- 博客(55)
- 收藏
- 关注
RSS订阅转载 vs调试MEX文件
http://www.cnblogs.com/lukylu/p/4042306.html matlab里面无法单步调试mex函数，故需转到VS上面调试，这里采用VS2010。 参考网上很多人写的方法但都很乱，杂，试了多次都没有成功。今天终于解决了，现把方法记录下来。 1、VC中编写Mex函数 新建一个win32dll 空项目。 2、添加源文件Test.cpp，编写MEX...
2016-05-10 22:29:00
196
转载 猪猪的机器学习笔记（二十）循环神经网络
循环神经网络作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第二十次课在线笔记。多层反馈RNN（Recurrent neural Network、循环神经网络）神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它...
2016-05-06 18:24:00
130
转载 猪猪的机器学习（十九）卷积神经网络
卷积神经网络作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十九次课在线笔记。卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。引言：第十九和二十课进入了目前比较新又非常热门的深度学习中。在传统的机器...
2016-05-06 17:19:00
270
转载 猪猪的机器学习（十六）采样和变分
采样和变分作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十六次课在线笔记。当我们已知模型的存在，想知道参数的时候我们就可以通过采样的方式来获得一定数量的样本，从而学习到这个系统的参数。变分则是在采样的基础上的一次提升，采用相邻结点的期望。这使得变分往往比采样算法更高效：用一次期望计算代替了大量的采样。直观上，均值的信息是高密(dense)的，而...
2016-05-06 16:22:00
161
转载 猪猪的机器学习笔记（十五）主题模型
主题模型作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十五次课在线笔记。主题模型是对文字隐含主题进行建模的方法。它克服了传统信息检索中文档相似度计算方法的缺点，并且能够在海量互联网数据中自动寻找出文字间的语义主题。主题模型在自然语言和基于文本的搜索上都起到非常大的作用。引言：两篇文档是否相关往往不只决定于字面上的词语重复，还...
2016-05-06 16:13:00
138
转载 猪猪的机器学习笔记（十七）隐马尔科夫模型HMM
隐马尔科夫模型HMM作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十七次课在线笔记。隐马尔可夫模型（HiddenMarkovModel，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。在早些年HMM模型被非常广泛的应用，而现在随着机...
2016-05-05 23:51:00
79
转载 猪猪的机器学习笔记（十四）EM算法
EM算法作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十次次课在线笔记。EM算法全称为Expectation Maximization Algorithm，既最大期望算法。它是一种迭代的算法，用于含有隐变量的概率参数模型的最大似然估计和极大后验概率估计。EM算法经常用于机器学习和机器视觉的聚类领域，是一个非常重要的算法。而EM算法本身从使...
2016-05-05 10:32:00
69
转载 猪猪的机器学习（十三）贝叶斯网络
贝叶斯网络作者：樱花猪摘要本文为七月算法（julyedu.com）12月机器学习第十三次次课在线笔记。贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。贝叶斯网络适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。本节课从朴素贝叶斯模型开始，详细...
2016-05-05 09:36:00
140
转载 猪猪的机器学习笔记（十二）支持向量机
支持向量机作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十二次次课在线笔记。SVM是一种常见的分类器，在很长一段时间起到了统治地位。而目前来讲SVM依然是一种非常好用的分类器，在处理少量数据的时候有非常出色的表现。引言：SVM是一个非常常见的分类器，在真正了解他的原理之前我们多多少少都有接触过他。本位将会详细的介绍...
2016-05-04 18:00:00
99
转载 猪猪的机器学习笔记（十一）随机森林和提升
随机森林和提升作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十一次次课在线笔记。随机森林和提升都是机器学习将弱分类器融合成强分类器的方法。和我们熟悉的另一种机器学习模型SVM相比，这种方法更适合于大数据并且它的计算速度要比SVM快许多。引言因为最近做的事情需要用到随机森林故非常仔细的看了一遍。结合我目前研究的图像领...
2016-05-04 15:50:00
101
转载 猪猪的机器学习笔记（十）人工神经网络
人工神经网络作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第十次次课在线笔记。人工神经网络在支持图像处理、文本、语言以及序列多种类型的数据处理时都用用到。本次课程更加侧重于实践，把抽象的人工神经网络用程序展现出来，课上讲述了编程使用的工具和方法，对于日后实验有非常重要的帮助。引言：人工神经网络（Artificial Neura...
2016-04-08 21:07:00
72
转载 猪猪的机器学习笔记（八）聚类
聚类作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第八次次课在线笔记。聚类算法是一种常见的无监督的学习方法，概念简单在图像、机器学习中都有应用。目前有许多聚类方法，本次课程将一一探讨各种各样的聚类算法。引言：聚类算法在很早就接触过，简单的说就是通过对于某些相关性的测量来将样本分成不同的类别，聚类算法除了在机器学习中有所应用在图...
2016-04-08 19:57:00
86
转载 猪猪的机器学习笔记（七）最大熵模型
最大熵模型作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第七次课在线笔记。熵，这个概念对于我们来说既熟悉又陌生，熟悉的是我们在许多领域都会碰到熵这个概念，陌生的是如果真的让你解释它又说不清道不明。本次课程讨论了熵的概念并详细解释了最大熵模型。这次课承上启下，将前几次课程所埋的坑一一填起，又为接下来更加深入的机器学习做了铺垫。引言：...
2016-04-08 17:06:00
63
转载 猪猪的机器学习笔记（九）推荐系统
推荐系统作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第九次次课在线笔记。推荐系统是机器学习的一个直观而又有趣的系统，例如我们在上淘宝时候会弹出推荐的商品，百度搜索是的搜索选项以及手机上偶尔会弹出的小广告。有了推荐系统就能够根据用户或者商品进行个性化的推荐，提高推荐的效率。本次课程内容更加贴合实际应用，用简单的公式揭开了推荐系统神奇的...
2016-04-08 15:35:00
55
转载 猪猪的机器学习笔记（六）梯度下降和拟牛顿
梯度下降和拟牛顿作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第六次次课在线笔记。本节课主要介绍了一种在机器学习需要经常使用到的计算方法——梯度下降法并在最后提出了另一种下降法的思路——拟牛顿法。梯度下降法是一个连接理论和计算机计算的桥梁，这种方法通过迭代来逐步完成对于目标函数的演化，将离散和连续有机的结合起来。实际上梯度下降法在许...
2016-04-08 10:55:00
73
转载 猪猪的机器学习笔记（五）回归
回归作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第五次课在线笔记。回归是我们很早就接触过又非常直接且好用的的方法，在我们终于翻越了前面四节课疯狂的数学知识的大山后终于可以窥见机器学习的真面目了。从回归开始，我们终于真正的进入了机器学习大门。课程从常见的线性回归开始讲到非常热门的Logistic回归，课程整体浅显易懂并附有大量的实际代码。...
2016-04-08 00:51:00
57
转载 猪猪的机器学习笔记（四）凸优化
凸优化作者：樱花猪摘要:本文为七月算法（julyedu.com）12月机器学习第四次课在线笔记。“凸优化”指的是一种比较特殊的优化，通过“凸优化”我们能够把目标函数转化成一个“凸函数”然后利用凸函数的性质求极值来求解问题。“凸优化”不仅仅在机器学习中有所应用，几乎在任何用到有关于目标函数求值的问题都会用到。本次课程由浅入深，将学术上复杂的问题解释的通俗易懂，个...
2016-04-07 23:19:00
70
转载 猪猪的机器学习笔记（二）数理统计与参数估计
数理统计与参数估计作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第二次课在线笔记。数理统计与参数估计是机器学习中需要用到的一个非常重要的知识。在机器学习中，我们通常会拥有大量的学习样本，而机器学习则是根据这些样本的数据找到一个通用的模型。数理统计是机器学习的理论保障，而参数估计则是我们实际编程的依据。引言：数理统计这一部分在本...
2016-04-06 16:04:00
96
转载 猪猪的机器学习笔记（三）矩阵和线性代数
矩阵和线性代数作者:樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第三次课在线笔记。矩阵和线性代数在图像处理中运用的非常多，同样地，在机器学习某种事件特征我们常常会描绘成特征向量，那么矩阵的运算和理论方法都必将会应用进来。如果说，概率论提供了机器学习的思维方法，那么矩阵论则是机器学习公式推导和计算机计算的桥梁。本节课内容虽然知识点不多但都非常的重要，...
2016-04-06 16:03:00
150
转载 猪猪的机器学习笔记（一）微积分和概率论
微积分和概率论作者：樱花猪摘要：本文为七月算法（julyedu.com）12月机器学习第一次课在线笔记。本次课以机器学习的观点来看待曾经学过的数学问题，为未来的做机器学习的公式推导做理论基础。主要内容包括高等数学和概率论部分内容。课程通过简单的数学知识串讲，唤起封存已久的记忆。引言：由于项目需求时间紧迫和仗着自己经历了各种考试和刚刚手热的数学知识...
2016-04-05 21:59:00
153
转载 小猪猪C++笔记基础篇（六）参数传递、函数重载、函数指针、调试帮助
小猪猪C++笔记基础篇（六）————参数传递、函数重载、函数指针、调试帮助关键词：参数传递、函数重载、函数指针、调试帮助因为一些事情以及自己的懒惰，大概有一个星期没有继续读书了，已经不行了，赶紧写一篇压压惊。把我文章抱走的同学留个言嘛。函数在变成里面是一个非常重要的组成部分，那么这一部分我们先简单的介绍一下参数是如何传递进入函数，函数如何返回结果的。然后我们再来看看函数重...
2015-07-15 17:06:00
108
转载 小猪猪C++笔记基础篇（五）表达式、语句
小猪猪C++笔记基础篇（五）关键词：表达式、语句本章的内容比较简单，基本上没有什么理解上的困难，都是知识上的问题。先开始想要不要写呢，本来是不准备写的，但是既然读了书就要做笔记，还是写一写，毕竟还是有点点收获的东西。那么，我只就一些容易弄糊涂和忽略的地方提出来，为日后变成作参考。一、表达式（一）概念表达式时由一个或者多个运算对象组成的，对一个表达式求值将得到一个结果。...
2015-07-08 17:32:00
87
转载 小猪猪C++笔记基础篇（四）数组、指针、vector、迭代器
小猪猪C++笔记基础篇（四）关键词：数组，Vector。一、数组与指针数组相信大家学过C语言或者其他的语言都不陌生，简单的就是同一个变量类型的一组数据。例如：inta[10]，意思就是从a开始有10个连续的int大小的空间。我们还是从初始化说起。我们以数据类型int为例，当然也可由有很多的数据类型，可以是像int，double这种，也可以是自定义的类，一般的初始化...
2015-07-07 09:04:00
115
转载 小猪猪逆袭成博士之C++基础篇（三）字符串
小猪猪逆袭成博士之C++基础篇（三)字符串String写在题外的话：非常感谢在我发了第一篇随笔以后有很多人看还评论了，这大概就是一种笔记性质的，也不一定全对，如果不对的地方请指出来让我加以改正。有时候自己心里明白在写的时候说不清楚，有时候不明白的写的时候慢慢就清楚了，还有的是不太明白写也没有写清楚。非常感谢各位能够抽时间看文章并且写评论，有什么理解不对的地方请指出来，...
2015-07-06 20:11:00
78
转载 小猪猪逆袭成博士之C++基础篇（二） 常量、处理类型、自定义头文件
小猪猪逆袭成博士之C++基础篇（二）const、auto、decltype上一章我们介绍了一些常用的类型和常见的问题，下面再介绍一些学习的时候不是特别常用但是在实际工程中很有用的一些东西。一、常量const我们想要定义一种不能改变它的值的变量，我们就对这个变脸的类型加上限定符Const。Const对象必须要初始化，并且它一旦创建了就不能改变，所以C...
2015-07-03 14:36:00
108
转载 小猪猪逆袭成博士之C++基础篇（一）数据精度、强制类型转换、变量命名规则...
小猪猪逆袭成博士之C++基础篇（一)关键词：数据精度、强制类型转换、变量命名规则综述：1、大多数编程语言通过两种方式来进一步补充其特征：一是赋予程序员自定义数据类型的权利（C++中的类）；二是讲一些有用的功能封装成库函数提供给程序员使用（C++提供的函数和标准库）。2、C++是一种静态数据类型语言，他的类型检查发生在编译时，而另外一些语言例如Python是在运行时检查...
2015-07-02 15:00:00
86
转载 内联函数 inline
（一）inline函数（摘自C++ Primer的第三版）在函数声明或定义中函数返回类型前加上关键字inline即把min（）指定为内联。 inline int min(int first, int secend) {/****/}; inline 函数对编译器而言必须是可见的，以便它能够在调用点内展开该函数。与非inline函数不同的是，inline函数必须在调用该...
2015-05-07 17:00:00
90
转载 将vs屏幕上内容重定向到一个log文本中
在需要打印的屏幕内容前面加上一句话：freopen("debug.txt","w",stdout);结束部分关掉他：fclose(stdout);参考http://baike.baidu.com/view/656692.htm?fr=aladdin来自为知笔记(Wiz)转载于:https://www.cnblogs.com/Dr-XLJ/p/4057715.html...
2014-10-28 20:14:00
129
转载 使用Intel编译器获得一致的浮点数值计算结果
使用Intel编译器获得一致的浮点数值计算结果大多数十进制的浮点数,用二进制表示时不是完全一致的;与此同时,大多数与浮点数值相关的计算结果,存在着固有的不确定性.通常,编写浮点计算应用软件希望达到如下的目标:-准确性:意味着该产品产生的计算结果,应当”接近”于实际计算的结果;评判的标准是误差值,有时候也采用最后几位(“unitsinthelastpl...
2014-10-27 10:16:00
130
转载 Inter IPP的一些基本类型对应的vs中类型
来自为知笔记(Wiz)转载于:https://www.cnblogs.com/Dr-XLJ/p/4048655.html
2014-10-24 16:33:00
172
转载 Inter IPP 跟 Microsoft V100编译器区别
最近做项目用了两个编译器，由于是一种精度的算法计算，对计算的精度要求非常高，同时都用的float型，发现inter的结果比vs的结果好许多。但是不知道是什么原因，最后测试发现，是两个编译器的问题。 测试后发现：float型在v100编译器中，第6位是有效的，6位以后似乎是随机的，不是那么准确了，但是inter处理器中，float型也是按照double来计算的，...
2014-10-24 16:28:00
69
转载 目标描述（基于区域的描述）
一些区域描述符很容易根据区域的所有像素直接获得，例如：面积、重心、灰度等。1、区域面积：基于对象素个数的计数（ＰＳ：计算方法多种多样呢）２、区域重心3、区域密度常用密度特征：灰度（或者颜色分量）的最大值、最小值、中值、均值、方差、高阶矩等。多可借助直方图得到。几种典型的区域密度特诊描述符：(1) 透射率（transmission）：穿透目标的光与射入光的比例 T = 穿透...
2014-09-12 20:36:00
270
转载 目标描述（基于边界的描述）
表达是直接具体地表示目标好的表达方法应节省储存空间描述是较抽象地表示目标好的描述应对目标的尺度变化、平移、旋转不敏感1、边界的长度区域的轮廓点和内部点要采用不同的连通性来定义：(1) 内部点8-方向连通 轮廓为4-方向连通(2) 内部点4-方向连通，轮廓为8-方向连通2. 边界的直径边界上相隔最远2点之间的距离3、曲率斜率、曲率、角点（局部特性）斜率：轮廓点的（切线）指向...
2014-09-12 16:53:00
694
转载 目标表达（基于区域的表达）
一、基于区域表达技术的分类需要注意的常用概念：(1) 外接盒（Feret box）：包含目标区域的最小长方形（朝向特定的参考方向）(2) 围盒（minimum enclosing rectangle，MER）包含目标区域的（可朝向任何方向）最小长方形(3) 凸包：包含目标区域的最小凸多边形计算凸包：目标用n个顶点序列的多边形表示(a)先从顶点序列获得前3个顶点，构成一个三...
2014-09-11 11:04:00
642
转载 表达描述（基于变换的表达）
一、技术分类傅里叶变换：高频分量对应目标细节，低频分量对应总体形状。所以可以只用一些对应的低频分量的傅里叶系数来表达边界。来自为知笔记(Wiz)转载于:https://www.cnblogs.com/Dr-XLJ/p/3965971.html...
2014-09-11 10:56:00
137
转载 目标表达（基于边界的表达）
一、基于边界的表达技术分类：(1) 边界点集合：各点间没有顺序(2) 参数边界：将目标的轮廓线表示为参数曲线(3) 曲线逼近：用几何基元来近似1、地标点：就是单个（x,y）坐标点一种近似表达方法，点越多近似越好2、链码：用线段表示边界上相邻两个象素之间的联系每个线段的长度固定而方向数目取为有限起点用坐标表示，其余点只用接续方向。简单的说取一个头，后面的点都是距离这个点按照位置偏移。链码归...
2014-08-22 15:13:00
1311
转载 分割技术扩展
1、哈夫变换哈夫变换的原理： 把在图象空间中的检测问题转换到参数空间里，通过在参数空间里进行简单的累加统计完成检测任务。哈夫变换的功能: 检测满足解析式 f(x, c) = 0形式的各类曲线并把曲线上的点连接起来。简单的说就是已知参数，求曲线。广义哈夫变换：当曲线的函数表达式不能确定的时候，采用表格的方式来做哈夫变换。2、亚像素：实际应用中常需要将边缘的检测精度提高到象素内部，即亚...
2014-07-29 17:22:00
93
转载 分水岭分割算法
建立不同目标间的分水岭（涨水法）。分水岭计算步骤：1、设待分割图象为f(x,y)，其梯度图象为g(x,y)2、用M1, M2, …, MR表示g(x, y)中各局部极小值的象素，位置，C(Mi)为与Mi对应的区域中的象素坐标集合3、用n表示当前灰度阈值，T[n]代表记为(u,v)的象素集合，g(u,v)<n，4、对Mi所在的区域，其中满足条件的坐标集合Cn(Mi)可看作一幅二值图象...
2014-07-28 16:28:00
203
转载 借助均移确定聚类中心
均移：指偏移的均值向量，是一种非参数技术主要思想：首先随机选择一个初始的感兴趣区域（初始窗）并确定其重心，接下来，搜索周围点密度更大的感兴趣区域并确定其重心 重复上面的过程不断将均值移动直到收敛。均移方法中，需要确定多变量密度核估计器。其中，核函数的作用是是的随着特征点与均值的距离不同，对均值的便宜贡献也不同。具体例子以及引用公式见《图像工程 （中）》p68-70优点：对...
2014-07-28 15:54:00
128
转载 借助过度区选择阈值
主要思想： 借助图像的有效平均梯度（EAG）的计算以及图像灰度的剪切操作来确定边缘的灰度值。 有效平均梯度（EAG）：计算非0值梯度 剪切操作：设有一个阈值L ,灰度大于L的为原值，小于L的为L。或者，小于L的为L，大于L的为原值。（个人感觉这个方法不靠谱，有待未来实践证实）来自为知笔记(Wiz)转载于:https://www.cnblogs.com/D...
2014-07-28 15:39:00
203
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人