carrierlxksuper的专栏

转载自：SIFT中的尺度空间和传统图像金字塔 | 丕子 关于尺度空间以及图像的亚采样和平滑的比较很有启发性。链接如下：http://www.zhizhihu.com/html/y2010/2146.html

LSTM RNN 入门 资料

今天讲讲struck，最近感觉tracking的model进步是日新月异，比如大牛Dr. Chao Ma,最近在他的homepagehttps://sites.google.com/site/chaoma99/上传了他的2014年CVPR的code：long term correlation filter的codes。理论清晰，效果超好，这才是top research.

一直想学习mex接口函数，可惜之前没有用到过，于是没特别在意。这次因为跑别人的code，感觉还是搞出一个matlab wrapper,这样会比较方便。但是这个涉及到mex混编以及调用opencv的问题。于是乎，里面涉及到很很多多的问题，包括配置的问题，编译的问题，参数传递的问题，等等。但是，一旦你能掌握他，你就相当于结合了MATLAB的优点(容易上手，快速编程，不需要考虑定义变量)和C的优点(

参考blog:http://demo.netfoucs.com/u013647382/article/details/42557479完全按照这个博客就好了安装经验1：需要说明的是无论是64位的操作系统还是32 位的操作系统，在进行环境配置添加opencv的路径和在vs2012中添加路径的时候都是x86下面而不是x64下面，因为opencv编译都是32位的。安装经验2：在vs2

转自：http://blog.csdn.net/qq_30040223/article/details/48491997Faster-Rcnn 介绍前几天Shaoqing Ren放出了Faster-Rcnn的代码，可以在他的Github上下载得到，上面也有详细的配置说明。我下载下来，在自己的虚拟机上测试了一下，速度上确实比之前的Fast-Rcnn有提高。SPP-Net，Fa

在visual tracking中，visual tracker benchmark 是为了给不同的算法提供一个基准。这个基准从2013年提出，应该是目前最火的benchmark了。原始论文链接：Online Object Tracking: A Benchmark （CVPR 2013）http://faculty.ucmerced.edu/mhyang/papers/cvpr13_

这篇属于很早就探索cnn+rnn解决high-level computer vision task的文章Abstract基于深度卷积网络的模型已经在最近的图像解释任务中成为主流，在这里我们研究了是否recurrent model能够有效的处理涉及到sequences以及视觉的各种任务。我们开发了一个新的recurrent convolutional 结构来实现大规模的学习任务，而且这个

这篇paper利用DL做 visual tracking，目前在Object Tracking Benchmark以及VOT2014上实现了state of the art。文章的方法比较直观：作者称之为Multi_domain network。本质上，作者首先拿第一帧大量的正负样本来训练前面这个conv1-conv2-conv3-fc4-fc5网络，而对于fc6,针

鉴于很多人刚开始接触caffe,用的都是cuda6.5，而现在nvidia已经出了cuda7.5，同时最新的cudnn已经不支持cuda6.5. 所以有必要upgrate一下cuda。方法如下：首先删除之前安装的cuda已经对应的nvdia驱动：参考这个link:http://www.th7.cn/system/lin/201601/149143.shtmlstep1:

简单介绍一下背景，这篇文章是大连理工的卢湖川教授http://202.118.75.4/lu/publications.html的学生Lijun Wang在港中文与Xiaogang Wang团队合作的ICCV2015的文章。笔者7月份在CUHK听报告的时候有幸提前看到相关的展示，感觉结果很惊人。

有是一篇关于tracking中基于tracking-by-detection框架的文章，而且关注的是好的正样本的问题。当然之前那篇里面的struck也是关注这个问题。作者首先发现，利用当前帧的state获得的正负样本很容易混淆分类器本身。因为tracker本身稍微的误差可能将训练样本的label标错，那么训练出来的分类器也就不好了，于是对下一帧的预测很可能出问题。于是我们还是得获得好的正负样本来u

这是一篇ECCV2014年的paper，在这篇paper中作者提出了kernelized correlation filter，并将其应用到了tracking中，从而有了15年PAMIN的那篇文章，我再之前博客中也记录过http://blog.csdn.net/carrierlxksuper/article/details/46461245这篇文章的公式推导比较复杂，感兴趣的可以去看看

RCNN 是利用DL做目标检测的一个程序，现在有更快的faster-RCNN。github地址:https://github.com/rbgirshick/rcnn下面讲讲这个的编译：其实RCNN最难安装部分就是caffe部分。所以我假设之前的CUDA，以及必需的矩阵计算库， 首先是必须要在ubuntu matlab 2012下编译（a,b都行)，之前我的电脑一直是MA

这篇作者是：Prof. Kaihua Zhang, Qingshan Liu, Yi Wu, and Ming-Hsuan Yang，全是大牛。前几天看到他们把新版本的CNT放出来了，于是抓紧时间阅读了一下，整体思想与上一篇文章差别不大，下面详细介绍一下这篇文章。

参考博客：http://blog.csdn.net/jinshengtao/article/details/17797641http://matlabserver.cs.rug.nl/edgedetectionweb/web/edgedetection_params.htmlGabor的实现，可以参考这个：提供了各种版本的实现方法：http://blog.csdn.net/watkin

主要参考blog:http://www.cnblogs.com/platero/p/3993877.html#http://blog.csdn.net/ccemmawatson/article/details/42004105本blog主要包含两个部分，一部分是NVIDIA显卡下的cuda 6.5的安装，第二部分是caffe的安装，环境是Ubuntu 14.04Part

博客原址：http://www.cnblogs.com/platero/p/3993877.html 。 PS:感谢作者普兒的技术传送门相应的评论列表也需要看一下，很多安装中碰到的问题都在里面有回答。同时我会在下一个blog中贴出我自己安装的流程，有一些不太一样的地方。1. 安装build-essentials安装开发所需要的一些基本包sudo apt-get

今天读了今年cvpr上TAYLOR和Ranzato分别关于unsupervised learing

昨天，在valse群上听 Dr Naiyan Wang将CNN做tracking，在结尾部分，作者提出可以用correlation filter代替convolution filter。我很curious 这个correlation filter，发现PAMI已经有paper了。下面是几个比较有用的link：http://home.isr.uc.pt/~henriques/circulant/

最近在Ubuntu下玩caffe的filter visualization，用的是Ipython+notebook参考的blog: 1) http://mindonmind.github.io/2013/02/08/ipython-notebook-interactive-computing-new-era/                       2) caffe 官网S

这是一篇发表于2014年的文章，作者分析了为什么深度学习能够具有好的表达能力，从而能够在图像分类，目标识别，图像分割和目标追踪等方面获得state-of-the-art 。作者分别从表达学习(Representatin learning)的先验，smoothness和维数灾难，分布式表达，深度和抽象以及disentangling Factors of Variation 五个方面进行了分析。

最近在看visual tracking部分的内容，看到别人总结的很不错，做一次搬运工：链接： http://www.cnblogs.com/hanhuili/p/4266990.htmlVisual Object Tracking using Adaptive Correlation Filters 一文发表于2010的CVPR上，是笔者所知的第一篇将correlation filte

原文再续，书接一上回。话说上一次我们讲到了Correlation Filter类 tracker的老祖宗MOSSE，那么接下来就让我们看看如何对其进一步地优化改良。这次要谈的论文是我们国内Zhang Kaihua团队在ECCV 2014上发表的STC tracker：Fast Visual Tracking via Dense Spatio-Temporal Context Learning。

最近在研究结合尺度空间理论解决visual tracking中尺度估计问题。先贴出尺度空间的一个blog：点击打开链接然后是几篇基于mean_shift 下的尺度的方法，虽然现在mean_shift已经没有卵用。Paper 1:Mean-shift Blob Tracking through Scale Space  ,CVPR,2003，应该算是这个方向很早的paper了，最近

这篇文章主要解决的是visual tracking中mean-shift方法无法估计尺度变化的问题，作者采用Lindeberg的尺度空间理论 来解决这个问题。其原理就是：基于可导的尺度空间滤波器的局部最大值来进行尺度选择。基于appearance 的tracking中，像素值w(a)表示的是改点属于object的概率，一般foreground  blob具有高的权重，而background

最近在阅读tracking的相关文章，作为2015年的最新出的KCF ，引起我的关注，作者的相关paper以及code在此：http://home.isr.uc.pt/~henriques/circulant/刚开始接触tracking，下面分析的可能有纰漏。在这篇文章中作者提出了一种比correlation filter更加强大的tracking方法。作者的核心思想就是：采用判别式的trac

首先安利一个blog，https://www.cnblogs.com/wangxiaocvpr/这个blog写的内容涵盖计算机视觉与深度学习的很多方面，作者update的很快。这篇文章（NIPS2016）是基于Generative Adversarial Networks （GAN）而来的，GAN有两个部分，第一部分是生成器Generator，第二部分是判别器Discriminator。G