todayq的专栏

转载 2013计算机视觉代码合集

一、特征提取Feature Extraction：SIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]Affine-SIFT [3] [Project]SURF [4] [OpenSURF] [Matlab Wrapper]Affine Covariant Fea

转载 机器学习相关链接帖

http://ztl2004.github.io/MachineLearningWeekly/issue2.html机器学习周刊第二期：深度学习上了Nature摘要：DNN上了Nature，作者写得不是很深入；智能车上路了；各种机器学习服务（Machine Learning as a Service 是未来）；CES各种机器人；有筒子反应说内容太多了。。。周刊啊要看一周的好不好

转载 C++代码优化

C++代码优化方法总结　　　优化是一个非常大的主题，本文并不是去深入探讨性能分析理论，算法的效率，况且我也没有这个能力。我只是想把一些可以简单的应用到你的C++代码中的优化技术总结在这里，这样，当你遇到几种不同的编程策略的时候，就可以对每种策略的性能进行一个大概的估计。这也是本文的目的之所在。目录：　　一. 优化之前　　二. 声明的放置　　三. 内联函数　　四. 优

原创 OpenCV中图像设置ROI

1.Mat类Mat src = imread(“test.jpg”); Rect rect(0,0,src.cols/2,src.rows/2);Mat src1( src, rect);Mat src2=src(rect);2.IplImage类IplImage*img=cvLoadImage(readname.c_str());Rect rect(0,0,img->wid

原创 opencv图片旋转剪裁

Mat cutImage(Mat src,Point2f eyeleft,Point2f eyeright) { Mat dst; dst=Mat::zeros( src.rows, src.cols, src.type()); float offset[2] = { 0.2, 0.2 }; i

转载 人脸识别概述

http://blog.sina.com.cn/s/blog_6ae1839101012fbb.html一 人脸识别系统结构图1显示了人脸识别系统所包含的各个模块，其中，图像采集模块用于采集包含人脸的图像；人脸检测跟踪模块用于确定视频中人脸的位置和大小，并确定同一个人在帧间的对应关系；而特征点定位模块用于定位眼睛、嘴巴等脸部特征点的位置；图像质量评估模块，用于从采集的同一个人的多张

转载 人脸识别必读的N篇文章

邓亚峰：http://blog.sina.com.cn/s/blog_6ae183910101h4jr.html一，人脸检测/跟踪人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小；对于跟踪而言，还需要确定帧间不同人脸间的对应关系。1,Robust Real-time Object Detection. Paul Viola, Michael Jones.

转载 c++多线程——模拟售票

#include #include using namespace std;DWORD WINAPI Fun1Proc(LPVOID lpParameter);//thread dataDWORD WINAPI Fun2Proc(LPVOID lpParameter);//thread data int index=0;int tickets=10;HANDLE hMutex;

转载 c++ list

双向循环链表list        list是双向循环链表，，每一个元素都知道前面一个元素和后面一个元素。在STL中，list和vector一样，是两个常被使用的容器。和vector不一样的是，list不支持对元素的任意存取。list中提供的成员函数与vector类似，不过list提供对表首元素的操作push_front、pop_front，这是vector不具备的。和vector另一点不

转载 C++多线程

一 简单实例比较简单的代码，创建10个线程，其中使第4个线程在一创建就挂起，等到其他的线程执行的差不多的时候再使第4个线程恢复执行。 [cpp] view plaincopy#include    #include    #include    #define THREAD_NUM 10     DWORD WINAPI PrintThreads (LPVOID

转载 人头检测

Human head detectionWe use adaptive threshold selection and region segmentation to segment the moving target region. Then human head is detected and localized in each moving target region using Houg

原创 cuda直方图计算——利用shared memory统计直方图

先写个错误的version，折腾了我一天呀__global__ void CalHistKernel(int*imgData,int*bins,int datasize){ __shared__ int _bins[3]; int tx=threadIdx.x; int idx=blockIdx.x*blockDim.x+threadIdx.x; if(tx

转载 机器学习基本算

朴素贝叶斯：　　有以下几个地方需要注意：　　1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。　　2. 计算公式如下：　　　　其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方法，而由朴素贝叶斯的前提假设可知，= ，因此一般有两

原创 矩阵乘法

声明矩阵结构体如下：typedef struct{int width;int height;float* elements;}Matrix;串行版本：void MatMul(const Matrix A,const Matrix B,Matrix C){ for(int row=0;row<C.height;row++) { for(int c

转载 SVM入门（十）将SVM用于多类分类

从 SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本，并求解一

转载 SVM入门（九）松弛变量（续）

接下来要说的东西其实不是松弛变量本身，但由于是为了使用松弛变量才引入的，因此放在这里也算合适，那就是惩罚因子C。回头看一眼引入了松弛变量以后的优化问题：注意其中C的位置，也可以回想一下C所起的作用（表征你有多么重视离群点，C越大越重视，越不想丢掉它们）。这个式子是以前做SVM的人写的，大家也就这么用，但没有任何规定说必须对所有的松弛变量都使用同一个惩罚因子，

转载 SVM入门（八）松弛变量

Stanlis 发表于 2013-3-10 10:56:30|只看该作者|倒序浏览分享到：现在我们已经把一个本来线性不可分的文本分类问题，通过映射到高维空间而变成了线性可分的。就像下图这样： 2013-3-10 11:01 上传下载附件(38.78 KB)圆形和方形的点各有成千上万个（毕竟，这就是我们训练集中文档的数量嘛，当然很大了）。现在想

转载 SVM入门（七）为何需要核函数

生存？还是毁灭？——哈姆雷特 可分？还是不可分？——支持向量机 之前一直在讨论的线性分类器,器如其名（汗，这是什么说法啊），只能对线性可分的样本做处理。如果提供的样本线性不可分，结果很简单，线性分类器的求解程序会无限循环，永远也解不出来。这必然使得它的适用范围大大缩小，而它的很多优点我们实在不原意放弃，怎么办呢？是否有某种方法，让线性不可分的数据变得线性可分呢？有！其思想说来也简单

转载 SVM入门（六）线性分类器的求解——问题的转化，直观角度

让我再一次比较完整的重复一下我们要解决的问题：我们有属于两个类别的样本点（并不限定这些点在二维空间中）若干，如图圆形的样本点定为正样本（连带着，我们可以把正样本所属的类叫做正类），方形的点定为负例。我们想求得这样一个线性函数（在n维空间中的线性函数）： g(x)=wx+b 使得所有属于正类的点x+代入以后有g(x+)≥1，而所有属于负类的点x-代入后有g(x-)≤-1（之所

转载 SVM入门（五）线性分类器的求解——问题的描述Part2

从最一般的定义上说，一个求最小值的问题就是一个优化问题（也叫寻优问题，更文绉绉的叫法是规划——Programming），它同样由两部分组成，目标函数和约束条件，可以用下面的式子表示：（式1）约束条件用函数c来表示，就是constrain的意思啦。你可以看出一共有p+q个约束条件，其中p个是不等式约束，q个等式约束。关于这个式子可以这样来理解：式中的x是自变量，但不限定它的维

转载 SVM入门（四）线性分类器的求解——问题的描述Part1

上节说到我们有了一个线性分类函数，也有了判断解优劣的标准——即有了优化的目标，这个目标就是最大化几何间隔，但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化||w||这样的说法，这是怎么回事呢？回头再看看我们对间隔和几何间隔的定义：间隔：δ=y(wx+b)=|g(x)| 几何间隔：可以看出δ=||w||δ几何。注意到几何间隔与||w||是成反比的，因此最大化几

转载 SVM入门（一）至（三）

（一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，

原创 利用shared memeory减少对global memory的访问

近来采用cuda加速，对时间做了下测试，发现cuda版本和c版本的code运行时间基本上没什么大的改善。非常惊讶！因为之前对gpu抱了很大的希望。为什么会事与愿违呢？仔细研究code，发现，时间的损耗很大一部分都花在数据copy和读取上。于是又开始翻看资料……发现将操作数一次拷贝到share memory是个不错的idea。

转载 基于暗通道的图像去雾算法_CVPR09 BestPaper_KaiMing He

前一阶段做项目用到了 何凯明的这篇文章中的算法，闲来无事，总结一下。 其实，对于图像去雾，去模糊，去噪声问题，数学模型都非常接近，而且非常简单，由于数学模型非常简单，如何有效的估计其中的参数就是重点了。以前有大量的文章是基于先验假设的，这类方法有很大的局限性，而何凯明的这篇文章的确是给出了一个去雾问题的比较好的模型。-------------------------------先介

原创 基于LBP的人脸识别

一、LBP（ local binary pattern）编码：        LBP编码是一种局部特征描述子。以一个像素为中心，r为半径，选取该圆周上的8个点，比较这8个点与中心点像素值的大小，若大于中心点像素值，则记为1，否则记为0。然后沿顺时针方向将这8个值串联成一个二进制串，即为该中心点的LBP编码。如下图所示：          在实际应用中，通常采用该编码的另一种扩充——

转载 稀疏表达：向量、矩阵与张量

然后是类似的图像inpainting然后是图像去模糊，左上为输入模糊图像，右下为输出清晰图像及估计的相机运动（其实是PSF），中间均为迭代过程:再然后是物体检测（自行车），左侧输入图像，中间为位置概率图，右侧为检测结果当然我个人还推荐Yi Ma的sparse face，这个在对抗噪声的效果上很棒，比如下图中左侧的那张噪声图像（你能辨认是哪位不？这方法可以

转载 bias和variance

在A Few Useful Thingsto Know about Machine Learning中提到，可以将泛化误差（gener-alization error）分解成bias和variance理解。 Bias: a learner’s tendency to consistently learn the same wrong thing，即度量了某种学习算法的平均估计结果所能逼近学

转载 c++读取目录下所有文件名

#includevoid Test(){_finddata_t file; long lf; //输入文件夹路径 if((lf = _findfirst("D:\\公共图片库\\helen\\trainset\\*.jpg", &file))==-1) cout<<"Not Found!"<<endl; else{

转载 逻辑回归（2）

从这节算是开始进入“正规”的机器学习了吧，之所以“正规”因为它开始要建立价值函数（cost function），接着优化价值函数求出权重，然后测试验证。这整套的流程是机器学习必经环节。今天要学习的话题是逻辑回归，逻辑回归也是一种有监督学习方法（supervised machine learning）。逻辑回归一般用来做预测，也可以用来做分类，预测是某个类别^.^！线性回归想比大家都不陌生了，y=k

转载 Matlab实现线性回归和逻辑回归: Linear Regression & Logistic Regression

本文为Maching Learning 栏目补充内容，为上几章中所提到单参数线性回归、多参数线性回归和 逻辑回归的总结版。旨在帮助大家更好地理解回归，所以我在Matlab中分别对他们予以实现，在本文中由易到难地逐个介绍。本讲内容：Matlab 实现各种回归函数=========================基本模型

转载 Stanford机器学习---第五讲. 神经网络的学习 Neural Networks learning

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

转载 Stanford机器学习---第四讲. 神经网络的表示 Neural Networks representation

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

转载 Stanford机器学习---第三讲. 逻辑回归和过拟合问题的解决 logistic Regression & Regularization

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

原创 Normal Equation推导

转载 Stanford机器学习---第十讲. 数据降维

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。内容大多来自Standford公开课machine learning中

转载 Stanford机器学习---第九讲. 聚类

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。内容大多来自Standford公开课machine learning中

转载 Stanford机器学习---第八讲. 支持向量机SVM

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

转载 Stanford机器学习---第七讲. 机器学习系统设计

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

转载 Stanford机器学习---第六讲. 怎样选择机器学习方法、系统

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning

转载 Stanford机器学习---第二讲. 多变量线性回归 Linear Regression with multiple variable

本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning