![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 97
VeraWin
算法工程师
展开
-
Anytime Stereo Image Depth Estimation on Mobile Devices阅读与复现笔记(1)
最近对深度学习相关的视差求解方法比较感兴趣,并主要对这篇来自ICRA2019的文章进行了阅读和仿真。我习惯带着敬畏的心学习自己不会的知识,还请大佬们轻喷。AnyNet与PSMNet的视差计算结果比较在这里插入图片描述...原创 2020-08-05 10:03:31 · 884 阅读 · 4 评论 -
kalman滤波算法与仿真
kalman滤波(1)认识kalman滤波极力推荐此博客:https://blog.csdn.net/u010720661/article/details/63253509.读完该博客可以较为清晰地认识kalman滤波kalman滤波在一个简单的一维变加速运动中的应用模型描述说明文中的符号都按照推荐的博客中的写法,该运行模型包括两个测量变量,分别是位移和速度。使用kalman滤波器对...原创 2019-09-23 11:02:41 · 560 阅读 · 0 评论 -
Particle filter 推导理解——第二部分
Particle filter 公式推导与理解前情回顾本部分内容简介蒙特卡罗采样估计滤波和边沿似然前情回顾上一部分主要讲述了隐马尔可夫模型、滤波与边沿似然。状态估计模型可以抽象为隐马尔可夫模型,因为系统真实值未知,观测值可知,并且能够假设系统当前状态仅与前一时刻的状态有关。以HMM(隐马尔可夫)模型为基础,将系统估计抽象成为一个贝叶斯模型。并且得到了系统的先验概率和似然函数(若有疑问可以查看...原创 2019-03-28 15:35:39 · 289 阅读 · 0 评论 -
Particle filter 推导理解——第一部分
Particle filter 公式推导与理解Particle filter 宏观理解隐马尔可夫模型滤波和边沿似然学习particle filter 有一段日子了,今日进行总结讲解,宏观理解与仿真均没有太大问题,但是公式的推导和物理意义的理解还存在疏漏。借此机会总结梳理一番,本文分为上下两个部分,第一部分是关于particle filter推导的前期准备,第二部分涉及Monte Carlo 思想...原创 2019-03-25 22:06:40 · 381 阅读 · 0 评论 -
HMM study:认识混合高斯模型与EM算法(附Python仿真)
混合高斯模型Gaussian Mixed Model 表示多个高斯分布的线性组合,设有随机变量X\textbf{X}X,则混合高斯模型表示如下p(x)=∑k=1KπkN(x/μk,∑k)p(\textbf{x})=\sum_{k=1}^K \pi_kN(x/\mu_k,\sum_k)p(x)=∑k=1KπkN(x/μk,∑k)其中πk\pi_kπk可以认为是高斯分布的权重,N(x/μk...原创 2020-02-24 11:35:57 · 965 阅读 · 0 评论 -
梳理GAN
我参考训练生成动漫头像运行了一次GAN的代码,虽然对于GAN的模型略有了解,但是对细节理解仍然不够充分。问题小白代码结构?GAN包括生成器与判别器,上述代码包括两部分,model.py和train.py。model.py中定义了两个网络,分别是生成器NetG、鉴别器NetD。训练GAN的时候将model.py中的NetG NetD引入到train.py中。model.py如何构建网络模型?...原创 2020-04-29 00:20:55 · 321 阅读 · 0 评论 -
两个类别间可靠性差异的差异指标
两个类别间可靠性差异的差异指标用于可靠性分类的差异指标本部分提出一种基于矩矩阵分析的差异指标用于可靠的分类。在此,可靠性用于描述矩矩阵相对于分类样本分组的可变性。特别地,如果从训练集生成的矩矩阵与验证集生成的矩矩阵具有相同的属性,则称该矩矩阵在训练集和验证集之间是可靠的。需要注意的是,模型参数,例如提出的差异指标,由验证集确定。然而,一个分类器的泛化性能是基于测试集获得的。验证集和测试集之间没...原创 2020-04-12 21:41:32 · 1378 阅读 · 0 评论 -
HMM study: Viterbi 算法的Python简单实现
# viterbi algorithm(pi,A,B)import numpy as np# -*- codeing:utf-8 -*-__author__ = 'Vera'Hmm_ob= [0, 1,2]Hmm_hdn=['runny', 'rainy']A=np.array([[0.7, 0.3], [0.4, 0.6]])B=np.array([[0.1, 0.4, 0.5...原创 2020-02-15 17:13:31 · 328 阅读 · 0 评论 -
三维重构(6):双目立体视觉梳理(主要与SFM对比理解)
三维重构学习笔记(6):双目立体视觉梳理前话可跳:学习笔记(6)之前的笔记都是基于单目的,比如SFM相关的。通过单目相机从不同的角度采集图片,然后通过增量式的SFM对每一张图片采集图片等。在做实验的过程中出现以下问题:特征点计算耗时增量式的SFM随着图片数量的增加,误差增加匹配点对较少,有时计算本征矩阵都会遇到麻烦(比如特征点太少,无法计算出本征矩阵,那么后续的图片就更计算不出来了)...原创 2019-11-15 10:16:48 · 2589 阅读 · 1 评论 -
三维重构学习笔记(5):仿真中存在的各类疑惑(杂记)
OpenCV中SFM的依赖函数原创 2019-11-14 14:07:15 · 492 阅读 · 0 评论 -
三维重构学习笔记(4):坚实的后盾OpenCV(ORB)
几个关于贝叶斯最优的问题原创 2019-10-22 15:27:15 · 283 阅读 · 0 评论 -
HMM study:贝叶斯(2):贝叶斯滤波器(kalman与particle)
贝叶斯决策原创 2019-10-14 19:26:41 · 390 阅读 · 0 评论 -
HMM study:贝叶斯(1):贝叶斯决策
贝叶斯决策(1)**贝叶斯决策论考虑基于已知概率和误判损失来选择最优的标记类别。**本博在梳理贝叶斯决策的同时主要关注对于某些概念的理解。本博主要参考西瓜书第七章。样本误判产生的风险(损失) λij\lambda_{ij}λij不同类别的误判概率可能不同,贝叶斯决策中用 λij\lambda_{ij}λij 来表示 cjc_jcj 类误判为 cic_ici 类产生的损失 。初学者可...原创 2019-10-12 17:04:41 · 344 阅读 · 0 评论