- 博客(17)
- 资源 (8)
- 收藏
- 关注
转载 WebP 探寻之路
from : https://isux.tencent.com/introduction-of-webp.html前言不管是 PC 还是移动端,图片一直是流量大头,以苹果公司 Retina 产品为代表的高 PPI 屏对图片的质量提出了更高的要求,如何保证在图片的精细度不降低的前提下缩小图片体积,成为了一个有价值且值得探索的事情。但如今对于 JPEG、PNG 和 GIF 这些图片格式
2016-12-29 15:42:21 726
原创 mt19937 随机数
一下内容整理自网络资源:我们讲的随机数其实暗指伪随机数。不少朋友可能想到C语言的rand(),可惜这个函数产生的随机数随机性非常差,而且速度很慢,相信几乎不能胜任一般的应用。古老的LCG(linear congruential generator)代表了最好的伪随机数产生器算法。主要原因是容易理解,容易实现,而且速度快。这种算法数学上基于X(n+1) = (a * X(n) + c
2016-12-27 11:09:33 13397
原创 相机标定资源URL
相机标定资源URL A few links related to camera calibrationCamera calibration With OpenCV - The same calibration toolbox as this one, in OpenCV.A Generic Cam
2016-12-27 09:51:39 3188
转载 2017年深度学习十大趋势预测
2017年深度学习十大趋势预测本文作者曾经多次预测了技术发展的趋势,最近的一次预测是“2011年软件发展的趋势与预测”。10项预言中,准确地命中了6项,比如JavaScript VM、NoSQL、大数据分析、私有云、Scala语言等等。今年,他对深度学习的发展趋势做了一个预测,主要是研究领域的趋势预测,而不是工业界的应用。深度学习框架Caffe源码解析作者按
2016-12-27 09:22:29 2146
转载 知识图谱如何让智能金融“变魔术”
作者简介: 鲍捷,文因互联CEO。Iowa State University博士,研究领域包括神经网络、信息论、机器学习、逻辑与推理、语义网、自然语言处理等。三星S-Voice个人助手个核心设计者、语义网基础国际标准OWL2作者之一。 王丛,文因互联CKO。美国Wright State University辍学博士生,专长知识提取、本体建模、语义推理。曾参与欧盟的大规模知识加速器项目、爱尔
2016-12-27 09:19:40 1414
转载 轻量级大规模机器学习算法库Fregata开源:快速,无需调参
作者:张夏天,TalkingData首席数据科学家。12年大规模机器学习和数据挖掘经验,对推荐系统、计算广告、大规模机器学习算法并行化、流式机器学习算法有很深的造诣;在国际顶级会议和期刊上发表论文12篇,申请专利9项;前IBM CRL、腾讯、华为诺亚方舟实验室数据科学家;KDD2015、DSS2016国际会议主题演讲;机器学习开源项目Dice创始人。 欢迎技术投稿、约稿、给文章纠错,请发送邮件
2016-12-27 09:18:45 1239
转载 Google使用机器学习助力数据中心节能
原文: Machine learning finds new ways for our data centers to save energy 译者: KK4SBB 欢迎技术投稿、约稿、给文章纠错,请发送邮件至heyc@csdn.net虚拟的网络世界都是以现实世界为基础的。当我们浏览网站、发送邮件、上传视频灌水论坛时,这些数据都将流经占地面积超过足球场的数据中心。数据中心内成千
2016-12-27 09:17:36 1122
转载 深度学习框架Caffe源码解析
作者:薛云峰(https://github.com/HolidayXue),主要从事视频图像算法的研究,就职于浙江捷尚视觉科技股份有限公司担任深度学习算法研究员。 本文来源微信公众号:深度学习大讲堂。 原文:深度学习框架Caffe源码解析 欢迎技术投稿、约稿、给文章纠错,请发送邮件至heyc@csdn.net相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架,也
2016-12-27 09:15:23 1482
转载 2017年深度学习十大趋势预测
原文: 10 Deep Learning Trends and Predictions for 2017 作者: Carlos E. Perez 译者: KK4SBB 欢迎技术投稿、约稿、给文章纠错,请发送邮件至heyc@csdn.net本文作者曾经多次预测了技术发展的趋势,最近的一次预测是“2011年软件发展的趋势与预测”。10项预言中,准确地命中了6项,比如JavaSc
2016-12-27 09:14:08 1146
转载 轻量级大规模机器学习算法库Fregata开源:快速,无需调参
作者:张夏天,TalkingData首席数据科学家。12年大规模机器学习和数据挖掘经验,对推荐系统、计算广告、大规模机器学习算法并行化、流式机器学习算法有很深的造诣;在国际顶级会议和期刊上发表论文12篇,申请专利9项;前IBM CRL、腾讯、华为诺亚方舟实验室数据科学家;KDD2015、DSS2016国际会议主题演讲;机器学习开源项目Dice创始人。 欢迎技术投稿、约稿、给文章纠错,请发送邮件
2016-12-27 09:12:43 2249
转载 Camera Calibration and 3D Reconstruction(opencv 2.4)
Camera Calibration and 3D Reconstruction¶The functions in this section use a so-called pinhole camera model. In this model, a scene view is formed by projecting 3D points into the image plane using
2016-12-21 15:53:59 4399
转载 基于MeanShift的目标跟踪算法及实现
from: http://blog.csdn.net/jinshengtao/article/details/30258833一、简介 首先扯扯无参密度估计理论,无参密度估计也叫做非参数估计,属于数理统计的一个分支,和参数密度估计共同构成了概率密度估计方法。参数密度估计方法要求特征空间服从一个已知的概率密度函数,在实际的应用中这个条件很难达到。而无参数密度估计方法对先验知识要求
2016-12-21 11:01:27 1889
原创 CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别?
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别?从广义上来说,NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中,所谓的深度神经网络DNN,往往融合了多种已知的结构,包括卷积层或是LSTM单元。但是就题主的意思来看,这里的DNN应该特指全连接的神经元结构,并不包含卷积单元或是时间上的关联。因此,题主一定要将DNN、CNN、RNN等进行对比,也未尝不可。 其实,如果我们顺着神经网络技术发展的脉络,就很容易弄清这几种网络结
2016-12-21 09:13:03 9502
转载 R-Car
from: http://elinux.org/R-CarR-CarFrom eLinux.orgJump to: navigation, searchJump to R-Car boards pages * Alt * Blanche * BOCK-W * Gose * Koelsch * Lager * Marzen * Por
2016-12-16 14:48:19 3421
转载 ProGit-读书简记
ProGit-读书简记from: http://lanbing510.info/2016/12/07/ProGit.html?ref=myread写在前面Git是一个非常好的版本管理工具,最早是根据廖雪峰等人的博客进行的学习,一直只用到了一些常用的命令做简单的备份回退等。最近结合《ProGit》和《Git权威指南》进行了查漏补缺和更系统深入的学习,下面是结合ProGit一书
2016-12-16 12:50:51 623
Ubuntu openproject
2020-10-13
汽车全景标定(拼接)效果的检验方法_pics.zip
2019-08-26
mysql完全手
2013-08-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人