算法理解
文章平均质量分 68
chenkent888
这个作者很懒,什么都没留下…
展开
-
计算机视觉方面其他有用的链接
Conference InformationComputer Image Analysis, Computer Vision ConferencesPapersComputer vision paper on the webNIPS ProceedingsDatasetsCompiled list of rec原创 2013-09-13 22:00:31 · 766 阅读 · 0 评论 -
人脸识别
2007年09月03日 22:26:00HUNNISH 注:从师弟的网站 www.prfans.com 看到了DODO先生所写的“人脸识别方法之个人见解”,感觉收益非浅。本文颇有高屋建瓴的意味,因此在没有经过作者本人的同意下,贸然转载于此,希望读到本文的同仁能够在PR领域多碰出些思想火花,对所从事的领域有所感悟!==================================d转载 2013-10-17 22:31:46 · 1529 阅读 · 1 评论 -
2013计算机视觉代码合集一
申明:本文非笔者原创,原文转载自:http://www.yuanyong.org/blog/cv/cv-code一、特征提取Feature Extraction:SIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]Affine-SIFT [3] [Project]SURF [4] [Op转载 2013-10-27 23:35:34 · 1113 阅读 · 0 评论 -
2013计算机视觉代码合集二
申明,本文非笔者原创,本文转载自:http://www.yuanyong.org/blog/cv/resource-codeFeature Detection and DescriptionGeneral Libraries: VLFeat – Implementation of various feature descriptors (includ转载 2013-10-27 23:36:23 · 840 阅读 · 0 评论 -
支持向量机(SVM)基础
版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系wheeleast@gmail.com 前言: 又有很长的一段时间没有更新博客了,距离上次更新已经有两个月的时间了。其中一个很大的原因是,不知道写什么好-_-,最近一段时间看了转载 2013-11-19 17:22:10 · 886 阅读 · 0 评论 -
稀疏表达:向量、矩阵与张量(上)
稀疏表达是近年来SP, ML, PR, CV领域中的一大热点,文章可谓是普天盖地,令人目不暇给。老板某门课程的课程需要大纲,我顺道给扩展了下,就有了这个上中下三篇介绍性质的东西。遗憾的是,我在绝大多数情况下实在不算是一个勤快的人,这玩意可能充满bug,更新也可能断断续续,尽请诸位看官见谅了。顺道一提,ICCV09有一个相关的 tutorial 。据传博文里公式数量和其人气是成反比例关系的,转载 2013-11-07 10:13:47 · 1053 阅读 · 0 评论 -
稀疏表达:向量、矩阵与张量(中)
在开始正文之前,咱首先得说明一下,这篇东西偏向于理论,各位看官可以自行跳过某些部分。这方面的工作奠基人同样也是compressive sensing的大牛之一E.J Candes(Donoho的得意门生),以及Candes的学生Ben Recht,前者刚从caltech被挖到stanford,后者目前刚到wisconsin做AP。Candes大牛,stanford统计系出生,师从Donoho。转载 2013-11-07 12:38:23 · 1824 阅读 · 0 评论 -
NP-hard问题
NP是指非确定性多项式(non-deterministic polynomial,缩写NP)。所谓的非确定性是指,可用一定数量的运算去解决多项式时间内可解决的问题。NP 问题通俗来说是其解的正确性能够被“很容易检查”的问题,这里“很容易检查”指的是存在一个多项式检查算法。相应的,若NP中所有问题到某一个问题是图灵可归约的,则该问题为NP困难问题。 例如,著名的推销员旅行问题(Travel转载 2013-11-08 20:58:54 · 2719 阅读 · 0 评论 -
机器学习&数据挖掘笔记_15(关于凸优化的一些简单概念)
没有系统学过数学优化,但是机器学习中又常用到这些工具和技巧,机器学习中最常见的优化当属凸优化了,这些可以参考Ng的教学资料:http://cs229.stanford.edu/section/cs229-cvxopt.pdf,从中我们可以大致了解到一些凸优化的概念,比如凸集,凸函数,凸优化问题,线性规划,二次规划,二次约束二次规划,半正定规划等,从而对凸优化问题有个初步的认识。以下是几个重要相关概转载 2013-11-08 20:51:45 · 1034 阅读 · 0 评论 -
LBP特征
目标检测的图像特征提取之(二)LBP特征zouxy09@qq.comhttp://blog.csdn.net/zouxy09 LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和 D. Ha转载 2013-11-24 21:30:54 · 726 阅读 · 0 评论 -
【机器学习】SVM核函数
知识预备1. 回顾:logistic回归出发,引出了SVM,即支持向量机[续]。2. Mercer定理:如果函数K是上的映射(也就是从两个n维向量映射到实数域)。那么如果K是一个有效核函数(也称为Mercer核函数),那么当且仅当对于训练样例,其相应的核函数矩阵是对称半正定的。核函数描述和分析考虑在”回归和梯度下降“一节的“线性回归”中提出的问题,特征是房转载 2013-11-24 17:33:39 · 1068 阅读 · 0 评论 -
多核学习在图像分类中的应用
1摘要分类在搜索引擎中的应用非常广泛,这种分类属性可以方便在rank过程中针对不同类别实现不同的策略,来更好满足用户需求。本人接触分类时间并不长,在刚用SVM做分类的时候对一个现象一直比较困惑,看到大家将各种不同类型特征,拼接在一起,组成庞大的高维特征向量,送给SVM,得到想要的分类准确率,一直不明白这些特征中,到底是哪些特征在起作用,哪些特征组合在一起才是最佳效果,也不明白为啥这些特征就转载 2013-11-24 18:46:53 · 921 阅读 · 0 评论 -
决策树模型组合之随机森林与GBDT
版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系wheeleast@gmail.com前言: 决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)转载 2013-11-10 21:09:18 · 937 阅读 · 0 评论 -
法国自动化研究所SPArse稀疏编码优化工具包介绍
其实函数是使用c++语言编写的,使用mex函数得到matlab的函数接口在spams-matlab主文件夹下包含16个对象(包括文件夹和文件,11个文件夹和5个文件)下面逐一介绍各个文件夹和文件的作用:一:build解压完之后是空文件夹,在经过compile.m文件编译之后,产生编译以后的在该平台之下的二进制文件二:data该文件夹包含测试用的测试图像转载 2013-11-12 18:29:55 · 1294 阅读 · 0 评论 -
学习OpenCV——KNN算法
转自:http://blog.csdn.net/lyflower/article/details/1728642 文本分类中KNN算法,该方法的思路非常简单直观:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然转载 2013-12-12 19:38:18 · 1253 阅读 · 0 评论 -
RANSAC算法(RANdom SAmple Consensus随机抽样一致)
它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数。该算法最早由Fischler和Bolles于1981年提出。光看文字还是太抽象了,我们再用图描述RANSAC的基本假设是:(1)数据由“局内点”组成,例如:数据的分布可以用一些模型参数来解释;(2)“局外点”是不能适应该模转载 2014-01-21 12:27:45 · 3709 阅读 · 0 评论 -
Exemplar-SVMs for Object Detection and Beyond--Overview(一)
Reference:[1] Ensemble of Exemplar-SVMs for Object Detection and Beyond,ICCV 2011Carnegie Mellon University[2] Exemplar-based Representations for Object Detection, Association and Beyond PHD t转载 2014-04-23 15:34:45 · 938 阅读 · 0 评论 -
Exemplar-SVMs for Object Detection and Beyond—Details(二)
Reference:[1] Ensemble of Exemplar-SVMs for Object Detection and Beyond,ICCV 2011Carnegie Mellon University[2] Exemplar-based Representations for Object Detection, Association and Beyond PHD t转载 2014-04-23 15:36:05 · 1032 阅读 · 0 评论 -
bag of words
Bag-Of-Words中K-Means聚类的效率优化最初的Bag of words,也叫做“词袋”,在信息检索中,Bag of words model假定对于一个文本,忽略其词序和语法,句法,将其仅仅看做是一个词集合,或者说是词的一个组合,文本中每个词的出现都是独立的,不依赖于其他词 是否出现,或者说当这篇文章的作者在任意一个位置选择一个词汇都不受前面句子的影响而独立选择的。现在转载 2013-09-22 21:15:24 · 1499 阅读 · 2 评论 -
光流法——Opencv
原创文章,转贴请注明:http://blog.csdn.net/crzy_sparrow/article/details/7407604 本文目录: 一.基于特征点的目标跟踪的一般方法 二.光流法 三.opencv中的光流法函数 四.用类封装基于光流法的目标跟踪方法 五.完整代码转载 2013-09-18 19:03:52 · 2794 阅读 · 0 评论 -
光流Optical Flow介绍与OpenCV实现
zouxy09@qq.comhttp://blog.csdn.net/zouxy09 光流(optic flow)是什么呢?名字很专业,感觉很陌生,但本质上,我们是最熟悉不过的了。因为这种视觉现象我们每天都在经历。从本质上说,光流就是你在这个运动着的世界里感觉到的明显的视觉运动(呵呵,相对论,没有绝对的静止,也没有绝对的运动)。例如,当你坐在火车上,然后往窗外转载 2013-09-19 08:59:42 · 1919 阅读 · 0 评论 -
【转载】计算机视觉与模式识别 code
UIUC的Jia-Bin Huang同学收集了很多计算机视觉方面的代码,链接如下:https://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.html TypeTopicNameReferenceLinkCode转载 2013-09-13 20:42:25 · 3507 阅读 · 0 评论 -
计算机视觉源码总结(一)
TopicLinkStructure from motionhttp://code.google.com/p/libmv/Dimension Reductionhttp://www.cs.nyu.edu/~roweis/lle/code.htmlClusteringhttp://vision.ucsd.edu/~sag原创 2013-09-13 21:52:26 · 1676 阅读 · 0 评论 -
计算机视觉源码链接(二)
Optical Flowhttp://www.cs.brown.edu/~dqsun/code/ba.zipText Recognitionhttp://vision.ucsd.edu/~kai/grocr/MRF Optimizationhttp://vision.middlebury.edu/MRF/Saliency De原创 2013-09-13 21:54:43 · 1754 阅读 · 0 评论 -
计算机视觉源码链接(三)
Image Segmentationhttp://people.cs.uchicago.edu/~pff/segment/Object Proposalhttp://sminchisescu.ins.uni-bonn.de/code/cpmc/Common Visual Pattern Discoveryhttps://sites.googl原创 2013-09-13 21:56:19 · 2248 阅读 · 0 评论 -
计算机视觉源码链接(五)
Saliency Detectionhttp://ivrgwww.epfl.ch/supplementary_material/RK_CVPR09/index.htmlMRF Optimizationhttp://www.csd.uwo.ca/faculty/yuri/Implementations/TouchExpand.zipFeature De原创 2013-09-13 21:59:41 · 2219 阅读 · 0 评论 -
计算机视觉源码链接(四)
Visual Trackinghttp://www.ces.clemson.edu/~stb/klt/Feature Detection andFeature Extractionhttp://www.robots.ox.ac.uk/~vgg/research/affine/Image Segmentationhttp://www.cs.wa原创 2013-09-13 21:57:12 · 1856 阅读 · 0 评论 -
Orthogonal Matching Pursuit(OMP)正交匹配追踪算法
最近学习K-SVD算法的过程中,稀疏编码部分使用了OMP追踪算法,特作此总结。求解问题:其中D是过完备的字典,已经给定,Y是原始信号,X待求。OMP算法的本质思想是:以贪婪迭代的方法选择D的列,使得在每次迭代的过程中所选择的列与当前冗余向量最大程度的相关,从原始信号向量中减去相关部分并反复迭代,只到迭代次数达到稀疏度K,停止迭代。核心算法步骤如下:转载 2013-09-15 08:46:55 · 4335 阅读 · 0 评论 -
SIFT程序源码下载地址
第一个链接地址是David Lowe自己写的官方版本(matlab code),运行起来效率非常高,达到了他论文Distinctive image features from scale-invariant keypoints中所写的“near real-time performance”,看来Davide Lowe花了不少力气对程序做了大量的优化,为什么这么说呢,因为我找到的另一个程序(第二转载 2013-09-17 10:27:35 · 887 阅读 · 0 评论 -
金字塔Lucas-Kanade稀疏光流
光流分为稀疏光流和稠密光流,稠密光流的每个像素与速度或者可以说是与位移相关,使用稠密光流得以跟踪运动的方法有Horn-Shrunk方法,还有块匹配方法,但是现在已经很少使用到了,这里不做介绍,稠密光流需要使用某种插值方法在比较容易跟踪的像素之间进行插值以解决那些运动不明确的像素,因此可想而知,计算量是相当大的。而对于稀疏光流来说,在他计算时需要在被跟踪之前指定一组点(角点),因此在使用LK转载 2013-09-18 14:07:41 · 3190 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析
SIFT简介Scale Invariant Feature Transform,尺度不变特征变换匹配算法,是由David G. Lowe在1999年(《Object Recognition from Local Scale-Invariant Features》)提出的高效区域检测算法,在2004年(《Distinctive Image Features from Scale-Inva转载 2013-09-18 08:18:05 · 1280 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析:DoG尺度空间构造
《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548尺度空间理论自然界中的物体随着观测尺度不同有不同的表现形态。例如我们形容建筑物用“米”,观测分子、原子等用“纳米”。更形象的例子比如Google地图,滑动鼠标轮可以改变观测地图的尺度,看到的地图绘制也不同;还有电影中的拉转载 2013-09-18 08:20:09 · 913 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析:关键点搜索与定位
《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548由前一步《DoG尺度空间构造》,我们得到了DoG高斯差分金字塔:如上图的金字塔,高斯尺度空间金字塔中每组有五层不同尺度图像,相邻两层相减得到四层DoG结果。关键点搜索就在这四层DoG图像上寻找局部极值点。DoG局转载 2013-09-18 08:22:06 · 942 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析:方向赋值
《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548由前一篇《关键点搜索与定位》,我们已经找到了关键点。为了实现图像旋转不变性,需要根据检测到的关键点局部图像结构为特征点方向赋值。也就是在findScaleSpaceExtrema()函数里看到的alcOrientationHis转载 2013-09-18 08:24:06 · 1079 阅读 · 0 评论 -
图像金字塔L-K光流法模型的学习
光流的概念是Gibson在1950年首先提出来的。它是空间运动物体在观察成像平面上的像素运动的瞬时速度,是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。一般而言,光流是由于场景中前景目标本身的移动、相机的运动,或者两者的共同运动所产生的。其计算方法可以分为三类:(1)基于区域或者基于特征的匹配方法;转载 2013-09-18 14:06:20 · 9440 阅读 · 1 评论 -
【OpenCV】特征检测器 FeatureDetector
OpenCV提供FeatureDetector实现特征检测及匹配[cpp] view plaincopyclass CV_EXPORTS FeatureDetector { public: virtual ~FeatureDetector(); void detect( const Mat& image转载 2013-09-18 08:26:41 · 1718 阅读 · 0 评论 -
搜索引擎-倒排索引基础知识
1.单词——文档矩阵 单词-文档矩阵是表达两者之间所具有的一种包含关系的概念模型,图3-1展示了其含义。图3-1的每列代表一个文档,每行代表一个单词,打对勾的位置代表包含关系。转载 2013-10-03 15:56:27 · 852 阅读 · 0 评论 -
【OpenCV】SIFT原理与源码分析:关键点描述
《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548由前一篇《方向赋值》,为找到的关键点即SIFT特征点赋了值,包含位置、尺度和方向的信息。接下来的步骤是关键点描述,即用用一组向量将这个关键点描述出来,这个描述子不但包括关键点,也包括关键点周围对其有贡献的像素点。用来作为目标匹配转载 2013-09-18 08:25:32 · 1248 阅读 · 0 评论 -
多核学习
1摘要分类在搜索引擎中的应用非常广泛,这种分类属性可以方便在rank过程中针对不同类别实现不同的策略,来更好满足用户需求。本人接触分类时间并不长,在刚用SVM做分类的时候对一个现象一直比较困惑,看到大家将各种不同类型特征,拼接在一起,组成庞大的高维特征向量,送给SVM,得到想要的分类准确率,一直不明白这些特征中,到底是哪些特征在起作用,哪些特征组合在一起才是最佳效果,也不明白为啥这些特征就转载 2014-04-28 20:51:18 · 4146 阅读 · 3 评论