text { Precision }+ \text { Recall }}

Fully Connected Layer

全连接层（Fully Connected Layer）也被称为密集层（Dense Layer）。每个节点都与后续隐藏层（Hidden Layer）的所有节点相连接，因此被称为全连接。