faiculty

用dataset构建input pipline这一部分主要参考tensorflow的官方教程：tf.data.datasets, 上一篇tensorflow数据读取是基于多线程数据抓取的方式，维护多队列（文件队列，example队列），是比较偏底层的。可能现在tensorflow开始慢慢走了上封装之路，datasets的出现隐藏了底层的实现。（还好不像python~~~~~~~~匿了）。因为本人是做

计算机视觉 行为检测 视频理解1. 背景2. 国内外研究现状3. 行为分类3.1 研究难点3.2 数据集介绍3.3 传统方法3.3.1 密集采样特征点3.3.2 轨迹与轨迹描述子3.3.3 运动描述子3.4 TWO STREAM方法3.4.1 TWO-STREAM CNN3.4.2 TSN3.5 C3D方法3.6 RNN方法3.6.1 网络结构3....

[行为识别] 2018 AAAI 行为识别论文解读Action Detection[1] ++Action Recognition from Skeleton Data via Analogical Generalization over Qualitative Rep

距离计算我们通常采用计算“距离”的方法来度量不同样本之间的相似性，进而判断该样本的大致类别。距离首先是一个几何概念，用dist(⋅,⋅)dist(⋅,⋅)\mathrm{dist}(\cdot,\cdot)表示，其中最为任熟悉的是二维和三维几何空间的欧几里德距离，随着数据维度的增大，距离在维数、幂次数等方面被推广了，距离被抽象为满足一些基本性质： 非负性：dist(xi,xj)≥0;(...

anaconda 能带你去任何地方，今天带大家一起窥一窥conda的多环境配置。1. anaconda概述Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environme...

一、简单介绍EM(Expectaion Maximization)算法(又称为期望最大化方法)是一种迭代算法，Dempster等人在1977年总结提出来的。简单来说EM算法就是一种含有隐变量的概率模型参数的极大似然估计。EM算法的每次迭代由两步组成：第一是求期望，第二是求极大。EM算法在机器学习中有极为广泛的应用。如常被用来学习高斯混合模型(Gaussian mixture model, 简称...

第1章 贝叶斯定理1.1 基本概念1.2 全概率公式1.3 贝叶斯公式1.4 参考文献第2章 贝叶斯决策理论2.1 贝叶斯决策理论2.2 贝叶斯分类规则2.2.1 决策错误概率(probability of decision error)2.2.2 平均风险最小(minimizing the average risk)第3章 决策函数与决策面3.1 决策面...

一、简单介绍极大似然估计是根据观察数据来估计模型参数的方法，即“模型已定，模型未知”。它是参数估计的一种方法，请参考《概率论与数理统计(浙大第四版)》中参数估计。 举个例子，大家都知道抛硬币的实验： 假设有一枚不规则的硬币，要计算它正面朝上的概率。其实就是估计一个二分布的参数。现在我们开始做实验，抛了10次，得到相应的结果。那么如何根据这些结果来估计我们的参数呢？这就是极大似然估计要处理...

贝叶斯是非常传统，理论简单，但是非常有效的一种机器学习方法。经过大量实验表明，贝叶斯方法是极具鲁棒性的。至今为止仍然有很多人在研究贝叶斯的基础理论，而且发现许多算法都可以由贝叶斯推导而来，所以贝叶斯是具有极大的研究价值的理论。 这一章节我们就来扯一扯正态分布数据的贝叶斯决策理论，看看我们能搞点什么事情出来。自己多多推导，没准能发现新的大陆。许多优秀的算法，比如SVM等等往往就是这样诞生的。...

同样，类似于[贝叶斯四]之贝叶斯分类器设计，我们用一个例子：字母分类，来阐述朴素贝叶斯分类器的设计。老套路，搞个三部曲：特征向量生成决策函数设计模型训练在做问题分析之前，请先做数据集的分析。一、数据集分析数据集来自于UCI： UCI字母分类数据集链接这个数据集原始数据一共包含20000张图像(一般取前16000张图像作为训练，后4000张图像作为测试)，每张图像经过...

一、前因这一章节依然是基础知识，贝叶斯分类器的核心就是要计算出后验概率p(wi|x)p(wi|x)p(w_i|x)，依据贝叶斯定理 p(wi|x)=p(x|wi)p(wi)p(x)p(wi|x)=p(x|wi)p(wi)p(x)p(w_i|x) = \frac {p(x|w_i)p(w_i)}{p(x)}其中： p(wi)p(wi)p(w_i)是类别iii出现的概率，这个比较好求...

一、决策面(Decision Surfaces)1.1 概念如果输入的数据是一个LLL维空间特征，考虑一个MMM分类问题，那么分类器将会把这个LLL维空间的特征点分为MMM个区域。每个区域显然就属于一个类别，如果输入一个点xxx落在第iii个区域，那么xxx就属于第iii类。分割成这些区域的边界就称为决策面。1.2 例子下面是一个简答的例子：输入是一维，决策函数是p...

一、基本概念贝叶斯理论是机器学习中一个核心方法，它由英国数学家托马斯贝叶斯在1763年发表的一篇论文中首先提出这个定理。贝叶斯定理是用来度量不确定性事件的，比如今天下雨概率，是一种概率模型。在介绍贝叶斯理论之前我们先看看统计模式识别（statistical pattern recognition）中的一些概率知识。假设有一组随机数据X=[x1,x2,x3,......xl]T∈RlX=[x...

这一小节我们将简单的阐述一般贝叶斯分类器设计的方法。分类器流程如下所示。输入：d-dim 特征向量计算决策函数值(针对每个类别)选取最大的值做出决策输出结果如下图可以清楚的表达整个分类器工作的流程。借用《算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)》的一张图来表示整个设计的流程。下面我们将以两个小例子来贯穿...

生活中的许多决策都是不确定性的，比如明天是否下雨，我需要带伞么？这个时候就需要我们做出决策，如果认为明天会下雨，显然我们就会带上伞，否则不然。那么这个时候我们怎么判断我们的决策是否可信？又是否是最佳的决策呢？这个时候往往就需要引入评价准则(evaluation criteria)。不同的评价准则在相同的决策机制中往往会导致不同的决策结果。贝叶斯决策常用的评价准则一般如下。最小错误概率(T...

本次实验利用caffe-ssd跑出了基线，主要从以下几个方向总结。 - caffe-ssd的编译 - caffe-ssd demo演示 - 自建数据集的数据准备 - fineTuning - 测试分析一、caffe基线实验源码地址在github：https://github.com/weiliu89/caffe/tree/ssd1.1 CPU版安装/...

这篇文章是ICCV 2017的一篇文章，作者主要是以C3D网络为基础。借鉴了Faster RCNN的思路，对于任意的输入视频L，先进行proposal，然后3D-pooling,最后后进行分类和回归操作。文章主要贡献点有3个：可以针对任意长度视频、任意长度行为进行端到端的检测速度很快(是目前网络的5倍)，通过共享Progposal generation 和Classification网络的...

这篇文章是来自中科院深圳先进院乔宇老师，ICCV2017年的oral文章《RPAN：An End-to-End Recurrent Pose-Attention Network for Action Recognition in Videos》。这篇文章的出发点是当前行为识别的一大流行方向：RNN。与之前的video-level category 训练RNN不相同。这篇文章提出了引入pose-at...

学习目的：深度学习神经网络往往有过多的Hyperparameter需要调优，优化算法、学习率、卷积核尺寸等很多参数都需要不断调整，使用命令行参数是非常方便的。有两种实现方式，一是利用python的argparse包，二是调用tensorflow自带的app.flags实现。利用tf.app.flags组件tf定义了tf.app.flags，用于接受命令行传递参数，相当于接受argv。首先调...

这篇文章是2017年ICCV的一篇文章《Convolutional-De-Convolutional Networks for Precise Temporal Action Localization in Untrimmed Videos》，下面是这篇文章的主要贡献点。第一次将卷积、反卷积操作应用到行为检测领域，文章同时在空间下采样，在时间域上上采样。利用CDC网络结果可以做到端到端的学...