- 博客(14)
- 资源 (15)
- 收藏
- 关注
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
dblp测试数据集
2016-03-26
entity linking源码
2016-01-17
机器学习数据集,20news-bydate.rar
2015-09-06
java读xml文件jar包
2015-08-22
javaweb连接数据库包mysql-connector-java-5.1.27-bin.jar
2015-08-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人