- 博客(16)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 CUDA 高性能并行计算入门
CUDA 高性能并行计算入门(UPDATE IN 2018.3.8) 1.更新pitch索引操作的描述概述什么是CUDA？ CUDA（Compute Unified Device Architecture）是 NVIDIA公司开发的一种计算架构，可以利用NVIDIA系列显卡对一些复杂的计算进行并行加速。为什么要用CUDA加速？ 在科学计算领域所要用到的计算往往不是我们熟知的...
2018-03-09 10:40:08
32564
10
原创 中北大学安卓实验室培训课程-计算机视觉（1） ——卷积与opencv
中北大学安卓实验室培训课程-计算机视觉（1） ——卷积与opencv详细代码
2016-11-20 19:40:45
1857
3
原创 神经网络学习笔记（七） 自组织竞争神经网络
自组织竞争神经网络一、概述自组织竞争神经网络是一种无监督的学习方法。与之前不同的是，前几节讲述的神经网络都是有标签，并且更新所有权值，但是他们并没有考虑到人体神经元的侧抑制现象，也就是在很多情况下，某一个神经元刺激仅能激活很少一部分神经元而不是所有神经元，这就体现了一种竞争的思想。竞争神经网络每次只更新一个被激活的权值并且没有标签去告诉他应该怎么做，这更像是一种聚类方法。二、网络模型自组织竞争神经网
2016-10-12 21:47:49
13177
6
原创 神经网络学习笔记（六） 广义回归神经网络
广义回归神经网络 GRNN（General Regression Neural Network）广义回归神经网络是基于径向基函数神经网络的一种改进。结构分析：可以看出，这个结构与之前我们所讲过的径向基神经网络非常相似，区别就在于多了一层加和层，而去掉了隐含层与输出层的权值连接。
2016-09-28 22:58:22
20898
4
原创 神经网络学习笔记（五） 径向基函数神经网络
径向基函数神经网络首先介绍一下网络结构：1.输入层为向量，维度为m，样本个数为n，线性函数为传输函数。2.隐藏层与输入层全连接，层内无连接，隐藏层神经元个数与样本个数相等，也就是n，传输函数为径向基函数。3.输出层为线性输出。理论基础径向基函数神经网络只要隐含层有足够多的隐含层节点，可以逼近任何非线性函数。
2016-09-28 00:35:34
17190
原创 神经网络学习笔记 （四） BP神经网络
BP神经网络前面我们所讲的几节都是线性神经网络，都无法解决线性不可分的问题，今天我们就来学习非常非常经典的非线性多层前向网络——误差反向传播网络（BP——Error Back Propagtion）。BP神经网络和前面所说的线性神经网络有什么区别呢？1.隐含层可以不唯一，这就大大提高了非线性能力。 2.隐含层节点不唯一，也就是一层可以有多节点连接。 3.隐含层的传输函数为sigmoid函数，而非
2016-09-24 17:10:22
11210
1
原创 神经网络学习笔记（三） 梯度下降法
梯度下降法在上一张，我们学习过了LMS算法，就是利用了著名的梯度下降法，但是LMS算法只是一种特殊的实现，是均方差这个特定函数的梯度下降，这次我们来看一下梯度下降对普通函数求极值的一些应用。我们来试一下二次函数的极值点求法。首先我们建立一个二次函数： y=x^2+2*x这个极值大家应该知道 x取-1就可以得到极小值。我们来编写一个梯度下降法来求极值点：x=50;% y=x^2;sigma=0.
2016-09-21 22:52:58
8384
2
原创 神经网络学习笔记（二） 线性神经网络
线性神经网络线性神经网络和单层感知机非常相似，输入层、输出层甚至是误差迭代函数都相同，唯一的区别就是他们的传输函数不同。
2016-09-21 20:05:18
6126
原创 神经网络学习笔记（一） 单层感知机
前向网络神经网络分为从传播来讲分为两种： 1.前馈神经网络（前向网络） 2.反馈神经网络前向网络没有反馈机制，也就是自能向前传播而不能反向传播来调整权值参数。感知机就属于前向网络。如上图 一个输入层，一个输出层，中间的所有隐层都是向前传播。感知机感知机是美国学者F.Rosenblatt提出的，他对最早提出的MP不一样，他的所有维度 的权值是可以改变的，通过对权值的迭代可以快速的解决线性可分的二分
2016-09-20 20:40:15
9471
原创 计算机视觉系列教程 (二)卷积与滤波详解
计算机视觉系列教程 (二)卷积与滤波详解什么是滤波？要了解什么是滤波，首先要知道什么是波。图像原本只是一种随时间推移的波形图，也就是图像一开始处于时域状态，而我们并不能从时域图像中看出什么东西（除了一堆突起），而伟大的傅里叶公式让图像从时域中转换到的频域中。引用一幅图 会看的更加清楚http://blog.jobbole.com/70549/从这幅图
2016-09-14 01:20:43
8094
2
原创 霍夫变换的一些理解
霍夫变换其实就是坐标变换，将实际图像的xy投影到参数空间，有多少个参数就投影到多少维空间，然后利用投票算法来决定所需的参数。
2016-08-04 18:04:25
3312
原创 jacobian矩阵与hessian矩阵在图像中的实际应用
学习了一年的cv，现在终于领悟了一些Jacobian矩阵和Hessian矩阵的内涵。 Jacobian矩阵 雅克比矩阵是求解最优解的一种数学工具，听起来玄乎，其实不过是一种在多维空间中求导的方法。 一阶导数其实就是对原有函数的曲率（变化率）做一个定量的标记，原函数变化快，曲率大，那么一阶导就大，那么雅克比行列式det也就大。 那么雅克比矩阵在图像处理中有什么
2016-08-04 17:25:38
5372
原创 基于opencv的鼠标操作
opencv鼠标操作在opencv的highgui.h中封装了非常实用的鼠标操作，我们可以实时的获取鼠标相对窗口的位置。
2016-01-03 16:36:35
2289
原创 SIFT算法详解与代码解析
Sift算法详解及代码解析 学了SIFT也有1个半月了，真的是坎坷不断，也因为我可能接触图像邻域时间不长，有很多相关知识要学习，直至今日，才把SIFT大致弄明白。但还有些细节值得去深究，我先把我个人对SIFT算法的理解分享给大家。如果有什么错误，欢迎大家指正。要理解SIFT算法，首先要清楚你要干什么。SIFT的确可以做很多东西，比如说目标识别，图像区域匹配，又或者是三维视觉。但是对于每
2015-12-11 08:54:56
10732
3
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人