摘要：图像的卷积：一幅图像与一个矩阵做卷积，矩阵必须为m*n的（矩阵中必须有中心点），将图像中的点与这个矩阵的中心点对应，对于m*n个位置，相对应的两点分别相乘，再把这m*n个乘积相加除以m*n，所得结果即为结果图像中相应的点。如下图：核函数（SVM中）：解决线性不可分问题的基本思路——向高维空间转化，使其变得线性可分。计算方面我们只关心那个高维空间里内积的值，那个值算出来了，分类结果就算出来了。核函数的基本作用就是接受两个低维空间里的向量，能够计算出经过某个变换后在高维空间里的向量内积值。范数(norm)：对于向量v，它的lp Norms为：当v是向量之差时，其与l1距离，l2距离等是一个意思：K 阅读全文

摘要：这几天接触了一些关于图像分类的论文，发现其中大多都用到了SVM，于是上网找了一些SVM的资料，得出一些理解。维基百科上用这句话来描述SVM：支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。其实这句话不太完整：这是对于线性不可分的情况，而对于线性可分情况，就不用第一步“支持向量机将向量映射到一个更高维的空间里”了。更完整的SVM简述：支持向量机是一个二类分类器（至少最初是这样），它对于线性可分情况，在这个空间里建立有一个最 阅读全文