chenjunjie1994

摘要： 论文的重点在于后面approximation部分。 在《Rank Pooling》的论文中提到，可以通过训练RankSVM获得参数向量d，来作为视频帧序列的representation。而在dynamic论文中发现，这样的参数向量d，事实上与image是同等大小的，也就是说，它本身是一张图片（假如m 阅读全文

摘要： 这是期刊论文的版本，不是会议论文的版本。看了论文之后，只能说，太TM聪明了。膜拜~~ 视频的表示方法有很多，一般是把它看作帧的序列。论文提出一种新的方法去表示视频，用ranking function的参数编码视频的帧序列。它使用一个排序函数（ranking function）主要基于这样的假设：帧的 阅读全文

摘要： 建trie树，刚好字符串是反向的，直接在原图上向前搜索就OK了……………… 可怜的我竟然用了RK来hash，在test67那里T了…… 贴个RK的 trie树简便快捷啊…… 阅读全文

摘要： 寻找树上最大权值和的两条不相交的路径。 树形DP题。挺难的，对于我…… 定义三个变量ma[MAXN], t[MAXN], sum[MAXN] 其中，ma[i]代表i子树中，最长的路径和 t[i]代表i子树中，用来维护已有一条路径，而且还有一条链从叶子节点到i，则可以从根节点i向上扩展。如下图，维护红 阅读全文

摘要： 论文的三个贡献 （1）提出了two-stream结构的CNN，由空间和时间两个维度的网络组成。 （2）使用多帧的密集光流场作为训练输入，可以提取动作的信息。 （3）利用了多任务训练的方法把两个数据集联合起来。 Two stream结构 视屏可以分成空间与时间两个部分，空间部分指独立帧的表面信息，关于 阅读全文

摘要： 原博文地址：http://www.cnblogs.com/nobadfish/articles/5244637.html 原论文名叫Byeond bags of features:Spatial Pyramid Matching for Recognizing Natural Scene Categ 阅读全文

摘要： 在论文《action recognition with improved trajectories》中看到fisher vector，所以学习一下。但网上很多的资料我觉得都写的不好，查了一遍，按照自己的认识陈述一下，望大牛指正。 核函数： 先来看一下《统计学习方法》里叙述的核函数的概念， 可以看到， 阅读全文

摘要： 密集轨迹的方法是通过在视频帧上密集地采样像素点并且在追踪，从而构造视频的局部描述子，最后对视频进行分类的方法依然是传统的SVM等方法。 生成密集轨迹： （1）从8个不同的空间尺度中采样，它们的尺度差因子为，而采样的点只需要简单地每间隔W = 5个像素取一个点即可。 （2）对于下一个点位置的估计，通过 阅读全文

摘要： YOLO的一大特点就是快，在处理上可以达到完全的实时。原因在于它整个检测方法非常的简洁，使用回归的方法，直接在原图上进行目标检测与定位。 多任务检测： 网络把目标检测与定位统一到一个深度网络中，而且可以同时在原图上检测多个物体。步骤总结如下： （1）把图片分割成S*S个方格，假如某个物体的中点落在其 阅读全文

摘要： 目的： 提升深度神经网络的性能。 一般方法带来的问题： 增加网络的深度与宽度。 带来两个问题： （1）参数增加，数据不足的情况容易导致过拟合 （2）计算资源要求高，而且在训练过程中会使得很多参数趋向于0，浪费计算资源。 解决方法： 使用稀疏连接替代稠密结构。 理论依据（Arora）：一个概率分布可以 阅读全文

摘要： 目的： 通过用Mlpconv层来替代传统的conv层，可以学习到更加抽象的特征。传统卷积层通过将前一层进行了线性组合，然后经过非线性激活得到(GLM)，作者认为传统卷积层的假设是基于特征的线性可分。而Mlpconv层使用多层感知机，是一个深层的网络结构，可以近似任何非线性的函数。在网络中高层的抽象特 阅读全文

摘要： 由RCNN到FAST RCNN一个很重要的进步是实现了多任务的训练，但是仍然使用Selective Search算法来获得ROI，而FASTER RCNN就是把获得ROI的步骤使用一个深度网络RPN来实现。一个FASTER RCNN可以看作是一个RPN + FAST RCNN的组合，两者通过共享CO 阅读全文

摘要： Fast RCNN的结构： 先从这幅图解释FAST RCNN的结构。首先，FAST RCNN的输入是包含两部分，image以及region proposal（在论文中叫做region of interest，ROI）。Image经过深度网络（deep network）之后得到feature map， 阅读全文

摘要： R-CNN总结 不总结就没有积累 R-CNN的全称是 Regions with CNN features。它的主要基础是经典的AlexNet，使用AlexNet来提取每个region特征，而不再是传统的SIFT、SURF的特征。同时，还利用了AlexNet本来的功能：分类，这时所得的分类结果相当于预 阅读全文

摘要： /* 数位DP题，设dp[n][k][j]为前n位最后一位是k时mod为j的个数。操作都相同，可以使用矩阵加速。本来对于每一位是7*10，可以把它压向一个向量。加速矩阵为70*70，再加一维计算前缀和即可。*/#include #include #include #include #define ... 阅读全文