2017年07月_YLH9604

08月 07月 04月 03月 01月

转载稀疏表示介绍

http://www.cnblogs.com/daniel-D/p/3222576.html 声明之前虽然听过压缩感知和稀疏表示，实际上昨天才正式着手开始了解，纯属新手，如有错误，敬请指出，共同进步。主要学习资料是 Coursera 上 Duke 大学的公开课——Image and video processing, by Pro.Guillermo S

2017-07-16 20:37:44 2200

转载机器学习中导数最优化方法

1. 前言熟悉机器学习的童鞋都知道，优化方法是其中一个非常重要的话题，最常见的情形就是利用目标函数的导数通过多次迭代来求解无约束最优化问题。实现简单，coding 方便，是训练模型的必备利器之一。这篇博客主要总结一下使用导数的最优化方法的几个基本方法，梳理梳理相关的数学知识，本人也是一边写一边学，如有问题，欢迎指正，共同学习，一起进步。 2. 几个数学概念1) 梯度

2017-07-16 20:34:14 682

转载计算Fisher vector和VLAD

This short tutorial shows how to compute Fisher vector and VLAD encodings with VLFeat MATLAB interface.These encoding serve a similar purposes: summarizing in a vectorial statistic a number of l

2017-07-16 19:45:25 621

转载半监督学习研究

http://blog.csdn.net/daisy9212/article/details/49509899

2017-07-16 11:09:58 614

转载高斯混合模型实践（Python）

https://zhuanlan.zhihu.com/p/26328340'''高斯混合模型的实践（高斯一元分布）。对于由参数未知的K个高斯混合模型生成的数据集，利用EM算法可以对这K个高斯分布进行参数估计，并且可以知道两个模型的各自比重。因此还可以用来聚类。作者：胡亦磊'''import numpy as npimport matplotlib.pyplot as

2017-07-15 22:15:15 2870 1

转载 caffe loss 损失权重问题

loss有一个细节问题就是Loss weights（损失权重），用来表征不同Layer产生的loss的重要性，Layer名称中以Loss结尾表示这是一个会产生loss的Layer，其他的Layer只是单纯的用于中间计算。任何一个Layer都可以被用于产生loss。反向迭代时，一个Layer可以赋予一个非零的loss weight，用于调整中间Layer产生的一些数据、参数。对于不止一个输出（t

2017-07-10 22:09:16 2239

转载 deep learning 自学习网络的Softmax分类器

http://blog.csdn.net/hlx371240/article/details/40201499

2017-07-10 16:21:51 581

转载稀疏编码及其改进（ScSPM，LLC，super-vector coding）

http://blog.csdn.net/tiandijun/article/details/40681463

2017-07-10 15:00:38 474

转载图像的稀疏表示——ScSPM和LLC的总结

前言上一篇提到了SPM。这篇博客打算把ScSPM和LLC一起总结了。ScSPM和LLC其实都是对SPM的改进。这些技术，都是对特征的描述。它们既没有创造出新的特征（都是提取SIFT,HOG, RGB-histogram et al），也没有用新的分类器（也都用SVM用于最后的image classification），重点都在于如何由SIFT、HOG形成图像的特征（见图1）。

2017-07-10 14:58:23 538 1

转载损失函数可视化

1. 引言上一节深度学习与计算机视觉系列(3)_线性SVM与SoftMax分类器中提到两个对图像识别至关重要的概念：用于把原始像素信息映射到不同类别得分的得分函数/score function用于评估参数W效果(评估该参数下每类得分和实际得分的吻合度)的损失函数/loss function其中对于线性SVM，我们有：得分函数f(xi,W)=Wxi损失函数L=1N∑i

2017-07-09 16:28:01 5303

转载机器学习中的范数规则化之（二）核范数与规则项参数选择

机器学习中的范数规则化之（二）核范数与规则项参数选择zouxy09@qq.comhttp://blog.csdn.net/zouxy09 上一篇博文，我们聊到了L0，L1和L2范数，这篇我们絮叨絮叨下核范数和规则项参数选择。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。三、核范数核范数||W||*是指

2017-07-09 16:15:40 418

原创机器学习中的范数规则化之（一）L0、L1与L2范数

机器学习中的范数规则化之（一）L0、L1与L2范数zouxy09@qq.comhttp://blog.csdn.net/zouxy09 今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限

2017-07-09 16:14:58 496

转载 caffe 功能添加

在caffe 中实现Generative Adversarial Nets（二）目录目录一添加Loss Function gan_loss_layerhpp gan_loss_layercpp 二添加gan_gate_layer gan_gate_layerhpp gan_gate_layercpp 三添加rand_vec_layer rand_vec_layerhpp rand_ve

2017-07-07 20:33:10 441

转载 caffe源码解析

Caffe源码（十一）：io.cpp 分析目录目录简单介绍主要函数ReadProtoFromTextFile 函数 WriteProtoToTextFile 函数 ReadProtoFromBinaryFile 函数 WriteProtoToBinaryFile 函数 ReadImageToCVMat 函数 matchExt 函数 CVMatToDatum 函数 ReadFileT

2017-07-07 20:31:31 711

转载机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱

转：http://blog.csdn.net/heyongluoyao8/article/details/49408319

2017-07-07 15:40:06 564

转载网络调参优化参考

1）Must Know Tips/Tricks in Deep Neural Networkshttp://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html2）卷积神经网络改进想法初探http://blog.csdn.net/u010402786/article/details/492727573）神经网络训练中

2017-07-07 10:52:11 389

转载 caffe调参经验资料文章

调参是个头疼的事情，Yann LeCun、Yoshua Bengio和Geoffrey Hinton这些大牛为什么能够跳出各种牛逼的网络？下面一些推荐的书和文章：调参资料总结Neural Network: Trick of the TradePractical Recommendations for Gradient-based Training of Deep Archite

2017-07-07 10:28:44 398

转载损失函数 center_loss triplet loss

A Discriminative Feature Learning Approach for Deep Face Recognition 原理及在caffe实验复现图像特征提取系列之ＰＣＡcenter loss代码注释(caffe新添加层)TensorFlow实现center loss

2017-07-04 10:33:22 4283

原创 TensorFlow实现center loss

TensorFlow实现center loss：Center loss是ECCV2016中一篇论文提出来的概念，主要思想就是在softmax loss基础上额外加入一个正则项，让网络中每一类样本的特征向量都能够尽量聚在一起。具体的原理推导等请参考论文，论文作者放出了Caffe实现，网上还能找到mxnet的实现，这里我放出一个TensorFlow版的实现及详细注释，代码很短，如下：

2017-07-04 10:30:24 3114 2

转载深度学习学习综合资料

http://blog.csdn.net/vbskj/article/category/6337222

2017-07-04 10:21:23 328

转载太有用的图像处理的代码仓库

特征提取Feature Extraction：· SIFT [1] [Demo program][SIFT Library] [VLFeat]· PCA-SIFT [2] [Project]· Affine-SIFT [3] [Project]· SURF [4] [OpenSURF] [Mat

2017-07-04 10:16:51 519

转载 caffe 将三通道或四通道图片转换为lmdb格式，将标签（单通道灰度图）转换为lmdb格式

import numpy as npimport lmdbfrom PIL import Imageimport sys# import caffe modulecaffe_root = '/home/user/SegNet/caffe-segnet/'sys.path.insert(0, caffe_root + 'python')import caffe

2017-07-01 10:22:47 816

ocx动态创建

通过使用CreateControl方法动态图创建ocx控件，并利用GetControlUnknown等方法获取IDispatch指针，采用 ATL 智能指针类调用 IDispatch 接口的方法和标准方式调用 IDispatch 接口的方法，使用activex控件，包括一个activex控件和一个测试工程以及相关需要的资料

2012-05-06

各种基本运动估计算法代码

各种运动估计算法基础，基本思想是将图像序列的每一帧分成许多互不重叠的宏块，并认为宏块内所有象素的位移量都相同，然后对每个宏块到参考帧某一给定特定搜索范围内根据一定的匹配准则找出与当前块最相似的块，即匹配块，匹配块与当前块的相对位移即为运动矢量。视频压缩的时候，只需保存运动矢量和残差数据就可以完全恢复出当前块。

2011-09-23

JM工程代码

基本思想是将图像序列的每一帧分成许多互不重叠的宏块，并认为宏块内所有象素的位移量都相同，然后对每个宏块到参考帧某一给定特定搜索范围内根据一定的匹配准则找出与当前块最相似的块，即匹配块，匹配块与当前块的相对位移即为运动矢量。视频压缩的时候，只需保存运动矢量和残差数据就可以完全恢复出当前块。

2011-09-23

视频编码标准中运动估计技术研究论文

2011-09-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

ocx动态创建

各种基本运动估计算法代码

JM工程代码

视频编码标准中运动估计技术研究 论文

空空如也

视频编码标准中运动估计技术研究论文