![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法研究
文章平均质量分 75
为伊憔悴
崇尚技术,尊崇中庸
展开
-
人脸表情识别综述
人脸表情识别综述转载 2010-09-01 10:12:00 · 3617 阅读 · 2 评论 -
相似性度量
在模式识别、计算机视觉等多个领域,都会涉及到相似性的度量这一问题,用来衡量不同对象间的差异性(距离)或相似性(相似度)。这里的对象可以是网页,图像,也可以是文本,集合,但最终在数学上都可以表示为向量或者向量的集合。对于不同大小的向量集合的相似性度量问题,这里先不展开讨论。对于相同长度的向量大小的度量,这里假设两个向量为x,y,他们分别为n维的向量X=(x1,...,xn),Y=(y1,...,yn原创 2013-03-01 01:50:55 · 3570 阅读 · 0 评论 -
距离度量分类体系
本篇文章并不打算描述所有这些类别,要具体阐述它们的细节和意义实在有点困难。这个大纲的目的,第一:提供一个貌似详细的距离度量的分类体系,列出相关的关键字。 第二:就像一个词典一样供参考和查阅,如果需要了解具体的细节,可以参考wiki或者具体文献。 大纲: 1. 相似性和不相似性的定义 2. 预备概念 3. 距离度量 3.1 Numerical Data转载 2013-03-01 02:21:01 · 985 阅读 · 0 评论 -
随机模拟的基本思想和常用采样方法
通常,我们会遇到很多问题无法用分析的方法来求得精确解,例如由于式子特别,真的解不出来;一般遇到这种情况,人们经常会采用一些方法去得到近似解(越逼近精确解越好,当然如果一个近似算法与精确解的接近程度能够通过一个式子来衡量或者有上下界,那么这种近似算法比较好,因为人们可以知道接近程度,换个说法,一般一个近似算法被提出后,人们通常都会去考察或寻求刻划近似程度的式子)。本文要谈的随机模拟就转载 2013-04-12 05:25:49 · 833 阅读 · 0 评论 -
概率语言模型及其变形系列(2)-LDA及Gibbs Sampling
本系列博文介绍常见概率语言模型及其变形模型,主要总结PLSA、LDA及LDA的变形模型及参数Inference方法。初步计划内容如下第一篇:PLSA及EM算法第二篇:LDA及Gibbs Samping第三篇:LDA变形模型-Twitter LDA,TimeUserLDA,ATM,Labeled-LDA,MaxEnt-LDA等第四篇:基于变形LDA的paper分类转载 2013-04-12 21:13:54 · 1153 阅读 · 0 评论 -
经典算法之SRC分类器
自从5原创 2014-05-30 12:35:36 · 2633 阅读 · 1 评论 -
经典算法之HOG特征描述符
2005年原创 2014-06-26 12:03:33 · 2766 阅读 · 0 评论 -
经典算法系列
最近使用原创 2014-05-06 10:47:47 · 1155 阅读 · 0 评论 -
经典算法之粒子滤波
粒子滤波(PF: Particle Filter)算法来源于蒙特卡洛方法(Monte Carlo method),它是利用粒子集来表示概率,可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表示其分布情况,是一种顺序重要性采样法(Sequential Importance Sampling)。1.初始化阶段在跟踪前需要选定出要跟踪的目标物体,这个过程原创 2014-12-02 16:37:29 · 5971 阅读 · 0 评论 -
相似图片搜索的三种哈希算法
想必大家都用google或baidu的识图功能,上面就是我搜索冠希哥一幅图片的结果,达到图片比较目的且利用信息指纹比较有三种算法,这些算法都很易懂,下面分别介绍一下:一、平均哈希算法(aHash)此算法是基于比较灰度图每个像素与平均值来实现的,最适用于缩略图,放大图搜索。步骤:1.缩放图片:为了保留结构去掉细节,去除大小、横纵比的差异,把图片统一缩放到8转载 2013-03-07 22:20:30 · 1022 阅读 · 0 评论 -
深入理解SVM之对偶问题
当年看SVM时,对SVM最优化求解过程中对偶问题的一些方面还有些迷糊,今天看到有人写的一系列博客,用来深入了解这方面比较好,转载如下,源地址为:http://blog.csdn.net/vivihe0/article/details/7019826。————————————————————————————————————————————————————————————————第一部转载 2013-01-03 01:39:28 · 5429 阅读 · 2 评论 -
Fisher准则函数
Fisher线性判别函数是研究这类判别函数中最有影响的方法之一,对线性判别函数的研究就是从R.A.Fisher在1936年发表的论文开始的。 设计线性分类器首先要确定准则函数,然后再利用训练样本集确定该分类器的参数,以求使所确定的准则达到最佳。在使用线性分类器时,样本的分类由其判别函数值决定,而每个样本的判别函数值是其各分量的线性加权和再加上一阈值w0。如果我们只考虑各分原创 2012-11-27 01:52:20 · 2432 阅读 · 0 评论 -
理解矩阵
理解矩阵的基本概念转载 2010-12-01 13:43:00 · 690 阅读 · 0 评论 -
线性判别分析(LDA), 主成分分析(PCA)
前言: 第二篇的文章中谈到,和部门老大一宁出去outing的时候,他给了我相当多的机器学习的建议,里面涉及到很多的算法的意义、学习方法等等。一宁上次给我提到,如果学习分类算法,最好从线性的入手,线性分类器最简单的就是LDA,它可以看做是简化版的SVM,如果想理解SVM这种分类器,那理解LDA就是很有必要的了。 谈到LDA,就不得不谈谈PCA,PCA是一个和LDA非常相关的算法,从转载 2011-07-01 11:26:00 · 2574 阅读 · 2 评论 -
线性判别分析(Linear Discriminant Analysis, LDA)算法分析
LDA算法入门 一. LDA算法概述:线性判别式分析(Linear Discriminant Analysis, LDA),也叫做Fisher线性判别(Fisher Linear Discriminant ,FLD),是模式识别的经典算法,它是在1996年由B转载 2011-07-05 13:46:07 · 5640 阅读 · 4 评论 -
大规模稀疏矩阵的广义特征值问题——CLAPACK, IETL库尝试
大规模稀疏矩阵的广义特征值问题——CLAPACK, IETL库尝试 在尝试自己写程序解决失败之后开始在网上找各种解特征值与特征向量的库,特别是解大规模稀疏矩阵的特征值问题,没有考虑广义特征值问题是因为广义特征值问题可以比较容易的转换成一般的特征值问题。在网上我搜到一篇比较好的转载 2011-07-07 14:34:26 · 9466 阅读 · 1 评论 -
大牛很通俗地介绍《信号与系统》
第一课 什么是卷积 卷积有什么用 什么是傅利叶变换 什么是拉普拉斯变换 引子很多朋友和我一样,工科电子类专业,学了一堆信号方面的课,什么都没学懂,背了公式考了试,然后毕业了。 先说"卷积有什么用"这个问题。(有人抢答,"卷积"是为了学习"信号与系统"转载 2011-08-13 23:11:23 · 2266 阅读 · 0 评论 -
各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK)
一直对字符的各种编码方式懵懵懂懂,什么ANSI UNICODE UTF-8 GB2312 GBK DBCS UCS……是不是看的很晕,假如您细细的阅读本文你一定可以清晰的理解他们。Let's go! 很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为"字节"。 再后来,他们又做了一些可以处理这转载 2011-10-24 23:07:33 · 557 阅读 · 0 评论 -
LU分解
在线性方程组理论中,Gauss消去法的每一步,其实都是在对方程的增广矩阵做初等行变换。由线性代数知道,对矩阵做初等行变换相当于用一个初等矩阵去左乘。而Gauss消去法中的每一个行变换,涉及到的初等行变换(倍乘变换)对应的初等矩阵都是下三角阵。因此,整个消元过程相当于用一系列的下三角阵去左乘增广矩阵使得它变成一个上三角阵的过程。于是,这些下三角阵的乘积P(也是下三角阵)与原方程的系数矩阵A的乘积PA原创 2011-12-02 05:08:44 · 5641 阅读 · 0 评论 -
怎样写一个拼写检查器
转自Google大牛Peter Norvig上个星期, 我的两个朋友 Dean 和 Bill 分别告诉我说他们对 Google 的快速高质量的拼写检查工具感到惊奇. 比如说在搜索的时候键入 [speling], 在不到 0.1 秒的时间内, Google 会返回: 你要找的是不是 [spelling]. (Yahoo! 和 微软也有类似的功能). 让我感到有点奇怪的是我原想 Dean转载 2012-09-18 04:00:15 · 887 阅读 · 0 评论 -
经典算法之Viola-Jones检测器
之前的专业方向为图像标注与检索,而最近关注的重点开始向计算机视觉方面倾斜。原创 2014-05-06 11:16:25 · 8798 阅读 · 0 评论