博客园 - 天涯惟笑
uuid:24b78886-0ed1-41c2-8670-e3f31dcf42c4;id=126947
2019-03-15T08:16:26Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
feed.cnblogs.com
https://www.cnblogs.com/CSLaker/p/10537749.html
深度人脸识别综述 - 天涯惟笑
[TOC] Introduction 人脸识别系统通常由以下构建模块组成: 人脸检测 。人脸检测器用于寻找图像中人脸的位置,如果有人脸,就返回包含每张人脸的边界框的坐标。如图 3a 所示。 人脸对齐 。人脸对齐的目标是使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像。这个过程通常需要使用一个特
2019-03-15T08:11:00Z
2019-03-15T08:11:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】[TOC] Introduction 人脸识别系统通常由以下构建模块组成: 人脸检测 。人脸检测器用于寻找图像中人脸的位置,如果有人脸,就返回包含每张人脸的边界框的坐标。如图 3a 所示。 人脸对齐 。人脸对齐的目标是使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像。这个过程通常需要使用一个特 <a href="https://www.cnblogs.com/CSLaker/p/10537749.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/10353803.html
2018-2019学年研一上学期总结 - 天涯惟笑
该文被密码保护。
2019-02-06T08:35:00Z
2019-02-06T08:35:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
该文被密码保护。
https://www.cnblogs.com/CSLaker/p/10344395.html
Linux系统知识汇总 - 天涯惟笑
1 系统相关 1.1 静态IP地址配置 "Ubuntu配置和修改IP地址" 1.2 Linux内核升级和降级 内核升级 "Linux升级内核的正确姿势" 内核降级 "Ubuntu 16.04 内核降级" 1.3 清理缓存cache "ubuntu 手动释放缓存 (清理内存cache)" 2 Jupy
2019-01-31T14:51:00Z
2019-01-31T14:51:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1 系统相关 1.1 静态IP地址配置 "Ubuntu配置和修改IP地址" 1.2 Linux内核升级和降级 内核升级 "Linux升级内核的正确姿势" 内核降级 "Ubuntu 16.04 内核降级" 1.3 清理缓存cache "ubuntu 手动释放缓存 (清理内存cache)" 2 Jupy <a href="https://www.cnblogs.com/CSLaker/p/10344395.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/10096667.html
【Deep Hash】NINH - 天涯惟笑
"CVPR 2015] Simultaneous Feature Learning and Hash Coding with Deep Neural Networks [[paper" ] Hanjiang Lai, Yan Pan, Ye Liu, Shuicheng Yan. 1. Overco
2018-12-10T07:15:00Z
2018-12-10T07:15:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】"CVPR 2015] Simultaneous Feature Learning and Hash Coding with Deep Neural Networks [[paper" ] Hanjiang Lai, Yan Pan, Ye Liu, Shuicheng Yan. 1. Overco <a href="https://www.cnblogs.com/CSLaker/p/10096667.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/10096630.html
【Deep Hash】CNNH - 天涯惟笑
"AAAI 2014] Supervised Hashing via Image Representation Learning [[paper]" "[code]" Rongkai Xia , Yan Pan, Hanjiang Lai, Cong Liu, Shuicheng Yan. 1. O
2018-12-10T07:12:00Z
2018-12-10T07:12:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】"AAAI 2014] Supervised Hashing via Image Representation Learning [[paper]" "[code]" Rongkai Xia , Yan Pan, Hanjiang Lai, Cong Liu, Shuicheng Yan. 1. O <a href="https://www.cnblogs.com/CSLaker/p/10096630.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/10096556.html
Post Tuned Hashing,PTH - 天涯惟笑
"ACM 2018] Post Tuned Hashing_A New Approach to Indexing High dimensional Data [[paper]" "[code" ] Zhendong Mao, Quan Wang, Yongdong Zhang, Bin Wang.
2018-12-10T07:02:00Z
2018-12-10T07:02:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】"ACM 2018] Post Tuned Hashing_A New Approach to Indexing High dimensional Data [[paper]" "[code" ] Zhendong Mao, Quan Wang, Yongdong Zhang, Bin Wang. <a href="https://www.cnblogs.com/CSLaker/p/10096556.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/10024970.html
Particle filter for visual tracking - 天涯惟笑
Kalman Filter Cons: Kalman filtering is inadequate because it is based on the unimodal Gaussian distribution assumption, and it can’t represent simult
2018-11-27T02:37:00Z
2018-11-27T02:37:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】Kalman Filter Cons: Kalman filtering is inadequate because it is based on the unimodal Gaussian distribution assumption, and it can’t represent simult <a href="https://www.cnblogs.com/CSLaker/p/10024970.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9985391.html
马尔可夫决策 - 天涯惟笑
一、离散状态的马尔科夫决策 1. 奖励因子r 在马尔科夫决策中,有个奖励因子r,在计算总期望价值的时候,奖励因子r的次方数会逐步增加。对于这个的解释可以理解为:今天的一元钱在明天一般都会贬值。所以当某个状态s较晚到达时,要控制奖励因子使得获得的价值减少。 2. Bellman方程 $$ V^{\pi
2018-11-19T12:32:00Z
2018-11-19T12:32:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】一、离散状态的马尔科夫决策 1. 奖励因子r 在马尔科夫决策中,有个奖励因子r,在计算总期望价值的时候,奖励因子r的次方数会逐步增加。对于这个的解释可以理解为:今天的一元钱在明天一般都会贬值。所以当某个状态s较晚到达时,要控制奖励因子使得获得的价值减少。 2. Bellman方程 $$ V^{\pi <a href="https://www.cnblogs.com/CSLaker/p/9985391.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9962912.html
MCMC等采样算法 - 天涯惟笑
一、直接采样 直接采样的思想是,通过对均匀分布采样,实现对任意分布的采样。因为均匀分布采样好猜,我们想要的分布采样不好采,那就采取一定的策略通过简单采取求复杂采样。 假设y服从某项分布p(y),其累积分布函数CDF为h(y),有样本z~Uniform(0,1),我们令 z = h(y),即 y =
2018-11-15T05:05:00Z
2018-11-15T05:05:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】一、直接采样 直接采样的思想是,通过对均匀分布采样,实现对任意分布的采样。因为均匀分布采样好猜,我们想要的分布采样不好采,那就采取一定的策略通过简单采取求复杂采样。 假设y服从某项分布p(y),其累积分布函数CDF为h(y),有样本z~Uniform(0,1),我们令 z = h(y),即 y = <a href="https://www.cnblogs.com/CSLaker/p/9962912.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9875476.html
【模拟退火】旅行商问题 - 天涯惟笑
1.问题描述 旅行商问题(Travelling Salesman Problem, 简记TSP,亦称货郎担问题):设有n个城市和距离矩阵D=[dij],其中dij表示城市i到城市j的距离,i,j=1,2 … n,则问题是要找出遍访每个城市恰好一次的一条回路并使其路径长度为最短。 利用模拟退火算法(S
2018-10-30T02:44:00Z
2018-10-30T02:44:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1.问题描述 旅行商问题(Travelling Salesman Problem, 简记TSP,亦称货郎担问题):设有n个城市和距离矩阵D=[dij],其中dij表示城市i到城市j的距离,i,j=1,2 … n,则问题是要找出遍访每个城市恰好一次的一条回路并使其路径长度为最短。 利用模拟退火算法(S <a href="https://www.cnblogs.com/CSLaker/p/9875476.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9875349.html
【深搜】小孩分油问题 - 天涯惟笑
1.问题描述 小孩分油问题 两个小孩去打油,一人带了一个一斤的空瓶,另一个带了一个七两、一个三两的空瓶。原计划各打一斤油,可是由于所带的钱不够,只好两人合打了一斤油,在回家的路上,两人想平分这一斤油,可是又没有其它工具。试仅用三个瓶子(一斤、七两、三两)精确地分出两个半斤油来。 2.算法设计 令状态
2018-10-30T02:29:00Z
2018-10-30T02:29:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1.问题描述 小孩分油问题 两个小孩去打油,一人带了一个一斤的空瓶,另一个带了一个七两、一个三两的空瓶。原计划各打一斤油,可是由于所带的钱不够,只好两人合打了一斤油,在回家的路上,两人想平分这一斤油,可是又没有其它工具。试仅用三个瓶子(一斤、七两、三两)精确地分出两个半斤油来。 2.算法设计 令状态 <a href="https://www.cnblogs.com/CSLaker/p/9875349.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9829051.html
四种losses - 天涯惟笑
1. Classification losses 每次输入一个样本,对样本进行类别预测,根据预测类别和真实标签得到对应的分类损失。 2. Pairwise losses 每次输入两个样本,数据集包含了这两个样本是否相似的信息。计算损失时根据模型在这两个样本上的输出和相似信息进行计算。 3. Trip
2018-10-22T03:13:00Z
2018-10-22T03:13:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1. Classification losses 每次输入一个样本,对样本进行类别预测,根据预测类别和真实标签得到对应的分类损失。 2. Pairwise losses 每次输入两个样本,数据集包含了这两个样本是否相似的信息。计算损失时根据模型在这两个样本上的输出和相似信息进行计算。 3. Trip <a href="https://www.cnblogs.com/CSLaker/p/9829051.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9828436.html
Yale数据库上的人脸识别 - 天涯惟笑
一、问题分析 1. 问题描述 在Yale数据集上完成以下工作:在给定的人脸库中,通过算法完成人脸识别,算法需要做到能判断出测试的人脸是否属于给定的数据集。如果属于,需要判断出测试的人脸属于数据集中的哪一位。否则,需要声明测试的人脸不属于数据集。 2. 数据集分析 Yale人脸数据集由耶鲁大学创建,包
2018-10-22T01:38:00Z
2018-10-22T01:38:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】一、问题分析 1. 问题描述 在Yale数据集上完成以下工作:在给定的人脸库中,通过算法完成人脸识别,算法需要做到能判断出测试的人脸是否属于给定的数据集。如果属于,需要判断出测试的人脸属于数据集中的哪一位。否则,需要声明测试的人脸不属于数据集。 2. 数据集分析 Yale人脸数据集由耶鲁大学创建,包 <a href="https://www.cnblogs.com/CSLaker/p/9828436.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9781721.html
Supervised Hashing with Kernels, KSH - 天涯惟笑
Notation 该论文中应用到较多符号,为避免混淆,在此进行解释: n: 原始数据集的大小 l: 实验中用于监督学习的数据集大小(矩阵S行/列的大小) m: 辅助数据集,用于得到基于核的哈希函数 r: 比特位数量/哈希函数的个数 1. Introduction 先前的哈希检索方法,要么精度低,要么
2018-10-13T01:42:00Z
2018-10-13T01:42:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】Notation 该论文中应用到较多符号,为避免混淆,在此进行解释: n: 原始数据集的大小 l: 实验中用于监督学习的数据集大小(矩阵S行/列的大小) m: 辅助数据集,用于得到基于核的哈希函数 r: 比特位数量/哈希函数的个数 1. Introduction 先前的哈希检索方法,要么精度低,要么 <a href="https://www.cnblogs.com/CSLaker/p/9781721.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9746000.html
Spherical Hashing,球哈希 - 天涯惟笑
1. Introduction 在传统的LSH、SSH、PCA ITQ等哈希算法中,本质都是利用超平面对数据点进行划分,但是在D维空间中,至少需要D+1个超平面才能形成一个封闭、紧凑的区域。而球哈希方法利用 超球面(hypersphere) 对数据进行划分,在任何维度下,只需要1个超球面便可形成一个
2018-10-05T13:42:00Z
2018-10-05T13:42:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1. Introduction 在传统的LSH、SSH、PCA ITQ等哈希算法中,本质都是利用超平面对数据点进行划分,但是在D维空间中,至少需要D+1个超平面才能形成一个封闭、紧凑的区域。而球哈希方法利用 超球面(hypersphere) 对数据进行划分,在任何维度下,只需要1个超球面便可形成一个 <a href="https://www.cnblogs.com/CSLaker/p/9746000.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9723136.html
YOLO(You Only Look Once) - 天涯惟笑
参考 "YOLO(You Only Look Once)算法详解" " YOLO算法的原理与实现 " 一、介绍 YOLO算法把物体检测问题处理成回归问题,用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。YOLO具有如下优点:(1)YOLO的运行速度非常快;(2)YO
2018-09-29T04:48:00Z
2018-09-29T04:48:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】参考 "YOLO(You Only Look Once)算法详解" " YOLO算法的原理与实现 " 一、介绍 YOLO算法把物体检测问题处理成回归问题,用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。YOLO具有如下优点:(1)YOLO的运行速度非常快;(2)YO <a href="https://www.cnblogs.com/CSLaker/p/9723136.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9723119.html
Iterative Quantization,ITQ - 天涯惟笑
Abstract 针对大规模的图像检索问题,论文提出了一个高效的ITQ算法。该算法先将中心化后的数据映射到超立方体的顶点上,再通过优化过程寻找一个旋转矩阵,使得数据点经过旋转后,与超立方体的顶点数据具有最小的量化误差。ITQ算法涉及到了 multi class spectral clustering
2018-09-29T04:41:00Z
2018-09-29T04:41:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】Abstract 针对大规模的图像检索问题,论文提出了一个高效的ITQ算法。该算法先将中心化后的数据映射到超立方体的顶点上,再通过优化过程寻找一个旋转矩阵,使得数据点经过旋转后,与超立方体的顶点数据具有最小的量化误差。ITQ算法涉及到了 multi class spectral clustering <a href="https://www.cnblogs.com/CSLaker/p/9723119.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9720561.html
Locality Sensitive Hashing,LSH - 天涯惟笑
1. 基本思想 局部敏感(Locality Senstitive): 即空间中距离较近的点映射后发生冲突的概率高,空间中距离较远的点映射后发生冲突的概率低。 局部敏感哈希的基本思想类似于一种空间域转换思想,LSH算法基于一个假设,如果两个文本在原有的数据空间是相似的,那么分别经过哈希函数转换以后的它
2018-09-28T11:58:00Z
2018-09-28T11:58:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】1. 基本思想 局部敏感(Locality Senstitive): 即空间中距离较近的点映射后发生冲突的概率高,空间中距离较远的点映射后发生冲突的概率低。 局部敏感哈希的基本思想类似于一种空间域转换思想,LSH算法基于一个假设,如果两个文本在原有的数据空间是相似的,那么分别经过哈希函数转换以后的它 <a href="https://www.cnblogs.com/CSLaker/p/9720561.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9378561.html
循环神经网络 - 天涯惟笑
一、问题分析 1. 传统神经网络在处理序列输入时存在的问题 在不同的示例中,输入和输出可能具有不同的维度。 无法在不同的文本位置共享所学到的特征信息。 2. 循环神经网络存在的问题 RNN使用先前的信息以及现在的输入来得到输出,但是输出不仅仅只跟前面的信息有关,可能还会和后面的信息有关。因此没有利用
2018-07-27T08:57:00Z
2018-07-27T08:57:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】一、问题分析 1. 传统神经网络在处理序列输入时存在的问题 在不同的示例中,输入和输出可能具有不同的维度。 无法在不同的文本位置共享所学到的特征信息。 2. 循环神经网络存在的问题 RNN使用先前的信息以及现在的输入来得到输出,但是输出不仅仅只跟前面的信息有关,可能还会和后面的信息有关。因此没有利用 <a href="https://www.cnblogs.com/CSLaker/p/9378561.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/CSLaker/p/9277431.html
Zero-shot learning(零样本学习) - 天涯惟笑
一、介绍 在传统的分类模型中,为了解决多分类问题(例如三个类别:猫、狗和猪),就需要提供大量的猫、狗和猪的图片用以模型训练,然后给定一张新的图片,就能判定属于猫、狗或猪的其中哪一类。但是对于之前训练图片未出现的类别(例如牛),这个模型便无法将牛识别出来,而ZSL就是为了解决这种问题。在ZSL中,某一
2018-07-07T07:37:00Z
2018-07-07T07:37:00Z
天涯惟笑
https://www.cnblogs.com/CSLaker/
【摘要】一、介绍 在传统的分类模型中,为了解决多分类问题(例如三个类别:猫、狗和猪),就需要提供大量的猫、狗和猪的图片用以模型训练,然后给定一张新的图片,就能判定属于猫、狗或猪的其中哪一类。但是对于之前训练图片未出现的类别(例如牛),这个模型便无法将牛识别出来,而ZSL就是为了解决这种问题。在ZSL中,某一 <a href="https://www.cnblogs.com/CSLaker/p/9277431.html" target="_blank">阅读全文</a>