机器学习
文章平均质量分 92
机器学习知识记录
木顶思上
发表是最好的记忆。
展开
-
深度学习论文阅读路线图
转载自知乎:深度学习论文阅读路线图 Deep Learning Papers Reading Roadmap。1 前言相信很多想入门深度学习的朋友都会遇到这个问题,就是应该看哪些论文。包括我自己,也是花费了大量的时间在寻找文章上。另一方面,对于一些已经入门的朋友,常常也需要了解一些和自己研究方向不同的方向的文章。因此,这里做了一个深度学习论文阅读路线图,也就是paper lis转载 2016-12-13 22:26:35 · 2829 阅读 · 0 评论 -
深度学习框架Caffe源码解析
作者:薛云峰(https://github.com/HolidayXue),主要从事视频图像算法的研究,就职于浙江捷尚视觉科技股份有限公司担任深度学习算法研究员。 本文来源知乎。 原文:深度学习框架Caffe源码解析。相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架,也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角转载 2016-12-13 21:31:49 · 1123 阅读 · 1 评论 -
机器学习资源(持续更新)
在最近的学习中,看到一些有用的资源就记下来了,现在总结一下,欢迎补充! 机器视觉开源代码合集 计算机视觉算法与代码集锦 计算机视觉的一些测试数据集和源码站点 SIFT官网 SURF PCA-SIFT and SIFT 开源代码 总结 常用图像数据集:标注、检索 KTH-TIPS2 image dataset 视频中行为识别公开数据库汇总 MSR Action Recognitio原创 2016-01-14 11:12:57 · 1893 阅读 · 1 评论 -
机器学习算法及应用领域相关的中国大牛
周志华:是南京大学的杰青,机器学习和数据挖掘方面国内的领军人物,其好几个研究生都进入了美国一流高校如uiuc,cmu等学习和深造。周教授在半监督学习,multi-label学习和集成学习方面在国际上有一定的影响力。另外,他也是ACML的创始人。 杨强:香港科技大学教授,也是KDD 2012的会议主席,可见功力非同一般。杨教授是迁移学习的国际领军人物,曾经的中国第一位acm全球冠军上交的戴文渊硕士期原创 2015-12-05 22:30:32 · 1708 阅读 · 0 评论 -
ML、CV和AI等领域的一些顶级会议
1、机器学习顶级会议:NIPS, ICML, UAI, AISTATS; (期刊:JMLR, ML, Trends in ML, IEEE T-NN) 2、计算机视觉和图像识别:ICCV, CVPR, ECCV; (期刊:IEEE T-PAMI, IJCV, IEEE T-IP) 3、人工智能:IJCAI, AAAI; (期刊AI) 另外相关的还有SIGRAPH, KDD, ACL, SI原创 2015-12-05 20:55:42 · 10357 阅读 · 0 评论 -
基于ENVI的图像融合
最近研究了图像融合的相关内容,学会了一种在ENVI软件上实现的融合多光谱图像和全色图像(高分辨图像)的方法,现在总结流程如下: 1、打开ENVI软件,这里所用的是ENVI5.1版本 2、点击file-open,准备读入图像: 3、选中需要进行融合的图像,这里选择的是多光谱图像MS4_20150530.tif: 下图是读入进来的多光谱图像 4、再点击file-open,读入第原创 2016-04-16 20:40:27 · 22646 阅读 · 3 评论 -
机器学习常用算法总结
机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文总结一下常见的机器学习算法,以供参考。机器学习的算法很多,很多算法是一类算法,而有些算法又是从其他算法中延伸出来的。这里从两个方面进行总结,第一个方面是学习的方式,第二个方面是算法的类似性。一、学习方式 根据数据类型的不同,对一个问题的建模有不同的方式。在机器学习或者人原创 2016-08-21 23:26:48 · 39560 阅读 · 1 评论 -
阿尔法狗是怎么用机器学习做决策的
转载自阿尔法狗是怎么用机器学习做决策的。雷锋网注:本文作者许铁, 法国巴黎高师物理硕士 ,以色列理工大学(以色列85%科技创业人才的摇篮, 计算机科学享誉全球)计算神经科学博士,巡洋舰科技有限公司创始人, 曾在香港浸会大学非线性科学中心工作一年。阿尔法狗这个被大家热议过很久的主题, 里面其实包含了非常深刻的机器学习智慧。 是一部学习机器学习甚至是人类决策的绝好教材。机器学习是A转载 2016-09-19 13:49:59 · 3260 阅读 · 1 评论 -
大脑中的支持向量机
本文转自知乎:大脑中的支持向量机。支持向量机(SVM)是一种重要的机器学习分类器, 它巧妙的运用非线性变换把低维的特征投影到高维,可以执行比较复杂的分类任务(升维打击)。 SWM看似使用了一个数学上的玄技,实则是恰巧符合了大脑编码的机理, 我们可以从2013年的一篇nature论文读起,理解机器学习和大脑工作原理的深层联系(表面的联系是运用机器学习研究大脑)。论文名称: T转载 2016-12-26 22:03:17 · 1160 阅读 · 0 评论 -
深度学习资料整理
花了一点时间整理了一些资料,方便学习。一、书籍推荐1、吴恩达的《Deep Learning》很经典,《深度学习》这本书从浅入深介绍了基础数学知识、机器学习经验以及现阶段深度学习的理论和发展,不管是人工智能技术爱好者,还是相关从业人员使用这本书都是非常有好处的。2、周志华的《机器学习》3、Peter Harrington的《机器学习实战》,主要是用Python编写二、一些在线原创 2017-12-23 01:18:12 · 2054 阅读 · 0 评论 -
Label的设计以及特征列
对于监督学习内容,标签(label)是一个很重要的内容。有了数据(Data)和标签(Labels),就可以利用监督学习通用框架进行建模了。 1、标签的类型 (1)单列0-1值(二分类问题,一个样本只属于一类并且一共只有两类) (2)单列连续值(单回归问题,要预测的值只有一个) (3)多列0-1值(多分类问题,同样是一个样本只属于一类但是一共有多类) (4)多列连续值(多回归问题,能够预测原创 2018-01-07 11:30:36 · 2180 阅读 · 0 评论 -
监督学习框架通用处理流程
1、机器学习可以简单地分为监督学习和无监督学习,对于监督学习可以分为分类问题和回归问题。(1)分类:将实例数据划分到合适的分类中。KNN(k-近邻算法)、决策树、朴素贝叶斯、Logistic回归、SVM(支持向量积)。分类问题示意图(2)回归:预测数值型数据,包括一元线性回归、多元线性回归、Logistic回归等。关于这方面的详细介绍可以参见监督学习与无原创 2018-01-07 12:05:50 · 2970 阅读 · 0 评论 -
Distinctive Image Features from Scale-Invariant Keypoints-SIFT算法译文
从尺度不变的关键点选择可区分的图像特征 David G.Lowe温哥华不列颠哥伦比亚省加拿大英属哥伦比亚大学计算机科学系Lowe@cs.ubc.ca2003年1月10日接受,2004年1月7日修改,2004年1月22日采用摘要:本文提出了一种从图像中提取独特不变特征的方法,可用于完成不同视角之间目标或场景的可靠匹配的方法。这种特点对图像的尺度和旋转具有不变性。并跨越很大范围翻译 2015-11-23 14:12:08 · 2416 阅读 · 0 评论 -
PCA-SIFT总结
PCA-SIFT算法在描述子构建上作了创新,主要是 将统计学中的主成分分析(PCA)应用于对描述子向量的降维,以提高匹配效率 。PCA 的原理是:一般有效信号的方差大,噪声的方差小;通过PCA可以降维滤除噪声,保留信号。 1、算法分析 PCA-SIFT与标准SIFT有相同的亚像素位置(sub-pixel),尺度(scale)和主方向(dominant orientations),但在第4步计算描原创 2015-12-28 15:07:46 · 4460 阅读 · 1 评论 -
MNIST手写数字数据库
手写数字库很容易建立,但是总会很浪费时间。Google实验室的Corinna Cortes和纽约大学柯朗研究所的Yann LeCun建有一个手写数字数据库,训练库有60,000张手写数字图像,测试库有10,000张。请访问原站 http://yann.lecun.com/exdb/mnist/该数据库在一个文件中包含了所有图像,使用起来有所不便。如果我把每个图像分别保存,成了图像各自独立的数据库。并转载 2015-10-21 19:35:30 · 1389 阅读 · 0 评论 -
对CNN中pooling的理解
自己在看论文的过程中结合网上的一些资料,对pooling的一些理解汇总如下,以供参考: 1、pooling主要是在用于图像处理的卷积神经网络中,但随着深层神经网络的发展,pooling相关技术在其他领域,其他结构的神经网络中也越来越受关注。 2、卷积神经网络中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征,亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。pooling原创 2015-11-25 21:29:55 · 29418 阅读 · 0 评论 -
一些常用的图像数据库总结
1、Vedio and Image Datasets Index 这个网址提供了大量的视频和图像的数据库下载索引,并有相应的介绍,强烈推荐!大家慢慢去找寻自己的惊喜吧 2、CV Datasets on the web 这里主要有检测、分类、识别、追踪(tracking)、分割、显著性检测、视频监测……内容特别丰富,强烈推荐! 3、FIR Sequence. Pedestrian Datase原创 2015-12-17 14:56:05 · 6114 阅读 · 0 评论 -
监督学习与无监督学习总结
1、通俗解释版 这个问题可以回答得很简单:是否有监督(supervised),就看输入数据是否有标签(label)。输入数据有标签,则为有监督学习,没标签则为无监督学习。 首先看什么是学习(learning)?一个成语就可概括:举一反三。此处以高考为例,高考的题目在上考场前我们未必做过,但在高中三年我们做过很多很多题目,懂解题方法,因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似:我们原创 2016-01-18 11:22:01 · 6030 阅读 · 0 评论 -
Loss Function总结
开始比较纠结于Cost/Error Function和Loss Function之间的区别,后来发现它们在数学优化问题上其实是一回事,见这里。因此以下主要以LossFunction进行总结。 一、什么是Loss Function wiki上有一句解释很到位,引用一下:The loss function quantifies the amount by which the predictio原创 2016-01-20 15:51:46 · 18703 阅读 · 0 评论 -
Torch/Lua学习资料汇总
在学习Torch/Lua的过程中,积累了一些资料,现汇总如下,自己会随时补充,也欢迎大家补充!1、Torch Package Reference Manual,Torch帮助手册 网址:http://torch7.readthedocs.org/en/latest/index.html2、Deep Learning with Torch,Torch平台上的深度学习,60分钟教程,很详细! htt原创 2015-11-13 17:03:12 · 10540 阅读 · 0 评论 -
吉洪诺夫正则化(Tikhonov regularization )
最近看了看吉洪诺夫正则化方法,对其基本内容作了一个简单的了解。现在总结如下。 1、正则化 定义:正则化(regularization),是指在线性代数理论中,不适定问题通常是由一组线性代数方程定义的,而且这组方程组通常来源于有着很大的条件数的不适定反问题。大条件数意味着舍入误差或其它误差会严重地影响问题的结果。 另外给出一个解释性定义:对于线性方程Ax=b,当解x不存在或者解不唯一时,就是所谓原创 2015-12-27 10:52:49 · 57915 阅读 · 1 评论 -
谷歌背后的数学
以下是转载,见这里。 一. 引言 在如今这个互联网时代, 有一家公司家喻户晓——它自 1998 年问世以来, 在极短的时间内就声誉鹊起, 不仅超越了所有竞争对手, 而且彻底改观了整个互联网的生态。 这家公司就是当今互联网上的第一搜索引擎: 谷歌 (Google)。 在这样一家显赫的公司背后, 自然有许许多多商战故事, 也有许许多多成功因素。 但与普通商战故事不同的是, 在谷歌的成功背后转载 2016-03-23 23:07:13 · 1242 阅读 · 0 评论 -
ReLu(Rectified Linear Units)激活函数总结
最近在看一篇论文,里面有提到ReLu(修正线性单元),之前有听师兄讲过,有一定的兴趣,于是在网上搜找了一些资料,总结了一下,欢迎补充!Deep Sparse Rectifier Neural Networks ReLu(Rectified Linear Units) 修正线性单元(Rectified linear unit,ReLU) 激活函数实现–4 Rectified linear函数实原创 2015-12-08 12:58:19 · 24700 阅读 · 0 评论 -
关于Sigmoid函数
1 Sigmoid函数的定义 Sigmoid函数是一个在生物学中常见的S型的函数,也称为S形生长曲线。 Sigmoid函数由下列公式定义: Sigmoid函数的图形如S曲线,如下图所示: 2 Sigmoid函数的性质 sigmoid函数是一个良好的阈值函数,连续,光滑,严格单调; 其导数如下: , 可以节约计算时间. 3 Sigmoid函数的应用 在信原创 2015-11-03 09:35:32 · 7056 阅读 · 0 评论 -
Torch7平台上基于CNN的SAR图像变化检测
1 SAR图像变化检测步骤 : (1)获取原始SAR图像的对数比值图像; (2)将得到的数据按照一定的方式转化为Tensor格式的数据,以作为CNN的输入; (3)构建CNN模型; (4)训练; (5)测试。 2 卷积神经网络 参考资料,可以参考zouxy09的博客,写得很详细: http://blog.csdn.net/zouxy09/article/details/878154原创 2015-11-11 21:49:54 · 3830 阅读 · 8 评论 -
torch平台上利用K-means方法实现SAR图像变化检测
1 SAR图像变化检测步骤 : 首先获取原始SAR图像的对数比值图像,再利用kmeans方法对比值图像的像素值进行聚类,聚成2类,由此得到粗略的变化检测结果.2 K-means聚类算法 K-means算法是聚类算法中最简单的一种。聚类指的就是将一堆具有类似特征的无标签点归位一类,比如黑种人和黄种人由于身高、体型、肤色、毛发各个特征上的不同(单纯肤色说服力不够)而聚类为两个簇。K原创 2015-11-04 21:05:35 · 4068 阅读 · 3 评论 -
Torch7平台上显示图片的几种方法
**Torch7平台上显示图片的几种方法**本文主要是个人总结的在Torch7平台上显示图片的几种方法, 欢迎补充!————————————————————————– 方法1: ————————————————————————– 直接在terminal终端输入display即可: 实例: $ display test.png 注:所显示的图像会用ImageMagick打开,左键单击图片,原创 2015-10-17 11:28:59 · 5567 阅读 · 2 评论