不会写代码的biter-CSDN博客

原创 person re-identification (re-ID)论文学习

翻译Person重识别（re-ID）通常被视为一个图像检索问题，它需要匹配来自不同摄像头的行人。给定一个感兴趣的人（查询），人的再识别就能确定该人是否被另一个摄像头观察到过。这一领域的最新进展归功于两个因素：1) 大规模行人数据集的可用性。这些数据集包含了行人的一般视觉差异，并提供了全面的评估[2]、[3]。2）使用卷积神经网络（CNN）对行人进行学习嵌入。最近，卷积神经网络（CNN）在学习最先进的特征嵌入或深度度量方面显示出了潜力

2024-10-26 05:20:59 1748

原创（LLC）Locality-constrained Linear Coding for Image Classiﬁcation

传统的基于特征袋(bag-of-features, BoF)的SPM方法需要非线性分类器来实现良好的图像分类性能。LLC论文提出了一种简单而有效的编码方案，称为位置约束线性编码(LLC)，以取代传统SPM中的VQ编码。LLC利用局域约束将每个描述符投影到其局部坐标系中，投影坐标通过最大池化进行集成以生成最终表示。使用线性分类器，所提出的方法的性能明显优于传统的非线性SPM，在几个基准测试中取得了最先进的性能。

2024-06-29 22:33:16 1863

原创数据挖掘-学习笔记1

数据挖掘（Data Mining，DM）是指从大量的有噪声的、不完全的、模糊的和随机的数据中，提取出隐含在其中的事先不知道但具有潜在利用价值的信息的过程。主要包含以下几层含义：1.数据必须真实的、大量且含有噪声的。2.发现的是用户感兴趣的可以接受、理解、运用的知识。3.仅支持特定的问题，并不要求放之四海而皆准的知识。

2024-06-28 17:50:16 1610 1

CVPR 2010 用于图像分类的位置约束线性编码英文原版论文

传统的基于特征袋(bag-of-features, BoF)的SPM方法需要非线性分类器来实现良好的图像分类性能。本文提出了一种简单而有效的编码方案，称为位置约束线性编码(LLC)，以取代传统SPM中的VQ编码。LLC利用局域约束将每个描述符投影到其局部坐标系中，投影坐标通过最大池化进行集成以生成最终表示。使用线性分类器，所提出的方法的性能明显优于传统的非线性SPM，在几个基准测试中取得了最先进的性能。与稀疏编码策略[22]相比，LLC所使用的目标函数具有解析解。此外，本文提出了一种快速逼近LLC方法，首先执行k -最近邻搜索，然后求解约束最小二乘拟合问题，计算复杂度为O(M + K²)。因此，即使使用非常大的码本，我们的系统仍然可以每秒处理多帧。这种效率大大增加了LLC在实际应用中的实用价值。

2024-06-29