2016年04月_mmc2015

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创基于Boost方法的人脸检测（5）：在一张图片中检测人脸

for (rate = 2; rate <= 7; rate += 1) //for each window { len = BaseLen*rate; //检测人脸的窗口边长（默认正方形）[50, 75, 100, 125, 150, 175] cout << "current window len is: " << len << endl; step = len/2;

2016-04-30 13:00:39 936

原创基于Boost方法的人脸检测（4）：弱分类器生成、强分类器生成（AdaBoost）

弱分类器生成：allWeakCLF=[]for feaInd in range(data.shape[1]-1): tempD=data.iloc[:,[feaInd,-1]] tempD=tempD.sort(columns=tempD.columns[0], ascending=False) tempD=np.array(tempD) bestCLF=[0.0, 1000

2016-04-30 12:57:59 1530

原创基于Boost方法的人脸检测（3）：特征生成、特征值计算（积分图）

随机生成特征和生成指定特征：void GenerateFeature(vector> &featureList){ vector feature; int x, y, w, h; for (w = 4; w <= 16; w = w + 4) //[4, 8, 12, 16] { for (h = 3; h <= 12; h = h + 3) //[3, 6, 9, 12]

2016-04-30 12:54:54 1479

原创基于Boost方法的人脸检测（2）：样本生成（切割图像、resize图像、灰度化图像、保存图片）

infile >> faceCount; cout << faceCount << endl; for (int i = 1; i <= faceCount; i++) { infile >> h >> w >> angle >> x >> y >> one; //cout << h << "**" << w << "**" << angle << "**" << x <<

2016-04-30 12:51:55 873

原创基于Boost方法的人脸检测（1）：整体思路

先推荐大家看着两篇：[2] Viola P, Jones M J. Robust Real-Time Face Detection[J]. International Journal of Computer Vision, 2004, 57(2):137-154.[3] http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html

2016-04-30 12:48:34 3520

转载多臂赌博机，multi-armed bandit problem（3）：

感觉多臂赌博机方面的中文文献很少，偶尔碰到，记录一下，方便其它人学习。感谢原作者：http://mlyixi.byethost32.com/blog/?cat=35在上两节我们讨论的UCB系列算法面对的情况是静态的,即各臂的分布参数不会改变,于是我们就"乐观地面对不确定性"--根据采样平均值尽快地确定那个最好的臂.但是在现实世界中收益结构是更复杂的,非静态的

2016-04-26 09:16:48 6715

转载多臂赌博机，multi-armed bandit problem（2）：

感觉多臂赌博机方面的中文文献很少，偶尔碰到，记录一下，方便其它人学习。感谢原作者：http://mlyixi.byethost32.com/blog/?cat=35这一节我们来了解下多臂赌博机问题的提出和理论基础,最后讨论下UCB系列策略.当然,这里的多臂赌博机问题是随机式的. 随机式多臂赌博机的问题描述就不在这里重复了,可以参考上一节理论问题的证明

2016-04-26 09:13:45 7169

转载多臂赌博机，multi-armed bandit problem（1）：

感觉多臂赌博机方面的中文文献很少，偶尔碰到，记录一下，方便其它人学习。感谢原作者：http://mlyixi.byethost32.com/blog/?tag=%E5%A4%9A%E8%87%82%E8%B5%8C%E5%8D%9A%E6%9C%BA假想一个风投他想着他的收益最大化,这时他总会面临一个两难: 何时去投资那些已经成功的公司,何时去投资那些还没有成功但具有很大潜力的

2016-04-26 09:11:11 22893 4

原创 full paper、short paper、poster；transaction、Conference、Workshop

full paper、short paper、poster、oral：而CV界的会议一般分三级：oral，需要作者准备PPT上台进行presentation；poster，作者贴一张海报，如果有人感兴趣就会到该作者的墙报前面讨论；workshop，一般都是某些大牛觉得该领域有哪些方面是研究热点，就向会议chair申请开一个独立的研讨会，值得注意的是workshop是独立

2016-04-20 20:21:48 14052

原创 Keras（2）：使用Keras构建神经网络进行Mnist手写字体分类，并定性分析各种超参数的影响

实验报告0、BaseNet（三层、sigmoid、784-386-10） 11、Hidden_Net（784-112-10和784-543-10） 22、reluActivation_Net 33、DeepNet（四层、五层） 44、DeepNet（四层、五层；训练轮数增加） 55、DeepNet（五层；Dropout） 67、DeepNet（五层；Dro

2016-04-11 11:22:51 8214 15

原创记一次失败的kaggle比赛（2）：构造新特征、特征筛选

接第一篇：http://blog.csdn.net/mmc2015/article/details/51095446第一篇中提到的主要问题：第一：暴力搜索特征的方式在特征数较多的情况下不可取；较少的情况下可以考虑（第二：sklearn中的这几个模型，ExtraTreesClassifier效果最差，RandomForestClassifier效果较好且速度比较快，G

2016-04-08 13:08:04 7873

原创记一次失败的kaggle比赛（1）：赛题简介与初次尝试

题目描述：https://www.kaggle.com/c/santander-customer-satisfaction简单总结：一堆匿名属性；label是0/1；目标是最大化AUC。第一次尝试：特征：由于时间比较充裕，直接用了暴力搜索提取较好的特征：#!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! better use a RFC or G

2016-04-08 12:37:05 5490

转载 P2P系统、一致性哈希、DHT

http://blog.csdn.net/dc_726/article/details/42612349数据网格产品经常会使用P2P进行通信，借此机会系统地学习一下P2P网络和其资源搜索策略。1 P2P网络架构谈到P2P就涉及到一个概念：Overlay Network(覆盖网络)。所谓覆盖网络是应用层网络，几乎不考虑网络层和物理层，它具体指的就是建立在另一个网络

2016-04-05 21:25:01 873

原创挖掘DBLP作者合作关系，FP-Growth算法实践（6）：简单的总结报告

基于FP-Growth的频繁项集挖掘与基于社交图的关联规则挖掘一、任务简介 1二、数据集 1三、基本思路 23.1、发掘各个会议的“核心”研究者 23.2、挖掘作者之间的合作关系 33.3、挖掘导师-学生关系 5四、正确性验证 5五、总结 5 一、任务简介本次挖掘任务有三个：第一，发掘各个会议的“核心”研究者，具体包括在相应会议上的发表文章数量、活

2016-04-02 13:23:09 2137

挖掘DBLP作者合作关系，FP-Growth算法实践

挖掘DBLP作者合作关系，FP-Growth算法实践包括三个代码，一堆结果文件

2017-04-07

Chrome_IE_driver_X64_X32.rar

Chrome_IE_driver 64位32位都有，很好用，已测试。

2016-11-07

dblp测试数据集，包括十六个会议的【部分内容】，使用SDM, ICDM, ECML-PKDD, PAKDD, WSDM, DMKD, TKDE, KDD Explorations, ACM Trans. On KDD, CVPR, ICML, NIPS, COLT、 CVPR、SIGIR、SIGKDD 十六个会议，至少从2000年至今的所有数据。应用代码参考：http://blog.csdn.net/mmc2015/article/details/50988375 确实花了我很多时间搜集

2016-03-26