math
文章平均质量分 92
蜗牛一步一步往上爬
计算机视觉研究生
展开
-
深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
转自:http://blog.csdn.net/xianlingmao/article/details/7919597在求取有约束条件的优化问题时,拉格朗日乘子法(Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法,对于等式约束的优化问题,可以应用拉格朗日乘子法去求取最优值;如果含有不等式约束,可以应用KKT条件去求取。当然,这两个方法求得的结果只是必要条件,只转载 2015-03-27 21:11:53 · 919 阅读 · 0 评论 -
漫谈 HMM之三:Kalman/Particle Filtering
漫谈 HMM:Kalman/Particle Filtering上次我们讲了 HMM 的 Forward-Backward 算法,得到了关于 α\alpha 和 β\beta 的递推公式。不过由于中间需要进行 marginalization,这些式子里有麻烦的积分存在。如果是离散型的随机变量,积分实际上是求和,一般来说就没有什么问题了。但是对于上一次举的火星车移动的例子,实际上随机变量是连续的,比如转载 2015-10-20 17:16:57 · 2082 阅读 · 0 评论 -
在计算机视觉中的李群、李代数
在多视角几何中,特别是在一些恢复相机运动轨迹的模型中,我们需要将相机的旋转和平移表示出来。通常情况下,我们都是在欧几里得空间中用R和t来进行相应的运算得到相机轨迹。然而,在很多论文中,作者们却喜欢用Lie algebrase(3)、so(3) 以及 Lie group SE(3)、SO(3) 之类的表示。紧接着,出现了很多术语,比如twist, tangent space,也出现了一些运算,比转载 2016-02-24 20:34:42 · 5258 阅读 · 0 评论 -
局部敏感哈希LSH(Locality Sensitive Hashing)
LSH(Locality Sensitive Hashing)一、局部敏感哈希LSH二、Hamming 距离三、Euclidean 距离四、Jaccard 系数五、参考资料在很多问题中,从海量数据库中寻找到与查询数据相似的数据是一个很关键的问题。比如在图片检索领域,需要找到与查询图像相似的图片,又比如在3D维重建和 视觉SLAM等问题中,需要在3维点云模型(数据库)中找到与查询描述子最相原创 2015-10-01 12:46:50 · 14652 阅读 · 4 评论 -
Hashing检索相关最新学习资源
本资源汇总最主要的收录原则是原作者主页上是否提供了源代码,为了每种方法的资料尽可能完整,本小子会尽可能的除提供源码下载地址外,还会给出PDF文章的链接、项目主页,slide等。对哈希方法重新进行调研,右图是找到的提供有部分源码的哈希方法,这其中包含了比较经典的哈希方法,比如e2lsh、mih,同时也包含有最近几年一直到13年提出来的一些比较新的哈希算法,比如13年提出的有bpbc、op转载 2015-09-30 14:28:55 · 835 阅读 · 0 评论 -
矩阵、向量微分计算
定义1. 梯度(Gradient)[标量对列向量微分] 设f(x)f(x)是一个变量为xx的标量函数,其中x=(x1...xN)Tx=(x_1...x_N)^T。那么定义f(x)f(x)对xx的梯度为df(x)dx\frac{d f(x)}{d x}: 梯度的转置是一个行向量: 定义2. 海塞矩阵(Hessian matrix) 设f(x)f(x)是一个二阶可微分的标量函数,其中x=(x原创 2015-11-06 14:19:25 · 38403 阅读 · 11 评论