X-SPY-CSDN博客

原创 Unsupervised Feature Learning via Non-Parametric Instance Discrimination

概率图模型最近在学习概率图模型，主要是看Koller的公开课：Coursera - Free Online Courses From Top Universities 和 Daphne Koller, Nir Friedma的《概率图模型:原理与技术》这本书来学习的Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图

2018-12-20 14:18:31 6005 2

原创颜值打分器

颜值打分器最近，华南理工大学发布了一个颜值数据库SCUT-FBP5500，数据集共有5500个人，分值在1~5之间，数据库下载地址：百度网盘:https://pan.baidu.com/s/1gguqPpx，密码是mh8jGoogleDrive:https://drive.google.com/open?id=1_BBiG0xOxYnCTItUXh82GTVorp6ODy-m...

2018-04-16 14:46:13 8955 7

原创 DeepRebirth: Accelerating Deep Neural Network Execution on Mobile Devices

DeepRebirth: Accelerating Deep Neural Network Execution on Mobile Devices作者将CNN中的层分为两种:(1)Tensor Layer，如conv，fc；（2）Non-tensor Layer，如pooling，norm。作者发现网络进行前向推理时，Non-tensor layer也会占用不少时间和内存，作者提出用单独的Te...

2018-03-05 19:51:10 460

原创 Support Vector Machine

Linear Hard-Margin SVM首先看一个非常简单的线性可分问题，下图所示三条直线（超平面）都可以将问题分开，那么哪条线分得比较好呢？当然我们可以在训练时通过不同的初始化方式得到不同的超平面，在验证集上进行评价选出最好的超平面。问题是对于这样的问题，存在无数种可能将数据很好的分开，当然不可能对所有可能的结果进行评价，那么如何在训练时就得到一个较好的分类器呢？一个直观的想法就是把两类样本分

2017-10-10 21:09:03 284

原创 Harris角点检测

角点：最直观的印象就是在一个小窗口中很容易辨识的点，并且在任何方向上移动这个小窗口，像素值都会发生剧烈的变化定义窗口滑动方向为[u, v]时，像素值的变化为：窗口滑动方向很小，可以用一阶倒数近似表示I(x+u, y+v)，并化简可以得到：其中，M是这样，E(u,v)就变成了一个二次型了，如果要画出E(u,v)的等值面，它将会是一个椭圆，注意M是个对称矩阵，把它对角化：R可以看作一个旋转矩阵，两个特征

2016-11-02 15:37:14 372

原创 Language Models

本章介绍语言模型，内容包括：Introduction to N-gramsEstimating N-gram ProbabilitiesEvaluation and PerplexitySmoothingIntroduction to N-gramsProbalilistic Language Models（概率语言模型）的首要任务是估计一个字符串序列或者句子出现的可能性大小自然的，可

2016-10-20 12:43:41 387

原创 Edit Distance

本篇内容将讲述Edit Distance（编辑距离），具体包括4个方面：Defining Minimum Edit Distance Computing Minimum Edit DistanceBacktrace for Computing AlignmentsWeighted Minimum Edit DistanceDefinition of Minimum Edit Distan

2016-10-20 09:38:32 351

原创 Harris角点检测器

1. Moravec角点检测算子 Moravec角点检测的思想很简单，在图像上取W∗WW*W的滑动窗口，不断移动窗口并检测窗口中像素变化情况E。像素变化情况可分三种：(1)如果在窗口中图像是平坦的，那么E的变化不大；(2)如果在窗口中的图像是一条边，那么在沿这条边滑动时E变化不大，而在沿垂直于这条边滑动时E变化很大；(3)如果在窗口中图像是一个角点，窗口沿任何方向移动E都会发生很大变化，即

2016-10-09 10:25:25 730

原创矩阵求导

Matrix calculusDerivative of linear function: ∂xTa∂x=a\frac{\partial x^Ta}{\partial x} = a ∂aTx∂x=a\frac{\partial a^Tx}{\partial x} = a ∂xTXb∂X=abT\frac{\partial x^TXb}{\partial X} = ab^T ∂xTXTb∂X

2016-09-27 14:54:04 552

原创 CNN调参资料总结

初次尝试自己训练CNN，走了好多坑，把看过的资料链接整理一下 Must Know Tips/Tricks in Deep Neural NetworksPractical Recommendations for Gradient-based Training of Deep Architectures Efficient Training Strategies for Deep Neural

2016-09-23 09:22:19 691 1

原创图像识别常用的数据库

Caltech101/256: http://www.vision.caltech.edu/Image_Datasets/Caltech101/Caltech101.htmlThe PASCAL Object Recognition Database Collection: http://pascallin.ecs.soton.ac.uk/challenges/VOC/databases.ht

2016-09-22 15:03:45 3843

原创人脸识别:特征脸（Eigenface）

Ｅｉｇｅｎｆａｃｅ就是将人脸图像进行编码，映射到低维子空间上，在低维空间计算两幅人脸图像的距离，以此来进行人脸识别。映射到低维子空间的方法采用主成分分析（Principal Component Analysis，ＰＣＡ）１．将人脸图像（均为灰度图）拉成一个列向量存储在矩阵A＝｛A1,A2,⋯,An｝A＝｛A_1,A_2,\cdots,A_n｝中，A∈Rd×nA\in R^{d\times n}，其中

2016-06-26 10:32:40 14447 3

原创样本数量远小于特征维度时PCA的计算方法

当样本数量远小于特征维度时PCA的优化假定，我们希望应用一个PCA到s个n维矢量，xi，这里s<ns<n。协方差矩阵大小为n×n，这可能非常大。然而，我们可以用一个来源于数据的更小的s×s矩阵来计算协方差矩阵的特征向量和特征值。因为一个特征向量的分解花费的时间和矩阵大小的立方成正比，这样做可以节省大量的时间。S=DDTS=DD^T T=DTDT=D^TD 假设 Tei=DTDei=λeiTe_

2016-06-24 03:06:34 4912

X-SPY的博客