网上资源笔记

卷积、池化、多通道

http://www.jianshu.com/p/606a33ba04ff

http://www.cnblogs.com/nsnow/p/4562363.html

随机森林

是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。随机森林可以用于分类和回归。 

http://blog.csdn.net/haimengao/article/details/49615955

条件随机场CRF：

想象一下，你有 Justin Bieber 一天生活中的一连串快照，你想在这些照片上面打上活动内容的标签（吃睡、睡觉、开车等）。你会怎么做？

一种方式是忽略这些快照的本质，建立一个图片分类器。举个例子，事先给定一个月的打标快照，你可能会了学到在早上6点拍的较暗的照片很可能是在睡觉，有很多明亮颜色的照片，很可以是关于跳舞，照片中有车那应该是在开车等等。

然而，忽略顺序关联，你会丢失很多信息。例如，如果你看到一张嘴张的特写照片，那它应该打标成吃饭还是唱歌呢？如果上一张 Justin Bieber 的照片中他在吃饭或者做菜，那当前这张照片很可能是他在吃饭；但如果上一张照片中 Justin Bieber 在唱歌或者跳舞，那这张很可能是在说他也在唱歌。

因此，为了提高我们打标的准确率，我们应该结合参考相近照片，这正是条件随机场（condition random field）所做的事情

https://zhuanlan.zhihu.com/p/25558273

LBP特征：

 LBP（

Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。

http://blog.csdn.net/zouxy09/article/details/7929531

L2 norm：

 L2范数

也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。多么简约的哲学啊！因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差小并不是我们的最终目标，我们的目标是希望模型的测试误差小，也就是能准确的预测新的样本。所以，我们需要保证模型“简单”的基础上最小化训练误差，这样得到的参数才具有好的泛化性能（也就是测试误差也小），而模型“简单”就是通过规则函数来实现的。  http://blog.csdn.net/zouxy09/article/details/24971995

OpenCV3.1.0+VS2013开发环境配置

http://blog.csdn.net/u013105549/article/details/50493069

OpenCV：无法启动此程序，因为计算机中丢失opencv_world310.dll

http://blog.csdn.net/u013015629/article/details/52424595

支持向量机(SVM)是什么意思？

https://www.zhihu.com/question/21094489

 

SVM(Support Vector Machine)读书笔记三(Soft-margin SVM)

http://blog.csdn.net/jackie_zhu/article/details/52097306

edgebox

http://blog.csdn.net/muyouhang/article/details/51420026

http://blog.sina.com.cn/s/blog_e1b9226a0102w5rt.html

凸集

http://blog.sina.com.cn/s/blog_65956f180100rs95.html

在Matlab环境下解算参数时，矩阵的大小超出了Matlab Preference所设置的极限，便会提示错误

http://blog.sciencenet.cn/home.php?mod=space&uid=1217335&do=blog&id=981179