2013年12月_惜君Iris

转载基于形变部件模型（Deformable Part Models）的目标检测

基于cascade的目标检测，cascade的级联思想可以快速抛弃没有目标的平滑窗（sliding window）,因而大大提高了检测效率，但也不是没缺点，缺点就是它仅仅使用了很弱的特征，用它做分类的检测器也是弱分类器，仅仅比随机猜的要好一些，它的精度靠的是多个弱分类器来实行一票否决式推举（就是大家都检测是对的）来提高命中率，确定分类器的个数也是经验问题。这节就来说说改进的特征，尽量使得改进的特征

2013-12-18 20:54:59 1902

转载 WordNet介绍和使用

Wordnet是一个词典。每个词语(word)可能有多个不同的语义，对应不同的sense。而每个不同的语义（sense）又可能对应多个词，如topic和subject在某些情况下是同义的，一个sense中的多个消除了多义性的词语叫做lemma。例如，“publish”是一个word，它可能有多个sense：1. (39) print, publish -- (put into print; "

2013-12-18 13:29:43 844

转载图像金字塔

1. 图像的尺度空间图像的尺度空间表达指的是图像在所有尺度下的描述，因为尺度空间很多处理算子与哺乳动物的视网膜和视觉皮层最外层记录的感受域剖面有着高度的相似性，所以，尺度空间理论经常与生物视觉相关联。2. 图像金字塔提到信号多尺度描述，直观上人们很容易想到信号金字塔。金字塔的确是图像多尺度表示的主要形式。图像金字塔是以多分辨率来解释图像的一种有效但概

2013-12-17 20:35:29 773

转载图像分析：Gabor滤波器解析与编程

我现在的研究方向主要在于图像分析这一块，下面借整理过去学习的技术资料重新复习一遍。图像分析：SIFT特征解析与编程图像分析：Gabor滤波器解析与编程图像分析：积分图像与代码实现图像分析：LBP特征解析与代码图像分析：分水岭算法解析Blogger：LinJM 微博（LinJM-机器视觉）在图像分析里面，Gabor滤波器是应用非常广泛的一种

2013-12-16 23:29:04 1275

转载 Deformable Part Model的学习

转载：http://blog.sciencenet.cn/blog-261330-663177.html 作者讲解视频： http://www.youtube.com/watch?v=_J_clwqQ4gImatlab代码实现: http://people.cs.uchicago.edu/~rbg/latent/开源C代码实现: https://github.

2013-12-16 16:34:45 1010

转载 EM算法

（EM算法）The EM Algorithm EM是我一直想深入学习的算法之一，第一次听说是在NLP课中的HMM那一节，为了解决HMM的参数估计问题，使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。1. Jensen不等式回顾优化理论中的一些概念。设f是定义域为实

2013-12-16 10:35:50 555

转载余弦相似度

原文地址：余弦相似度作者：为你祝福向量空间模型将文档映射为一个特征向量V(d)=(t1,ω1(d)；…；tn, ωn(d))，其中ti(i=1,2, …,n)为一列互不雷同的词条项，ωi(d)为ti在d中的权值, 一般被定义为ti在d中出现频率tfi(d)的函数，即在信息检索中常用的词条权值计算方法为 TF-IDF 函数，其中N为所有文档的数目，ni为含有词条ti的文档数目。T

2013-12-10 23:28:03 1151

转载 SVM

原文地址：http://www.cnblogs.com/kobedeshow/p/3342407.html做机器学习的一定对支持向量机（support vector machine-SVM）颇为熟悉，因为在深度学习出现之前，SVM一直霸占着机器学习老大哥的位子。他的理论很优美，各种变种改进版本也很多，比如latent-SVM, structural-SVM等。这节先来看看SVM的理论吧，在

2013-12-10 12:11:55 1207

转载 LDA（Latent Dirichlet Allocation）学习笔记

示例LDA要干的事情简单来说就是为一堆文档进行聚类（所以是非监督学习），一种topic就是一类，要聚成的topic数目是事先指定的。聚类的结果是一个概率，而不是布尔型的100%属于某个类。国外有个博客[1]上有一个清晰的例子，直接引用：Suppose you have the following set of sentences:I like to eat broccoli a

2013-12-09 16:49:27 3057

转载 NMS:Non-maximum Suppression学习笔记

非极大值抑制可看成一种局部极大值搜索，这里的局部极大值要比他的邻域值都要大。这里的邻域表示有两个参数：维度和n-邻域。维度有1-D，2-D，3-D...；至于n值根据具体情况设置。举个例子：一维的情况，某个像素点左右各n个邻域点（加上该像素点，邻域区域共有2n+1个像素）；二维的情况以当前像素为中心以n为半径向周围辐射到的区域均是邻域。具体讲几个算法实例可能有助于我们对算法的理解：

2013-12-09 14:09:30 800

转载 Sparse coding简单理解

Sparse coding：　　本节将简单介绍下sparse coding(稀疏编码)，因为sparse coding也是deep learning中一个重要的分支，同样能够提取出数据集很好的特征。本文的内容是参考斯坦福deep learning教程：Sparse Coding，Sparse Coding: Autoencoder Interpretation，对应的中文教程见稀疏编码

2013-12-01 16:25:12 917

转载 SIFT难点分析

sift (3)1、在Lowe的文章中，Lowe使用了如下的参数：首先，sigma0=0.5是人为定义的。对一幅图像进行多次连续高斯模糊的效果与一次更大的高斯模糊可以产生同样的效果，大的高斯模糊的半径是所用多个高斯模糊半径平方和的平方根。例如，使用半径分别为6和8的两次高斯模糊变换得到的效果等同于一次半径为10

2013-12-01 15:23:31 895

转载图像处理（卷积）

图像处理－线性滤波－1 基础（相关算子、卷积算子、边缘效应）这里讨论利用输入图像中像素的小邻域来产生输出图像的方法，在信号处理中这种方法称为滤波（filtering）。其中，最常用的是线性滤波：输出像素是输入邻域像素的加权和。 1.相关算子（Correlation Operator) 定义：, 即，其中ｈ称为相关核(Kernel).　　　

2013-12-01 14:21:15 1706

转载高斯（核）函数简介

1函数的基本概念所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^

2013-12-01 14:16:49 2796

win_in_action的专栏