![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉,模式识别
文章平均质量分 79
lliming2006
这个作者很懒,什么都没留下…
展开
-
Deep Learning学习笔记整理系列之一
接下来的几篇文章是三年前学习Deep Learning的笔记整理,同样是从从自己的QQ(632846506)日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。声明:1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献原创 2017-07-24 12:30:32 · 231 阅读 · 0 评论 -
级联分类器(Adaboost)之《多尺度尺寸的计算方法》
最近有人问我:在级联分类器中,如何根据设定的参数来计算多尺度的问题。并给我看了一篇网上找来的文章(里面展示的尺度尺寸有无),让我给讲解下: 多尺度尺寸的计算 主要是下面这个循环:for(double factor=1;;factor *=scaleFactor) //多尺度检测(每次循环只用一个尺度来检测目标,循环N次就是N个尺度){ Size t原创 2017-08-03 17:24:29 · 935 阅读 · 0 评论 -
caffe:最优化方法
到目前为止,caffe总共提供了六种优化方法: Stochastic Gradient Descent (type: "SGD"), AdaDelta (type: "AdaDelta"); Adaptive Gradient (type: "AdaGrad"); Adam (type: "Adam") Neste原创 2017-08-03 17:15:37 · 381 阅读 · 0 评论 -
深度学习:正则化方法
文章从自己的QQ(632846506)5年前的日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。 在机器学习中,正则化是非常重要且非常有效的减少泛化误差的技术,特别是在深度学习模型中,由于其模型参数非常多且易产生过拟合。因此研究者也提出很多有效的技术防止过拟合,其中比较常用的技术包括:参数添加约束,例如L1、原创 2017-08-03 16:38:41 · 871 阅读 · 0 评论 -
删除指定日期前的日志文件,对大于一定内存的日志文件重命名且新建日志继续写入
删除指定日期前的日志,对大于一定内存的日志重命名且新建日志继续写入原创 2017-07-25 13:41:03 · 464 阅读 · 0 评论 -
目标跟踪---amshift
目标跟踪的一个重要的算法Camshift,因为它是连续自使用的meanShift,所以这2个函数opencv中都有,且都很重要。 Camshift函数的原型为:RotatedRect CamShift(InputArray probImage, Rect& window, TermCriteriacriteria)。 其中probImage为输入图像直方图的反向投影原创 2017-07-25 13:12:02 · 534 阅读 · 1 评论 -
Deep Learning 学习笔记整理系列之二
四、关于特征 特征是机器学习系统的原材料,对最终模型的影响是毋庸置疑的。如果数据被很好的表达成了特征,通常线性模型就能达到满意的精度。那对于特征,我们需要考虑什么呢?4.1、特征表示的粒度 学习算法在一个什么粒度上的特征表示,才有能发挥作用?就一个图片来说,像素级的特征根本没有价值。例如下面的摩托车,从像素级别,根本得不到任何信息,其无法进行摩托原创 2017-07-24 12:31:09 · 167 阅读 · 0 评论 -
CUDA编程经验技术总结 系列之《内存模块》
共享内存、文理内存是cuda中经常用到的内存模式。一、共享内存和同步:、共享内存和同步:实现方式:__share__ float array[N]; N一般为threadsPerBlock。N的确定方式之一:对于共享内存来说,由于编译器将为每个线程块生成共享变量的一个副本,因此,只需根据线程块中线程的数量来分配内存。实用情形:二、纹理内存(只读):1、一维纹理内存的使用(原创 2017-07-25 12:44:48 · 336 阅读 · 0 评论 -
深度学习(Deep Learning) 学习笔记整理系列- 八
十、总结与展望1)Deep learning总结 深度学习是关于自动学习要建模的数据的潜在(隐含)分布的多层(复杂)表达的算法。换句话来说,深度学习算法自动的提取分类需要的低层次或者高层次特征。高层次特征,一是指该特征可以分级(层次)地依赖其他特征,例如:对于机器视觉,深度学习算法从原始图像去学习得到它的一个低层次表达,例如边缘检测器,小波滤波器等,然后在这些低层次表原创 2017-07-24 12:48:33 · 399 阅读 · 0 评论 -
深度学习(Deep Learning )学习笔记整理系列之七
9.5、Convolutional Neural Networks卷积神经网络 卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。卷积原创 2017-07-24 12:34:28 · 394 阅读 · 0 评论 -
Deep Learning 学习笔记整理系列之六
9.3、Restricted Boltzmann Machine (RBM)限制波尔兹曼机 假设有一个二部图,每一层的节点之间没有链接,一层是可视层,即输入数据层(v),一层是隐藏层(h),如果假设所有的节点都是随机二值变量节点(只能取0或者1值),同时假设全概率分布p(v,h)满足Boltzmann 分布,我们称这个模型是Restricted BoltzmannMachi原创 2017-07-24 12:33:38 · 292 阅读 · 0 评论 -
Deep Learning 学习笔记整理系列之五
9.2、Sparse Coding稀疏编码 如果我们把输出必须和输入相等的限制放松,同时利用线性代数中基的概念,即O = a1*Φ1 + a2*Φ2+….+ an*Φn, Φi是基,ai是系数,我们可以得到这样一个优化问题:Min |I – O|,其中I表示输入,O表示输出。 通过求解这个最优化式子,我们可以求得系数ai和基Φi,这些系数和基原创 2017-07-24 12:33:05 · 200 阅读 · 0 评论 -
Deep Learning 学习笔记整理系列之四
九、Deep Learning的常用模型或者方法9.1、AutoEncoder自动编码器 Deep Learning最简单的一种方法是利用人工神经网络的特点,人工神经网络(ANN)本身就是具有层次结构的系统,如果给定一个神经网络,我们假设其输出与输入是相同的,然后训练调整其参数,得到每一层中的权重。自然地,我们就得到了输入I的几种不同表示(每一层代表一种表示),这原创 2017-07-24 12:32:43 · 179 阅读 · 0 评论 -
Deep Learning 学习笔记整理系列之三
Deep learning让机器自动学习良好的特征,而免去人工选取过程。还有参考人的分层视觉处理系统,因此Deep learning需要多层来获得更抽象的特征表达。那么多少层才合适呢?用什么架构来建模呢?怎么进行非监督训练呢? 五、Deep Learning的基本思想 假设我们有一个系统S,它有n层(S1,…Sn),它的输入是I,输出是O,形象地表示为: I原创 2017-07-24 12:32:07 · 214 阅读 · 0 评论 -
线性回归及梯度下降
文章迁移原创 2017-12-27 16:18:29 · 272 阅读 · 1 评论