<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[月秀明竹的专栏]]></title><description><![CDATA[专注于图像处理、模式识别领域]]></description><link>https://blog.csdn.net/lliming2006</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; lliming2006]]></copyright><item><title><![CDATA[线性回归及梯度下降]]></title><link>https://blog.csdn.net/lliming2006/article/details/78913514</link><guid>https://blog.csdn.net/lliming2006/article/details/78913514</guid><author>lliming2006</author><pubDate>Wed, 27 Dec 2017 16:18:29 +0800</pubDate><description><![CDATA[文章迁移]]></description><category></category></item><item><title><![CDATA[光流Optical Flow介绍与OpenCV实现]]></title><link>https://blog.csdn.net/lliming2006/article/details/77693336</link><guid>https://blog.csdn.net/lliming2006/article/details/77693336</guid><author>lliming2006</author><pubDate>Wed, 30 Aug 2017 09:02:22 +0800</pubDate><description><![CDATA[转：http://blog.csdn.net/zouxy09/article/details/8683859




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]]></description><category></category></item><item><title><![CDATA[/MD, /MDD, /ML, /MT,/MTD(使用运行时库)]]></title><link>https://blog.csdn.net/lliming2006/article/details/77693285</link><guid>https://blog.csdn.net/lliming2006/article/details/77693285</guid><author>lliming2006</author><pubDate>Wed, 30 Aug 2017 08:56:48 +0800</pubDate><description><![CDATA[1. VC编译选项

多线程(/MT)
多线程调试(/MTd)
多线程 DLL (/MD)
多线程调试 DLL (/MDd)



2. C 运行时库                                                库文件
Single thread(static link) ML                       libc.lib
D]]></description><category></category></item><item><title><![CDATA[dilate 函数的实现（源码）]]></title><link>https://blog.csdn.net/lliming2006/article/details/77184979</link><guid>https://blog.csdn.net/lliming2006/article/details/77184979</guid><author>lliming2006</author><pubDate>Tue, 15 Aug 2017 10:55:04 +0800</pubDate><description><![CDATA[文章从自己的QQ（632846506）7年前的日志中移过来的。

       数学形态学可以作为图像的一种滤波算法--形态学滤波。滤波中用到的滤波器(kernal)即为结构元素。结构元素往往是由一个特殊的形状构成,如线条、矩形、圆等。

OpenCV中的dilate函数支持多通道，各个通道膨胀处理过程独立。膨胀针对白色部分(高亮部分)。膨胀即是求局部最大值的操作，图像A与核B作卷积运算，]]></description><category></category></item><item><title><![CDATA[图像恢复----Retinex算法详解]]></title><link>https://blog.csdn.net/lliming2006/article/details/77155968</link><guid>https://blog.csdn.net/lliming2006/article/details/77155968</guid><author>lliming2006</author><pubDate>Mon, 14 Aug 2017 11:10:25 +0800</pubDate><description><![CDATA[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。 

      Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样，Retinex也是由两个单词合成的一]]></description><category></category></item><item><title><![CDATA[C++ ----调用exe的函数]]></title><link>https://blog.csdn.net/lliming2006/article/details/76973845</link><guid>https://blog.csdn.net/lliming2006/article/details/76973845</guid><author>lliming2006</author><pubDate>Wed, 09 Aug 2017 11:37:24 +0800</pubDate><description><![CDATA[文章从自己的QQ（632846506）7年前的日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。

       在开发大型项目的时候，采取的都是把各个功能分开来开发，分开开发可能是生成dll，也有可能生成的是exe文件，而其中有的时候也会调用现成的工具包里面的一些exe文件，这样在项目里面就要通过调用exe文件来使用。这种相互调用e]]></description><category></category></item><item><title><![CDATA[企业员工流动率]]></title><link>https://blog.csdn.net/lliming2006/article/details/76801556</link><guid>https://blog.csdn.net/lliming2006/article/details/76801556</guid><author>lliming2006</author><pubDate>Mon, 07 Aug 2017 09:14:52 +0800</pubDate><description><![CDATA[调查显示，10%—20%的员工流动率对企业长远发展有好处。
但骨干人员应是留用重点

如何降低员工流动率
企业内的员工，真正成为具有增值力的人力资源，通常必须具有四种能力：
1/p生产力：投入的减少与产值增加，二者同时发生；
2/p进阶力，员工本身能够执行同一职务逐级而上的能力；
3/p调任力，员工能够接受平行发展，胜任不同职务的能力；
4/p留任力，员工在未来三年内，继续服务的意]]></description><category></category></item><item><title><![CDATA[级联分类器（Adaboost）之《多尺度尺寸的计算方法》]]></title><link>https://blog.csdn.net/lliming2006/article/details/76638977</link><guid>https://blog.csdn.net/lliming2006/article/details/76638977</guid><author>lliming2006</author><pubDate>Thu, 03 Aug 2017 17:24:29 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[caffe:最优化方法]]></title><link>https://blog.csdn.net/lliming2006/article/details/76638190</link><guid>https://blog.csdn.net/lliming2006/article/details/76638190</guid><author>lliming2006</author><pubDate>Thu, 03 Aug 2017 17:15:37 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[Caffe中的损失函数]]></title><link>https://blog.csdn.net/lliming2006/article/details/76636329</link><guid>https://blog.csdn.net/lliming2006/article/details/76636329</guid><author>lliming2006</author><pubDate>Thu, 03 Aug 2017 16:48:40 +0800</pubDate><description><![CDATA[文章从自己的QQ（632846506）2年前的日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。

       机器学习的目的就是通过对训练样本输出与真实值不一致的进行惩罚，得到损失Loss，然后采用一定的优化算法对loss进行最小优化，进而得到合理的网络权值。本文介绍Caffe中含有的常见的LossLayer及其参数设置方法。]]></description><category></category></item><item><title><![CDATA[深度学习:正则化方法]]></title><link>https://blog.csdn.net/lliming2006/article/details/76633909</link><guid>https://blog.csdn.net/lliming2006/article/details/76633909</guid><author>lliming2006</author><pubDate>Thu, 03 Aug 2017 16:38:41 +0800</pubDate><description><![CDATA[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、]]></description><category></category></item><item><title><![CDATA[图像配准方法之灰度信息法]]></title><link>https://blog.csdn.net/lliming2006/article/details/76268727</link><guid>https://blog.csdn.net/lliming2006/article/details/76268727</guid><author>lliming2006</author><pubDate>Fri, 28 Jul 2017 17:58:34 +0800</pubDate><description><![CDATA[这系列文章是5年前的，也是从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。
     图像配准的方法主要有三种：基于灰度信息方法；基于空间变换域方法；基于图像特征的方法。
一、灰度信息法。
    灰度信息法直接利用两幅图像之间灰度度量的相似性，以图像内部的信息为依据，采用搜索方法寻找相似度最大或]]></description><category></category></item><item><title><![CDATA[图像配准之《常用图像变换模型》简述]]></title><link>https://blog.csdn.net/lliming2006/article/details/76262561</link><guid>https://blog.csdn.net/lliming2006/article/details/76262561</guid><author>lliming2006</author><pubDate>Fri, 28 Jul 2017 16:02:24 +0800</pubDate><description><![CDATA[这系列文章是5年前的，也是从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。
     图像配准中常见的四种几何变换模型。 
　　在图像配准中，常用的几何变换模型主要有刚体变换、相似变换、仿射变换、投影变换和多项式变换等，这里主要介绍前四种。
 
   一、刚体变换（Rigid Transform]]></description><category></category></item><item><title><![CDATA[图像配准之概念简述]]></title><link>https://blog.csdn.net/lliming2006/article/details/76231610</link><guid>https://blog.csdn.net/lliming2006/article/details/76231610</guid><author>lliming2006</author><pubDate>Fri, 28 Jul 2017 16:02:15 +0800</pubDate><description><![CDATA[这系列文章是5年前的，也是从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。
     1、概念
    图像配准是图像处理领域的一个基本问题，是图像处理中的一个关键步骤，也很重要。它在众多领域有着广泛的应用，如医学图像处理、影像分析、遥感融合、计算机视觉等，图像配准是当前科研领域中的一个热点。]]></description><category></category></item><item><title><![CDATA[C++多态性和继承性]]></title><link>https://blog.csdn.net/lliming2006/article/details/76182902</link><guid>https://blog.csdn.net/lliming2006/article/details/76182902</guid><author>lliming2006</author><pubDate>Thu, 27 Jul 2017 13:46:52 +0800</pubDate><description><![CDATA[这篇文章是6年前的，从自己的QQ（632846506）日志中移过来的。https://user.qzone.qq.com/632846506/infocenter。
       前段时间有人突然问哟vc多态性的理论知识，一下子把我问蒙了，用c++近十年，让我一下子回答多态性的理论。我答不上来，只是接单的回答了下多态性在是一种函数接口，不同类中可以由不同的实现形式，主要是虚函数和纯虚函数的使用。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/lliming2006/article/details/76066562</link><guid>https://blog.csdn.net/lliming2006/article/details/76066562</guid><author>lliming2006</author><pubDate>Tue, 25 Jul 2017 13:41:03 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[目标跟踪---amshift]]></title><link>https://blog.csdn.net/lliming2006/article/details/44651371</link><guid>https://blog.csdn.net/lliming2006/article/details/44651371</guid><author>lliming2006</author><pubDate>Tue, 25 Jul 2017 13:12:02 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[adaboost训练之经验总结]]></title><link>https://blog.csdn.net/lliming2006/article/details/76019135</link><guid>https://blog.csdn.net/lliming2006/article/details/76019135</guid><author>lliming2006</author><pubDate>Tue, 25 Jul 2017 12:59:38 +0800</pubDate><description><![CDATA[利用adaboost训练的分类器做了几个项目（当然在实际应用过程中，我对daaboost做了优化和改善）， 以下纯为训练前要考虑注意的地方。


0、训练前，正样本尺寸的选择很重要。

1、训练时正样本的设置：越多越好，但是要考虑训练pc的内存。在训练前，正样本设置的通用公式为：posNum+numStages*[（1-minHitRate）*posNum +300~800]
   A]]></description><category></category></item><item><title><![CDATA[CUDA编程之示例（GPU读取图像矩阵的像素值--未完待续]]></title><link>https://blog.csdn.net/lliming2006/article/details/76018439</link><guid>https://blog.csdn.net/lliming2006/article/details/76018439</guid><author>lliming2006</author><pubDate>Tue, 25 Jul 2017 12:49:57 +0800</pubDate><description><![CDATA[关于GPU编程的这些资料均是我早期的一些资料，趁出差这段时间整理下，所以就直接复制过来了，其中会有一些瑕疵，请读者朋友之争，以下的代码仅仅时验证，在VS上一通过切达到了预期的目的，接下来如果有时间我会编写并分享使用gpu编程实际应用过程中的经验教训和总结。


图像的纹理内存的读取方法：
特别注意：gpu上的tex2D（img，x,y）中的x,y坐标对应图像坐标是：
X=0~cols，y]]></description><category></category></item><item><title><![CDATA[CUDA编程经验技术总结 系列之《内存模块》]]></title><link>https://blog.csdn.net/lliming2006/article/details/76018419</link><guid>https://blog.csdn.net/lliming2006/article/details/76018419</guid><author>lliming2006</author><pubDate>Tue, 25 Jul 2017 12:44:48 +0800</pubDate><description><![CDATA[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（]]></description><category></category></item></channel></rss>