算法
wh__zz
这个作者很懒,什么都没留下…
展开
-
随机抽样一致性算法(RANSAC)
随机抽样一致性算法(RANSAC)以下都是个人对于RANSAC的一些认识,可能有比较大的问题,望大家批评指正。应用的范围:主要在散点图中获得一个已知模型的参数,使得符合这个模型参数的点最多。散点图由局内点和局外点之分,当散点在模型上时则是局内点,如果在模型外则为局外点。RANSAC的目标是找寻一个模型参数使得局内点最多。整个算法可以分为以下几个部分:1.随机选取最少能够原创 2014-01-21 17:02:01 · 686 阅读 · 0 评论 -
kNN:最近邻分类器
kNN分类器以下都是个人对于kNN的一些认识,可能有比较大的问题,望大家批评指正。kNN分类器是一种消极的学习期,其并不事先建立明确的学习模型,是一种简单的基于存储的学习。应用范围:主要针对简单的分类问题。主要思想:找到与待检测点距离最小的k个样本点的分类情况,取最多的那类为待检测点的分类。需要的内容:有标记的样本空间算法步骤:1.确定参数k2.计算待检测点与样原创 2014-01-21 19:17:58 · 1513 阅读 · 0 评论 -
gabor特征
gabor特征gabor变换实际上加窗的Fourier变换,是将空间域x,y转为方向和尺度。gabor特征是一种大尺度的特征(相对于LBP和Haar特征),即其描述的是某方向,某尺度的图像的纹理特征。参考文献:Local Gabor Binary Pattern Histogram Sequence (LGBPHS): A Novel Non-Statistical原创 2014-02-17 20:20:12 · 920 阅读 · 0 评论 -
LBP特征
LBP特征LBP较为详细的介绍:http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html相比较与gabor特征,LBP特征是一个细的纹理特征。以R为半径的P点邻域,gc为中心,gp为邻域点 ;区分邻域比中心亮度大还是小原创 2014-02-17 20:27:01 · 683 阅读 · 0 评论 -
支持向量机 (SVM)从判定结果开始看
SVM的详细说明可以参考http://blog.csdn.net/v_july_v/article/details/7624837下面是对于SVM的一些浅显的认识,(可能是错误的)(关于epsilon-SVR)从最终的判定结果去看: 令核函数前的系数为pi取值其实是核函数K与系数pi的乘积累加的结果(忽略了b)。对于核函数的一个理解可以是两个向量的相似程度,当越接近原创 2014-02-17 20:02:09 · 1191 阅读 · 0 评论 -
图像响应图,response map
由于网络上找不到这个名词,但原创 2014-08-18 16:32:14 · 2292 阅读 · 0 评论 -
SSD:single shot multibox detector 阅读笔记
一句话描述:SSD在多尺度下面计算特征,然后评估在该尺度下的区域存在的概率以及相关offset,是一种遍历所有区域的方式。SSD获得的是图像中的矩形区域以及该区域所对应的类型以及类型得分。训练整体流程:1.图像经过卷积网络,得到图像的base特征A,2.在对这个特征进行多层级的提取feature map B,3.在每个feature map中各个位置location,每原创 2016-06-21 11:30:56 · 7588 阅读 · 0 评论 -
caffe中卷积实现的理解
caffe中卷积实现的理解最近看了一下mobileNets的论文,发现卷积计算的内容与自己的理解有比较大的出入,所以重新查看了一下caffe中卷积网络的代码,以及查找了网络上的一些资料。以下是对于caffe中实现卷积网络的理解。 下图是卷积计算的一个简单例子。 其是3*5*5的feature map 与2*(3*3*3)的卷积核进行卷积,获得最终2*3*3的feature map。(图片中c原创 2017-06-21 17:56:00 · 320 阅读 · 0 评论