机器学习
文章平均质量分 78
摸不着头脑蛤
没得看
展开
-
[机器学习] 第一课01笔记
线性回归给定一个预测函数参数θ 既我们现在需要算法最终确定的值(目前理解)那么我们如何选择参数的值?为了让h(x)逼近给定的样本y,定义一个cost function(成本函数):原创 2017-03-13 11:27:50 · 531 阅读 · 0 评论 -
[机器学习] 第二课笔记
局部加权线性回归对于给定的样本,对于取点X,取X附近的样本进行预测。但对于样本xi,对于样本X越近,对参数取值影响越大。所以给定出 权值wi:原创 2017-03-26 11:20:37 · 413 阅读 · 0 评论 -
决策树Decision tree
在读论文《Face Alignment at 3000 FPS via Regressing Local Binary Features》时,接触到核心的 RandomForest 。由于随机森林由各个独立采样的 DecisionTree 决策树组成。故记录一些Decision Tree的相关内容,方便以后查阅。原创 2017-07-13 10:20:34 · 327 阅读 · 0 评论 -
3000Fps 论文实现 部分解析--Wt的回归
在通过随机森林抽取Local Binary Features后,对于每一个landmark都会有一个稀疏的向量来表示这个特征。然后根据论文,我们将回归得到一个原创 2017-07-17 11:20:04 · 553 阅读 · 1 评论 -
CNN for Face Alignment 深度神经网络的初次尝试
在Face Alignment中,传统方法其实能够取得不错的效果。包括AAM,ASM,CLM还有之前说的基于全局显式回归的ESR,3000FPS等。但是!传统算法在大姿态、极端表情上基本无能为力。在我的理解中,他们都是对于训练集的某些特征进行降维后记忆回归的结果(理解有错请指出)。嘻嘻,而且不去接触神经网络都要Out了!背景 基于由俭入奢的原则,论文方面我们选取了CNN在人脸对齐方向比较前期的一篇原创 2017-09-22 18:10:51 · 3217 阅读 · 1 评论 -
Deep Alignment Network: A convolutional neural network for robust face alignment
论文分析论文提出了一种类似级联的神经网络结构。这一点上很遗憾,我在一个月之前也想到了这种模式。因为对于实时 Landmark 的跟踪,其实可以利用上一帧的预测结果来预测下一帧 Landmark 的位置。但现代大部分的 CNN 结构没办法办到。在与朋友的讨论中可以仿照RNN来建立时间线上的联系,解决在实时跟踪中的效率及时间稳定性。当时想动手设计并实现一个这样的网络,后来因为公司原因并没有动手,想原创 2017-09-26 16:21:29 · 5268 阅读 · 8 评论