10 2018 档案

摘要:Markov property: 在一连串随机事件中,事件的概率只和当前状态有关,而与前面的事件无关。 Markov chain: 满足Markov property的随机模型 条件随机场 条件随机场(conditional random field,CRF)是给定一组输入随机变量条件下另一组输出随 阅读全文
posted @ 2018-10-26 14:22 Zzzack 阅读(1352) 评论(0) 推荐(0)
摘要:Markov Weight Fields for Face Sketch Synthesis 相关知识点:马尔可夫随机场(MRF) 1. Introduction 画像合成方法:MRF(Markov Random Fields) 缺点: 1. 不能合成新的sketch patches,因为它是从tr 阅读全文
posted @ 2018-10-26 11:01 Zzzack 阅读(283) 评论(0) 推荐(0)
摘要:2017 Data driven vs. model driven Fast face sketch synthesis 相关文献:Heterogeneous image transformation 相关知识:KNN, SFS, SVR, high frequency information 0. 阅读全文
posted @ 2018-10-12 15:41 Zzzack 阅读(329) 评论(0) 推荐(0)
摘要:参考: 李航《统计学习方法》 ​ 【定义】设 X 是输入空间,又设 F 为特征空间,如果存在一个从 X 到 F 的映射 $$ \phi(x):X→F $$ 使得所有的 x,z∈X ,函数 K(x,z) 满足条件 $$ K(x,z)=\phi(x)·\phi(z) $$ 则称 K(x,z) 为 核函数 阅读全文
posted @ 2018-10-07 11:17 Zzzack 阅读(297) 评论(0) 推荐(0)
摘要:参考: "LDA " "kernel LDA" kernel LDA 用到了散度(scatter)的概念,目标是使样本点在高维空间中的投影满足:类内散度最小,类间散度最大。即: $$ J(W^\phi)=argmax_{(W^\phi)}\frac{W^{\phi T} S_b^\phi W^\ph 阅读全文
posted @ 2018-10-07 11:16 Zzzack 阅读(354) 评论(0) 推荐(0)
摘要:参考: "LLE原理总结" 个人理解 PCA 降维的缺陷 :高维空间各个样本之间存在一些线性关系,降维之后并没有保留这些关系。比如,在高维空间中,其最短路径并不是三维空间中的两点之间直线最短,而是如下图的曲面距离,而我们降维后,就变成了投影距离。 因此,我们希望能够保留原空间的距离(只是一个例子), 阅读全文
posted @ 2018-10-07 11:13 Zzzack 阅读(812) 评论(0) 推荐(0)
摘要:论文:2005 CVPR a nonlinear approach for face sketch synthesis and recognition 论文:2005 CVPR a nonlinear approach for face sketch synthesis and recognitio 阅读全文
posted @ 2018-10-07 10:45 Zzzack 阅读(173) 评论(0) 推荐(0)
摘要:2002 ICIP Face photo recognition using sketch网盘链接 密码:if7l 2002 ICIP Face photo recognition using sketch网盘链接 密码:if7l ABSTRACT INTRODUCTION SKETCH RECOG 阅读全文
posted @ 2018-10-07 10:39 Zzzack 阅读(137) 评论(0) 推荐(0)
摘要:文献题目如下: [1] 2002 ICIP Face photo recognition using sketch [2] 2005 CVPR a nonlinear approach for face sketch synthesis and recognition [3] 2017 Data-d 阅读全文
posted @ 2018-10-07 10:36 Zzzack 阅读(135) 评论(0) 推荐(0)