- 博客(18)
- 资源 (32)
- 收藏
- 关注
转载 9个offer,12家公司,35场面试,从微软到谷歌,应届计算机毕业生的2012求职之路
1,简介毕业答辩搞定,总算可以闲一段时间,把这段求职经历写出来,也作为之前三个半月的求职的回顾。 首先说说我拿到的offer情况:微软,3面->终面,搞定百度,3面->终面,口头offer搜狗,2面,悲剧腾讯,1面,悲剧布丁移动,3面,搞定涂鸦游戏,3面,搞定友盟,3面->CEO面,搞定雅虎,4面->终面,搞定
2016-04-30 21:05:45 1327
原创 Autoencoder的C++代码(带注释)。
#include "stdafx.h"#include #include "math.h"using namespace std;double d = 0.4;// sigmoid函数double function_g(double x){ // e的x次幂 double ex = pow(2.718281828,x); return ex/(1+ex);}// 自
2016-04-30 20:48:42 1405
转载 Efficient Graph-Based Image Segmentation
前一段时间在看Selective Search【1】的论文,其前期工作就是利用Graph-Based Image Segmentation【2】的分割算法,在深入阅读论文【2】以及查阅代码之后,深深地为作者的清晰逻辑折服。在此将自己对于这篇论文的理解记录下来。后期将继续补充对Selective Search的理解。 【2】是2004年由Felzenszwalb发表在IJCV上的
2016-04-26 20:25:38 1290
转载 Selective Search for Object Recognition解读
Selective Search for Object Recoginitionsurgewong@gmail.comhttp://blog.csdn.net/surgewong 在前一段时间在看论文相关的工作,没有时间整理对这篇论文的理解。在前面的一篇博客【1】中有提到Selective Search【2】,其前期工作利用图像分割
2016-04-26 10:23:55 970 2
原创 PCANet的C++代码——详细注释版
PCANet的C++代码:here。代码注释:cv::Mat im2colstep(cv::Mat& InImg, vector& blockSize, vector&stepSize){ // block的行大小 * 列大小,定义OutBlock的列数。 int r_row = blockSize[ROW_DIM] * blockSize[COL_DIM]; // 图片的rows
2016-04-21 21:46:08 3456
转载 数学之美系列十六 -- 最大熵模型
[我们在投资时常常讲不要把所有的鸡蛋放在一个篮子里,这样可以降低风险。在信息处理中,这个原理同样适用。在数学上,这个原理称为最大熵原理(the maximum entropy principle)。这是一个非常有意思的题目,但是把它讲清楚要用两个系列的篇幅。] 前段时间,Google 中国研究院的刘骏总监谈到在网络搜索排名中,用到的信息有上百种。更普遍地讲,在自然语言处理中,我们常常知
2016-04-20 15:09:57 1308
转载 奇异值分解(SVD) --- 几何意义
PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把 这个问题讲解的如此清晰,实属不易。原文举了一个简单的图像处理问题,简单形象,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理 解,比如 个性化推荐中应用了SVD,文本以及Web挖掘的时候也经常会用到SVD。原文:We recommend a si
2016-04-20 13:13:34 649
转载 PCANet训练过程
PCANet:一种简单的深度学习算法_PCA主成分分析之前看过一句话,未来领域类专家需求将越来越少,而相应的数据挖掘专家需求将不断增加,这时因为深度学习的核心在于其自适应的特征提取。PCANet是一个基于CNN的简化Deep Learning模型。之所以读它是因为它是基于PCA(SVD)的,其卷积核从图像信号的某种SVD分解得到的,而这也是张量列分解的核心之一。该网络与CNN相比最大的地方
2016-04-20 12:59:36 3584 3
原创 Machine learning algorithms-Dlib C++ Library
Dlib is a modern C++ toolkit containing machine learning algorithms and tools for creating complex software in C++ to solve real world problems.Pagehere.
2016-04-18 14:45:04 1026
转载 WinEdt的bib参考文献管理教程
写了几篇paper,都是采用别人给的模板,里面的参考文献都是在最后手动敲出来的,比较麻烦,而且特别容易出错。这短时间就深刻体会到了这个苦,所以今天狠下决心,用了一个小时的时间学习了一下如何进行bib参考文献编辑,并整理如下,保证所有从白痴级别开始的人都能3分钟上手。废话不多说啦,直接上教程。这个我还生成pdf贴在了自己的空间里,有需要的可以自行下载,有问题也可以联系我吆。htt
2016-04-14 21:16:31 7511 1
转载 LaTex的数学公式从mathtype导入
以winedt为例:1、在mathtype里头输入公式2、选择Preferences里头的Translators3、选择Translator,去掉Include translator name in translation和Include MathType data in translation,并选择TeX-LaTex 2.09 and later4、
2016-04-14 16:40:39 5168
转载 jpg/png格式图片转eps格式的方法总结
用latex写论文的筒子应该遇到这样的问题:latex在一般情况下,只支持eps格式的图像文件,而我们一般得到的文件是jpg或png格式的(使用origin绘制的曲线可以直接导出eps格式)。那么就可能需要将jpg/png转换成eps格式,这里介绍几种方法。内容目录 [隐藏]方法一:软件另存为方法二:latex自带命令bmeps1. 从Winedt中打开命令
2016-04-14 10:47:14 2433
转载 opencv 人脸识别 (二)训练和识别
上一篇中我们对训练数据做了一些预处理,检测出人脸并保存在\pic\color\x文件夹下(x=1,2,3,...类别号),本文做训练和识别。为了识别,首先将人脸训练数据 转为灰度、对齐、归一化,再放入分类器(EigenFaceRecognizer),最后用训练出的model进行predict。-----------------------------------------
2016-04-11 10:34:59 1436
转载 opencv 人脸识别 (一)训练样本的处理
本文实现基于eigenface的人脸检测与识别。给定一个图像数据库,进行以下步骤:进行人脸检测,将检测出的人脸存入数据库2对数据库2进行人脸建模在测试集上进行recognition本篇实现第一步:进行人脸检测,将检测出的人脸存入数据库2环境:vs2010+opencv 2.4.6.0特征:eigenfaceInpu
2016-04-11 10:33:52 1241 2
转载 OpenCV Haar AdaBoost源码改进(比EMCV快6倍)
这几天研究了OpenCV源码 Haar AdaBoost算法,作了一下改进1.去掉了所有动态分配内存的操作,对嵌入式系统有一定的速度提升2.注释覆盖了大量关键代码3.减少了代码一半的体积,并且减少了部分健壮性的代码,速度比OpenCV源码提升16%4.修改了大量数据结构,不依赖CV源码直接编译5.去掉了double型,改成Int6.开方改成查表
2016-04-07 11:14:36 1655
转载 Main函数中的argc和argv应用举例
尽管之前写过一篇关于argc,argv方面的文章(http://blog.csdn.net/carson2005/article/details/5766192)但依然有朋友搞不太清楚。所以,这里,我举两个简单的例子来详细说明,并告诉你一步一步的操作步骤。例1:打开指定路径下的一个文本文件,读取其内容,并将其写入到指定路径下的另一个文件当中。其中,采用argv来传递输入文件路径和输出文件路
2016-04-07 10:31:15 705
转载 训练自己的harr-like特征分类器并识别物体
本系列文章旨在学习如何在opencv中基于haar-like特征训练自己的分类器,并且用该分类器用于模式识别。该过程大致可以分为一下几个大步骤:1.准备训练样本图片,包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别=================本文主要对步骤1、步骤2进行说明。1.准备训练样本图片,包括正例及反例样本1)正样本的采集: 所谓正
2016-04-07 10:22:45 2917 3
转载 召回率 Recall、精确度Precision、准确率Accuracy、虚警、漏警等分类判定指标
根据自己的知识总结的,定义应该肯定对了,在某些表述方面可能有错误的地方。假设原始样本中有两类,其中: 1:总共有 P个类别为1的样本,假设类别1为正例。 2:总共有N个类别为0 的样本,假设类别0为负例。 经过分类后:3:有 TP个类别为1 的样本被系统正确判定为类别1,FN 个类别为1 的样本被系统误判定为类别 0,显然有P=TP+FN; 4:有 FP 个类别为0 的样本
2016-04-05 10:02:16 1960
Face Recognition(face_recognition) Using Hadoop Streaming API
2017-10-08
caffe深度学习薛开宇笔记实例-基于卷积神经网络的声音识别
2016-12-27
Deep Learning textbook
2016-12-09
训练xml文件时,产生info.txt文件
2016-11-01
斯坦福大学机器学习课程个人笔记完整版
2016-04-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人