- 博客(27)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 拉格朗日问题求解QP问题
function [x,lam,fval]=qlag(H,A,b,c) % 拉格朗日法求解二次规划问题 % min f(x)=0.5*x'Hx+c'x, s.t. Ax=b % input: H,c分别是目标函数的矩阵和向量，A% ，b分别是约束条件中的矩阵和向量 % output：(x,lam)是KT点，fval是最优值 IH=in
2017-06-08 15:57:24
1966
原创 step into the door of machine learning(step 1)
机器学习算法主要处理的问题模型可以分为4类：第一、分类问题：对于离散数据集，有一些已经标注好的数据，基于这些标注好的数据进行建模，随后基于该模型对于未标注的数据进行类别区分（此类中的样本集数目要多于测试集），例如google做的垃圾邮件分类的模型；第二、回归问题：对于连续数据集，有一些已经标注好的数据，基于这些数据进行建模，随后利用该模型对未标注的连续数据进行预测回归，该模型主要是得到一个
2015-07-08 22:25:59
429
转载 Key points for biometrical character-based recognition technology
生物识别技术在近几年有了长足的进展，但要使生物识别从理论研究走向实际应用，众多的科研单位还需要突破和解决其中一系列的关键技术。从统计的意义上讲人类的指纹、掌形、虹膜等生理特征存在着唯一性。因而这些特征都可以作为鉴别用户身份的依据，近期基于静脉信息和人耳特征的识别技术的相关研究成果也逐步进入人们的视野之中。1、生物特征传感技术通过对某种原理的理解和实现对生物特征进行测量，随后将该
2015-07-05 22:48:34
435
原创 what is ELM
首先，ELM的核心就是将复杂的迭代过程转变为隐层参数随机产生。其次，ELM 是一个神经网络，有输入层、隐藏层，输出层。最后，ELM 的多分类效果优于SVM，而且速度贼快。对于训练样本集{xi,ti} i=1-N, 共有N各样本，其中每个样本xi 是一个d维列向量，ti是输出标签。ELM,的输出为：其中，wj 为连接第j 各隐节点的输入权值；bj 为
2015-07-02 22:18:29
476
转载 CNN理解
卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有
2015-06-26 23:31:12
1434
原创 深度学习及课题研究杂谈（一）
what is feature representation?no matter what learning and analytical architecture you adopt, the initial procedure refers to getting the basic feature expressions from the training datasets which h
2015-06-24 22:59:30
3290
原创 论文阅读之我见
发表了几篇论文，这个过程中必不可少的就是阅读他人经典论文，从中学习一二提高自己论文的逼格和录用率，简单说说自己的论文阅读习惯吧：首先就是论文阅读周期：最开始给自己安排的是一周四篇（两篇自己研究课题的相关论文，两篇自己感兴趣的论文），不过现在对自己要求逐渐高了，大概是每天阅读大概两篇论文，随后利用周六周日的时间将阅读的论文中经典的值得反复回味的再认真阅读和理解一遍，一周大概保持10篇的阅读量；
2015-06-19 22:12:00
364
原创 图像读取及基本处理程序片段
读入灰度图像序列程序实现cl;raw=zeros(200,256,30);for i=1:30 filename=strcat('F:\算法实验\data\seq3\',int2str(i),'.bmp'); raw(:,:,i)=imread(filename);end方法二：cl;img=cell(1,30);for i=1:30 filename=strca
2015-06-17 22:21:47
407
原创 感知机模型理解和实现
感知机模型理解和实现 感知机模型： f(x)=w∙x+b 二分类超平面定义：w∙x+b=0 分类后有效分类判断标准： 所有的正样本点使得y_i>0 所有负样本使得y_i<0 如何学习得到分类超平面： 第一选择、统计误分类样本总数，设计方法使得该总数最小； 第二选择、统计所有误分类样本点到预定义超平面距离之和，设计方法（随机梯度下降SGD）使得该距离和最小。 实现方法： 定义的损失
2015-06-14 23:12:10
844
转载 图像纹理合成
关于纹理合成最经典的论文应该就数Efros的Texture Synthesis by Non-parametric Sampling这篇论文了，引用量近2000。这里的合成是基于样例的，就是先有一个小的纹理图像，然后合成一个大的。我个人的理解是，先产生一个大的随机图像，然后对随机图像中每个像素及其邻域像素和小的纹理图像做对比，找出随机图像当前邻域和小的纹理图像最接近的邻域，然后
2015-06-09 23:12:02
4518
转载 The development and prosperous of deep learning theory applying in computer vision(Image part)
深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。本文将重点介绍深度学习在物体识别、物体检测、视频分析的最新研究进展，并探讨其发展趋势。1. 深度学习发展历史的回顾现有的深度学习模型属于神经网络。神经网络的历史可追述到上世纪四十年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理，解
2015-06-08 22:53:00
627
原创 光流法的介绍
光流法即空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。光流法的典型应用有目标检测和目标跟踪，具体介绍如下：1、目标检测光流法用于目标检测的原理：给图像中的每个像素点赋予一个速度矢量，这样就形成了一个运动矢量场。在某一特定时刻，图像上
2015-06-07 23:10:14
1215
原创 图像配准基础理解
由对图像配准原理的讨论可知，多幅图像配准的目的是综合利用图像中的各种空间和灰度属性的信息，合并成一组在空间位置上和灰度属性上一一对准的图像，以便于对这组图像的后续处理。因此，图像配准一般由以下五个步骤构成：（1） 建立原始图像和待配准图像坐标系；（2） 确定图像配准控制点；（3） 应用配准控制点建立图像间的畸变模型；（4） 根据畸变模
2015-06-02 22:48:17
3469
原创 HOG特征理解
HOG（histogram of oriented gradient）表示的是图像局部方向梯度直方图，主要用来进行复杂图像中的行人检测，并且比较通用的模型是HOG+SVM。基本思想：在图像中，局部区域的特征能够 被梯度或边缘的方向密度信息很好的表示（本质就是边缘的梯度信息）思想思路：将待分析图像人为经验分割成小的区域，分别针对每个区域统计各个像素点的边缘梯度信息并以直方图的形式表示，最终将
2015-05-31 23:04:47
497
转载 深度学习初步理解
今天认真阅读了李航老师写的统计学习方法，对深度学习有了更加深入的认识，不过由于今天做其它事情刚结束，所以搞的比较晚，就先暂时不更新自己的理解了，转一篇别人的吧，供参考，其实还有一点就是我今天一直在想昨晚看的happynear博客里的一段话“博士一年级已经快读完了，但感觉还没找到搞科研的门路，现在读别人的文章、实现别人的文章问题都不大了，但难以找到靠谱的idea来进行自己的研究，听某大神的意见说还是
2015-05-30 23:46:01
463
原创 LBP算子理解
LBP（局部二进制模式）是一种用来描述灰度图像局部纹理特征的算子，具有明显的旋转不变性和灰度不变性的优点，具体计算过程为：原始的LBP算子定义在3*3邻域内，随机选取图像的3*3局部区域，选取该区域的中心为算子阈值，将周围的8个像素点和该中心阈值进行比较，令大于该阈值的像素点表示为1，小于部分表示为0，这样就得到一个8位二进制数，从第一个值开始排列得到该像素点的十进制表示值即为该像素点的L
2015-05-30 00:11:12
4928
转载 图像特征基本介绍
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的
2015-05-30 00:10:25
1067
原创 图像滤波基本理解
23:10，断网，心中万千。。。飘过，各种手段最后还是用手机发了，滤波即设定好算子后，对输入图像的中心像素的与算子大小相同的邻域进行相关运算或者卷积运算进而得到输出图像的过程。对应的算子不同，滤波方法和效果不同，具体算子和MATLAB中滤波规则主要分析如下：基本滤波函数：output=imfilter2(input,h,filteringmode,boundaryoption,opti
2015-05-30 00:09:47
776
转载 图像分割值OTSU方法介绍
图像分割方法今天暂时不深入讨论了，因为本人目前对于图像二值化和分割认为是一样的，可是很多图像处理任务中会将图像先二值化后再分割，没搞懂~~因此暂时从二值化开始讨论，首先讨论的是OTSU（最大类间方差方法）：假设输入图像为灰度图像（0-255），那么在图像二值化的目的就是对图像进行基于设定阈值的分割得到图像的前景（255）和背景（0），进而得到二值图像。实现过程是，首先统计灰度图像的分布直方
2015-05-30 00:08:39
1649
原创 图像分割基本原理介绍
今天主要围绕图像分割进行基本的一些介绍讨论，深入分析和程序明天再讲：基本原理：图像分割指的是根据图像的灰度,颜色,结构，纹理等特征设计合理的准则函数设计一个或多个阈值从而将图像中的像素点逐个与设定阈值比较进而将图像分割成若干个互不交叠的区域。方法一，基于阈值分割方法该方法实现过程和原理介绍中一样，而此处讨论的阈值是图像的灰度特征；方法二，基于边缘的分割方法图
2015-05-30 00:08:04
10817
原创 Hough变换直线检测
霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果，而且存在广义霍夫变换用于任意形状特征的检测和标记，而限于本人水平，今天只介绍霍夫变换检测直线的原理和代码：检测原理：对于二维空间内的直线表示方程y=kx+b，对该直线进
2015-05-30 00:07:25
771
转载 图像滤波（转载）
今天情况特殊，又没有电脑，所以暂时转载点自己懂得，里面有些小问题，待明天认真修改，嘻嘻～～ 在进行图像目标识别与跟踪时，摄像机所采集的图像，在成像、数字化以及传输过程中，难免会受到各种各样噪声的干扰，图像的质量往往会出现不尽人意的退化，影响了图像的视觉效果。通常这些噪声干扰使得图像退化，表现为图像模糊，特征淹没，这会对图像分析产生不利，使所获得的图像质量较低。对这样的图像直接进行目标的识别与跟踪
2015-05-30 00:06:30
395
原创 图像纹理特征研究
最近因为一篇论文里面一个环节要集中对待分析的静脉图像的纹理特征进行分析研究，所以就先概述两种经典的图像纹理特征：一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较
2015-05-30 00:05:44
598
原创 K-means算法理解
今天没发用电脑，只能用手机来写了，所以就精简一点，而且也没法发图辅助大家理解了，不过我会在明天的博客里更加深入的分析的，今天先简要说一下自己认为比较容易的理解方法：Kmeans主要分为四个步骤第一，随机确定种子点的数目（即k的大小）和空间分布位置；第二，通过计算各个样本点距离种子点的距离来确定样本点的初始分布（这里的距离计算初中几何学过的）；第三，确定初始分布后，根
2015-05-30 00:05:08
380
原创 BOW（Bag of Words）词袋模型理解
基本词袋模型：词袋模型的提出是为了解决文档分类，例如一个文员收到一个任务：把手里的共计10M的公司不同部门的相关工作文件进行归档分类，分别为财务部、公关部、市场部、管理层等四个部门，那么应该怎么做呢？具体方法为：假设财务部的文件用“金额数目”表示，公关部用“客户数字”表示，市场部用“竞争对手”表示，管理层用“上市情况”表示。那么，我们依次将所有字体组合得到“金额数目客户字竞争对手上
2015-05-30 00:04:28
6406
原创 博客处女作（2）
2015.05.20，一个特殊的日子，把已经策划好久的写博客的想法付诸实践，开始真正走上正轨，最开始先定位一下博文范围吧，其实最一开始是想向大牛们一样把自己每天学的深度学习的理论的认识写下来的，幻想着有那么一天博文阅读量过千过万什么的，不过昨晚被深深的打入了谷底，发现自己其实就是S冒一个，还是一点一点来，把这个网络空间定义成我的一个成长记录也是蛮不错滴：博文定位：1、每日学到的NB理论的重
2015-05-30 00:03:48
280
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人