- 博客(31)
- 资源 (2)
- 收藏
- 关注
RSS订阅翻译 搬运: CVonline: 图像数据库(二) (更新于20190821)
对象数据库 各种物体和场景的2.5D / 3D数据集（Ajmal Mian）3D对象识别立体数据集此数据集由9个对象和80个测试图像组成。（Akash Kushal和Jean Ponce）3D摄影数据集我们实验室捕获的十个多视图数据集（Yasutaka Furukawa和Jean Ponce）3D打印RGB-D对象数据集 - 带有groundtruth CAD模型和摄像机轨迹的5个对...
2019-08-21 16:15:13
8103
翻译 搬运: CVonline: 图像数据库(一) (更新于20190821)
CVonline：图像数据库按主题索引行动数据库农业属性识别自动驾驶生物/医药相机校准面部和眼睛/虹膜数据库指纹一般图像一般RGBD和深度数据集一般视频手，手抓，手动和手势数据库图像，视频和形状数据库检索 对象数据库人（静态和动态），人体姿势人员检测和跟踪数据库（另请参阅监视）遥感机器人场景或场所，场景分割或分类分割同时定位和映射监督和跟踪（另见人）...
2019-08-21 15:22:59
7355
1
原创 单纯基于numpy实现的神经网络框架 : numpy-net
numpynetProject url: https://github.com/horcham/numpy-net/About numpynetNumpynet is a neural networks framework implemented by numpy.Its coding style is like Gluon of mxnet. It can do derivation ...
2019-08-19 18:02:27
607
原创 中国股票市场分析和建模的project : zystock
StockPredictionTools for getting and modeling Chinese stocks项目地址: https://github.com/horcham/StockPrediction/这是一个针对中国股票市场分析和建模的project，它的名字叫zystock, 它支持以下功能： 输入股票代码，自动获取该股票的所有历史数据 计算该股票的常用指标 快速...
2019-08-19 17:59:05
1687
原创 TSVM实现
# coding:utf-8import numpy as npimport sklearn.svm as svmfrom sklearn.externals import joblibimport picklefrom sklearn.model_selection import train_test_split,cross_val_scoreclass TSVM(object):...
2019-01-30 19:49:43
9452
16
转载 HOG特征
HOG特征方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上...
2019-01-02 14:53:20
1023
原创 人脸识别方法概述
人脸识别综述人脸识别任务对应于机器学习的分类任务。然而并不是完全一致的。在传统的分类问题中，训练模型的数据类别数与实际应用时的数据类别数是一致的，而在人脸识别任务中，实际应用时的数据类别可以完全与训练模型的数据类别不一致。打个比方：MNIST手写数字识别任务中，用10类的手写数字数据集（记为D记为D记为D）训练和测试模型MmnistM_{mnist}Mmnist，应用该网络对其他数据ddd...
2018-09-25 15:05:49
2695
原创 insightface代码解读 模型输出的out与模型度量、测试的关系
针对于https://github.com/deepinsight/insightface 针对train_softmax.pyline 129到line 272的get_symbol函数，定义了模型结构。其框架大体如下def get_symbol(args,arg_params,aux_params): embedding = fresnet.get_symbol(...) #...
2018-08-30 11:49:07
4516
1
转载 优化算法
优化算法转自：https://zhuanlan.zhihu.com/p/32230623主要框架 待优化参数: www 目标函数: f(x)f(x)f(x) 初始学习率: αα\alpha 而后，开始进行迭代优化。 在每个epoch t： 计算目标函数关于当前参数的梯度： gt=∇f(wt)gt=∇f(w...
2018-08-25 18:51:46
779
转载 从贝叶斯方法谈到贝叶斯网络
从贝叶斯方法谈到贝叶斯网络0 引言 事实上，介绍贝叶斯定理、贝叶斯方法、贝叶斯推断的资料、书籍不少，比如《数理统计学简史》，以及《统计决策论及贝叶斯分析 James O.Berger著》等等，然介绍贝叶斯网络的中文资料则非常少，中文书籍总共也没几本，有的多是英文资料，但初学者一上来就扔给他一堆英文论文，因无基础和语言的障碍而读得异常吃力导致无法继续读下去则是非常可惜的（当
2017-09-26 17:23:35
1188
原创 朴素贝叶斯法
朴素贝叶斯的基本思想是根据贝叶斯定理以及基于特征条件独立假设的分类方法。对于给定数据集，首先根据特征条件独立假设，学习输入XX和输出YY的联合概率分布P(X,Y)P(X,Y)，然后基于此模型，对于输入xx，利用贝叶斯定理求出后验概率最大的输出yy。设输入空间χ⊆Rn\chi \subseteq \mathbf{R}^n为nn维向量的集合，输出空间为类标记集合γ={c1,c2,⋯,cK}\gam
2017-09-22 17:58:48
450
转载 基于空间金字塔池化的卷积神经网络物体检测
基于空间金字塔池化的卷积神经网络物体检测原文地址：http://blog.csdn.net/hjimce/article/details/50187655作者：hjimce一、相关理论 本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Vi
2017-09-17 13:25:43
440
转载 机器学习之分类器性能指标之ROC曲线、AUC值
机器学习之分类器性能指标之ROC曲线、AUC值 分类器性能指标之ROC曲线、AUC值一 roc曲线1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)...
2017-09-17 00:27:43
477
转载 交叉验证(Cross Validation)方法思想简介
交叉验证(CrossValidation)方法思想以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来
2017-09-16 23:59:55
460
转载 图像识别的深度学习
图像识别中的深度学习来源：《中国计算机学会通讯》第8期《专题》作者：王晓刚深度学习发展历史深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。神经网络试图
2017-09-12 09:31:03
6232
翻译 Understanding-LSTMs[中文翻译]
原文：https://colah.github.io/posts/2015-08-Understanding-LSTMs/循环神经网络每秒钟人类都不会从头开始思考。在阅读本文时，您可以根据您对以前单词的理解来理解每个单词。你不要把所有东西都扔掉，再从头开始思考。你的想法有持久性。传统神经网络不能做到这一点，似乎是一个主要的缺点。例如，想象一下，您想要分析电影中每一点发生的事件。传统神经网络如何能够利
2017-09-02 11:04:44
2202
原创 LASSO推导及其在恒星光谱上的应用
岭回归与LASSO都是基于线性回归上的算法，由于采取回归时可能会出现$\bm{w}$过大而产生过拟合的情况，因而引入惩罚项，将$\bm{w}$的范数引入损失函数中。岭回归和LASSO回归的区别在于其采用的范数不同。岭回归（ridge regression）考虑线性回归模型，以平方误差作为损失函数，并引入$L_2$范数进行正则化，从而防止过拟合。而LASSO则将$L_2$范数替换为$L_1$范数，其更容易得到稀疏解
2017-06-26 15:34:14
490
转载 滑动窗口机制
《深入理解计算机网络》第5章数据链路层，本章主要针对广域网中的数据链路层和局域网体系结构中的逻辑链路控制（LLC）子层的功能及相关技术进行全面、深入的介绍。本节为大家介绍滑动窗口机制。AD：WOT2015 互联网运维与开发者大会 热销抢票 5.4.2 滑动窗口机制在上面介绍的XON/XOFF 流量控制方案中，为了实现发送端与接收端的速率匹配，需要往返发送一些特殊的控制字符，这样就会
2017-06-25 20:41:23
1765
转载 GBDT（MART） 迭代决策树入门教程 | 简介
转自http://blog.csdn.net/w28971023/article/details/8240756在网上看到一篇对从代码层面理解gbdt比较好的文章，转载记录一下：GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，
2017-06-17 09:14:07
427
原创 FDA算法原理和python实现
FDA原理 FDA代码此次的数据来源为二进制文件t10k-images-idx3-ubyte，t10k-labels-idx1-ubyte，train-images-idx3-ubyte，train-labels-idx1-ubyte，分别为测试集数据、 测试集标签、 训练集数 据、训练集标签。读入数据之后,对数据进行标准化。代码如下:import numpy as npimport pand
2017-06-17 09:00:34
6049
1
转载 python ggplot使用文档(2)——gemo_abline,gemo_area,gemo_bar
此文档转载自https://github.com/yhat/ggpy/tree/master/docsgemo_ablinefrom ggplot import *pigeons.head()ggplot(pigeons, aes(x='pos', y='speed')) + \ geom_point() + \ geom_abline()ggplot(pigeons, aes(x
2017-05-16 18:13:18
1507
翻译 python ggplot使用文档(1)
此文档是基于https://github.com/yhat/ggpy/tree/master/docs翻译的ggplotggplot函数定义了一个底层，可以基于这个底层往上面添加表的部件（如x、y轴，形状、颜色等）通过添加部件，你可以通过较少的工作来建造复杂图表。ggplot函数有2个参数，如下画图所需要的数据。为DataFrame形式。数据将如何展现(aesthetics)你可以基于ggpl
2017-05-16 16:17:09
2743
原创 ubuntu16.04 下 安装rjava、Rwordseg、wordcloud安装
安装rJava在安装Rwordseg之前需要安装与配置rJava。我们需要如下命令安装rJava和openjdksudo apt-get install r-cran-rjava 则可以在R里面加载rJava了。 安装Rwordseg在ubuntu下装包，有部分包在用install.packages('包')时，会出现“安装程序包‘Rwordseg’时退出狀態的值不是0”的错误，如下 对于解
2017-05-14 11:35:48
1387
转载 sublime text 3 快捷键
转自https://www.douban.com/note/362268947/Ctrl+D 选词 （反复按快捷键，即可继续向下同时选中下一个相同的文本进行同时编辑） Ctrl+G 跳转到相应的行 Ctrl+J 合并行（已选择需要合并的多行时） Ctrl+L 选择整行（按住-继续选择下行） Ctrl+M 光标移动至括号内开始或结束的位置 Ctrl+T 词互换 Ctrl+U 软撤销 Ct
2017-04-12 23:46:22
454
转载 使用minidom来处理XML的示例(Python 学习)(转载)
转自 http://www.cnblogs.com/xuxm2007/archive/2011/01/16/1936610.html在 NewEdit 中有代码片段的功能，代码片段分为片段的分类和片段的内容。在缺省情况下都是用XML格式保存的。下面我讲述一下，如何使用minidom来读取和保存XML文件。下面是片段分类的一个示例文件–catalog.xml<?xml version="1.0" e
2017-04-09 17:02:46
740
原创 RBF神经网络
RBF（径向基函数神经网络）网络结构图如下 对于输入x=(x1,x2,⋯,xn)T\mathbf{x}=(x_1,x_2,\cdots,x_n)^T，c1,c2,⋯,cm\mathbf{c_1,c_2,\cdots,c_m}为样本中心，w=(w1,w2,⋯,wm×h)\mathbf{w}=(w_1,w_2,\cdots,w_{m\times h})为输出权重。则其第yiy_i个输出为 y
2017-04-03 15:38:16
3064
原创 一般神经元模型
一般神经元对于输入x=(x1,x2,⋯,xn)T\mathbf{x}=(x_1,x_2,\cdots,x_n)^T，w=(w1,w2,⋯,wn)T\mathbf{w}=(w_1,w_2,\cdots,w_n)^T为神经元输入权值，θ\theta为偏置，u(x)u(\mathbf{x})和f(x)f(\mathbf{x}) 分别为神经元的基函数和激活函数。基函数 u(x)u(\mathbf{x}
2017-04-02 19:50:58
2813
转载 Python中的类（上）
在Python中，可以通过class关键字定义自己的类，然后通过自定义的类对象类创建实例对象。例如，下面创建了一个Student的类，并且实现了这个类的初始化函数”init“:class Student(object): count = 0 books = [] def __init__(self, name, age): self.name = name
2017-02-28 01:18:50
353
原创 Ubuntu python安装与配置selenium
安装selenium指定pip安装selenium 1.linux，通过anaconda所在文件夹查找pip文档所在路径（windows则查找pip.exe所在路径），之后用带路径的pip 安装selenium# ubuntusudo /home/horcham/anaconda2/bin/pip install selenium# windows/home/horcham/anaconda
2017-02-26 17:38:36
1092
原创 Ubuntu下配置Sublime的Jedi的代码自动补全
Ubuntu下安装sublimesublime-text常用来写代码，它的代码高亮，自动补全功能着实很迷人，还有很多拓展包，觉得大家可以尝试一下。如果您想采用sublime-text2，则可访问 http://www.sublimetext.com/2 下载，若想采用sublime-text3，则可访问http://www.sublimetext.com/3 下载。下载之后的文件格式为deb。Ubu
2017-02-25 12:23:26
3242
原创 Ubuntu下配置Anaconda
安装AnacondaUbuntu下似乎库中不自带Anaconda，是自带纯净的python，且2.x和3.x都自带，但装包比较麻烦，不如一步到位装Anaconda。Anaconda的官方安装网址在 https://www.continuum.io/downloads/ 。在安装之前请先确认要安装的是python2.x or python3.x，确认之后则可点击安装。 由于Anaconda的官网下载
2017-02-25 11:30:33
14248
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人