2017年01月_u012507022

09月 01月

转载 ILSVRC2016目标检测任务回顾(图像视频目标检测)

计算机视觉领域权威评测——ImageNet大规模图像识别挑战赛（Large Scale Visual Recognition Challenge）自2010年开始举办以来，一直备受关注。2016年，在该比赛的图像目标检测任务中，国内队伍大放异彩，包揽该任务前五名（如图1所示）。我们将根据前五名参赛队伍提交的摘要与公开发表的论文或技术文档，简析比赛中用到的图像目标检测方法。

2017-01-15 11:07:04 24709 1

转载 DPM(Deformable Parts Model)--原理

DPM是一个非常成功的目标检测算法，连续获得VOC（Visual Object Class）07,08,09年的检测冠军。目前已成为众多分类器、分割、人体姿态和行为分类的重要部分。2010年Pedro Felzenszwalb被VOC授予"终身成就奖"。DPM可以看做是HOG（Histogrrams of Oriented Gradients）的扩展，大体思路与HOG一致。先计算梯度方向直方图，然后用SVM（Surpport Vector Machine ）训练得到物体的梯度模型（Model）。

2017-01-14 15:59:45 1430

原创 Opencv机器学习之CvMLdata

1. .csv是最通用的一种文件格式，它可以非常容易地被导入各种PC表格及数据库中。此文件中，一行即为数据表的一个记录。.csv可以用记事本打开，打开后，数据之间以逗号为分隔符；.csv也可以用excel打开,显示格式与正常的excel表格数据一样，而且可以将excel文件转换为.csv文件。2. Opencv 提供了CvMLdata类(数据类型)来读取.csv文件并进行相

2017-01-14 08:57:01 4236

转载机器学习算法比较

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够好”的

2017-01-08 20:15:44 1223

转载深度学习在计算机视觉领域的前沿进展

在今年的神经网络顶级会议NIPS2016上，深度学习三大牛之一的Yann Lecun教授给出了一个关于机器学习中的有监督学习、无监督学习和增强学习的一个有趣的比喻，他说：如果把智能（Intelligence）比作一个蛋糕，那么无监督学习就是蛋糕本体，增强学习是蛋糕上的樱桃，那么监督学习，仅仅能算作蛋糕上的糖霜

2017-01-08 08:21:49 11225 1

原创机器学习之梯度下降、批量梯度下降与随机梯度下降

大多数的机器学习算法都涉及某种形式的优化。优化指的是改变以最小化或者最大化某个函数的任务。我们通常以最小化指代大多数优化问题。最大化可由最小化算法最小化来实现。我们把要最小化或者最大化的函数称为目标函数或准则。当我们对其进行最小化时，我们也把它称为代价函数、损失函数或者误差函数。转自：http://blog.csdn.net/wuyanyi/article/details/8003946

2017-01-07 21:16:15 7815 2

原创图像处理之Haar特征

Haar-like特征是计算机视觉领域一种常用的特征描述算子(也称为Haar特征，这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征)，后来又将Haar-like扩展到三维空间(称为3DHaar-Like)用来描述视频中的动态特征。关于Haar的发展历程如图1所示。图1Haar-like特征的特点目前最常用的还是Haar

2017-01-06 15:12:38 36261 4

原创 Opencv目标检测之级联分类器训练与测试

OpenCV提供了两个程序可以训练自己的级器opencv_haartraining 与opencv_traincascade。opencv_traincascade是一个新程序，使用OpenCV 2.x API 以C++编写。这二者主要的区别是opencv_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。与

2017-01-02 20:32:10 21664 9