- 博客(4)
- 收藏
- 关注
RSS订阅转载 Sparsity稀疏编码（三） （值得阅读）
感谢原著的辛勤劳作~，稀疏编码(sparse coding)和低秩矩阵(low rank)的区别 上两个小结介绍了稀疏编码的生命科学解释，也给出一些稀疏编码模型的原型(比如LASSO),稀疏编码之前的探讨文章就不说了，今天开始进入机器学习领域的稀疏表达。稀疏编码进入机器学习领域后，出现了很多应用，比如计算视觉领域的图像去噪，去模糊，物体检测，目标识别和互联网领域的推
2014-05-09 10:24:06
879
转载 Sparsity稀疏编码（二）（值得阅读）
了更进一步的清晰理解大脑皮层对信号编码的工作机制（策略），需要把他们转成数学语言，因为数学语言作为一种严谨的语言，可以利用它推导出期望和要寻找的程式。本节就使用概率推理（bayes views）的方式把稀疏编码扩展到随时间变化的图像上，因为人类或者哺乳动物在日常活动中通过眼睛获取的信号是随时间变化而变化的，对于此类信号仍然有一些稀疏系数和基可以描述他们，同类型的处理方式也有慢特征分析(slow
2014-05-09 10:22:23
763
转载 Sparsity稀疏编码（一）（值得阅读）
稀疏编码来源于神经科学，计算机科学和机器学习领域一般一开始就从稀疏编码算法讲起，上来就是找基向量（超完备基），但是我觉得其源头也比较有意思，知道根基的情况下，拓展其应用也比较有底气。哲学、神经科学、计算机科学、机器学习科学等领域的砖家、学生都想搞明白人类大脑皮层是如何处理外界信号的，大脑对外界的“印象”到底是什么东东。围绕这个问题，哲学家在那想、神经科学家在那用设备观察、计算机和机器学习科学家则是
2014-05-09 10:17:20
888
转载 opencv 模板匹配目标检测
首先，参看上图。假设褐色的大图为待测图片，红色小图为模板图片。 1.result中数据的含义。 模板匹配函数cvMatchTemplate依次计算模板与待测图片的重叠区域的相似度，并将结果存入映射图像result当中，也就是说result图像中的每一个点的值代表了一次相似度比较结果。 2.result的尺寸大小。 如图可
2014-05-03 20:46:30
3513
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人