<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[MemoryHeroLi的博客]]></title><description><![CDATA[专注机器学习，深度学习，计算机视觉技术的研究]]></description><link>https://blog.youkuaiyun.com/MemoryHeroLi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MemoryHeroLi]]></copyright><item><title><![CDATA[代码]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/100175005</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/100175005</guid><author>MemoryHeroLi</author><pubDate>Sat, 31 Aug 2019 17:18:23 +0800</pubDate><description><![CDATA[import sys


s = input("请输入一个字符串:")

max_num = 1
for i in range(len(s)):  #位置
    for l in range(len(s),0, -1):   #长度
        sub_s = s[i:i+l]
        num = 0
        for j in range(len(s)-l+1):
     ...]]></description><category></category></item><item><title><![CDATA[(python) leedcode 21. 合并两个有序链表]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/84799397</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/84799397</guid><author>MemoryHeroLi</author><pubDate>Tue, 04 Dec 2018 21:45:00 +0800</pubDate><description><![CDATA[(python) leedcode 21. 合并两个有序链表
将两个有序链表合并为一个新的有序链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。
示例：
输入：1-&amp;gt;2-&amp;gt;4, 1-&amp;gt;3-&amp;gt;4
输出：1-&amp;gt;1-&amp;gt;2-&amp;gt;3-&amp;gt;4-&amp;gt;4

解题思路1:
# Definition for singly-linked list.
# clas...]]></description><category></category></item><item><title><![CDATA[激活函数总结]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83793563</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83793563</guid><author>MemoryHeroLi</author><pubDate>Tue, 06 Nov 2018 20:20:17 +0800</pubDate><description><![CDATA[几种常见激活函数的总结
转载自https://blog.youkuaiyun.com/kangyi411/article/details/78969642
1. sigmod函数


在sigmod函数中我们可以看到，其输出是在(0,1)这个开区间内，这点很有意思，可以联想到概率，但是严格意义上讲，不要当成概率。sigmod函数曾经是比较流行的，它可以想象成一个神经元的放电率，在中间斜率比较大的地方是神经元的...]]></description><category></category></item><item><title><![CDATA[window环境下进行deeplab_tensorflow实验之第二阶段]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83654438</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83654438</guid><author>MemoryHeroLi</author><pubDate>Fri, 02 Nov 2018 14:12:31 +0800</pubDate><description><![CDATA[deeplabv3+_tensorflow实验记录之第二阶段
在PASCAL VOC 2012语义分割数据集上运行DeepLab
step1 解析voc2012数据###
Note：这一步的操作基本都是在deeplab\datasets\文件夹下，文件目录如下：

只会用到build_voc2012_data.py这一文件
因为windows不能运行download_and_convert_voc...]]></description><category></category></item><item><title><![CDATA[window环境下进行deeplab_tensorflow实验之第一阶段]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83587719</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/83587719</guid><author>MemoryHeroLi</author><pubDate>Wed, 31 Oct 2018 17:32:35 +0800</pubDate><description><![CDATA[window环境下进行deeplab_tensorflow实验之第一阶段
第一阶段，安装，配置环境
deeplab源代码已经被谷歌集成在GitHub中tensorflow/models。
之后我会持续更新讲解整个deeplab源代码中各个文件、代码和文档，以及对源代码的详细注释讲解。
本文不设计deeplab理论，因此就算不了解deeplab原理和模型结构的读者仍可操作。
step1. 下载ten...]]></description><category></category></item><item><title><![CDATA[语义分割论文-DeepLab系列]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82866245</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82866245</guid><author>MemoryHeroLi</author><pubDate>Thu, 27 Sep 2018 14:01:53 +0800</pubDate><description><![CDATA[语义分割论文-DeepLab系列
DeepLabv1
收录：ICLR 2015 (International Conference on Learning Representations)
代码：github-Caffe
Semantic image segmentation with deep convolutional nets and fully connected CRFs
Abstrac...]]></description><category></category></item><item><title><![CDATA[译：Convolutional Two-Stream Network Fusion for Video Action Recognition]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82852944</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82852944</guid><author>MemoryHeroLi</author><pubDate>Wed, 26 Sep 2018 14:30:34 +0800</pubDate><description><![CDATA[用于视频动作识别的卷积双流网络融合
**摘要：**近年来，卷积神经网络对视频中人类行为识别的应用提出了不同的解决方案，用于整合外观（spatial）和运动(temporal)信息。为了更好地利用时空信息，我们研究了许多在空间和时间上融合卷积网络层的方法。我们得出以下结论： （i）不是在softmax层进行融合，而是在一个卷积层上融合空间和时间网络，即不会损失性能，而且在参数上有大量的节省;（ii）...]]></description><category></category></item><item><title><![CDATA[译：Two-Stream Convolutional Networks for Action Recognition in Videos.md]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82852367</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82852367</guid><author>MemoryHeroLi</author><pubDate>Wed, 26 Sep 2018 13:58:26 +0800</pubDate><description><![CDATA[摘要：我们研究了用于训练视频中行为识别的深度卷积网络架构。这个挑战是捕捉静态帧中的外观和连续帧间的运动的互补信息。我们也旨在推广这个在数据驱动的学习框架中表现得最好的手工特征。
本文一共做出了3个贡献：

首先，本文提出了一个two-stream卷积网络架构，这个架构由时间和空间网络构成。
然后，我们验证了，尽管是有限的训练数据集，在多帧密集光流上训练的卷积网络仍然能够表现出很好的性能。
最后，我...]]></description><category></category></item><item><title><![CDATA[译：Action Recognition with Improved Trajectories]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82851889</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82851889</guid><author>MemoryHeroLi</author><pubDate>Wed, 26 Sep 2018 13:22:01 +0800</pubDate><description><![CDATA[改进轨迹的行动识别
摘要：最近，密集轨迹被证明是用于动作识别的有效视频表示，并且在各种数据集上实现了最先进的结果。本论文通过考虑相机的运动来纠正它们，从而改善了它们的性能。为了估计相机运动，我们使用SURF描述符和密集光流来匹配帧之间的特征点，这些特征点被证明是互补的。然后，这些匹配用于使用RANSAC稳健地估计单应性。人体运动通常与相机运动不同，并产生不一致的匹配。为了改进估计，使用人类检测器来...]]></description><category></category></item><item><title><![CDATA[译：3D Convolutional Neural Networks for Human Action Recognition]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82851745</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82851745</guid><author>MemoryHeroLi</author><pubDate>Wed, 26 Sep 2018 12:53:01 +0800</pubDate><description><![CDATA[用于人体行为识别的三维卷积神经网络
摘要：我们考虑在监控视频中自动识别人体行为。当前大多数方法是基于原始输入计算得到的复杂手工特征构建分类器。卷积神经网络（CNN）是一种可以直接作用于原始输入的深度模型。但是，此类模型目前仅限于处理2D输入。在本文中，我们开发了一种新的3D CNN动作识别模型。该模型通过执行3D卷积从空间和时间维度中提取特征，从而捕获在多个相邻帧中编码的运动信息。开发的模型从输入...]]></description><category></category></item><item><title><![CDATA[人体行为识别：DT(密集轨迹)算法和iDT(改善的密集轨迹)算法总结]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82493879</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/82493879</guid><author>MemoryHeroLi</author><pubDate>Fri, 07 Sep 2018 11:24:54 +0800</pubDate><description><![CDATA[Note:

DT算法来自论文”Dense Trajectories and Motion Boundary Descriptors for Action Recognition” 
iDT算法来自论文”Action Recognition with Improved Trajectories”

1. 密集轨迹算法（DT）

算法基本框架


密集采样特征点
特征点轨迹跟踪
基于轨迹的特征提取
...]]></description><category></category></item><item><title><![CDATA[scikit-learn中随机森林使用详解(参数，属性和方法）]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80920260</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80920260</guid><author>MemoryHeroLi</author><pubDate>Wed, 04 Jul 2018 23:44:33 +0800</pubDate><description><![CDATA[scikit-learn中和随机森林算法相关的类为RangeForestClassifier，这个类的主要参数和方法如下：

类的构造函数为：

RandomForestClassifier(n_estimators=10,criterion=’gini’, max_depth=None,min_samples_split=2,min_samples_leaf=1,
min_weight_frac...]]></description><category></category></item><item><title><![CDATA[sklearn.preprocessing（数据预处理方法及选择）]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80920173</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80920173</guid><author>MemoryHeroLi</author><pubDate>Wed, 04 Jul 2018 23:33:54 +0800</pubDate><description><![CDATA[预处理—sklearn.preprocessing





1.Standardization标准化



Note:标准化是针对每一列而言的

概念：Standardization标准化是将特征数据的分布调整成标准正太分布，也叫高斯分布，也就是使得数据的均值维0，方差为1.

原因： 如果有些特征的方差过大，则会主导目标函数从而使参数估计器无法正确地去学习其他特征。

过程为两步：去均值的中心...]]></description><category></category></item><item><title><![CDATA[Python中的科学计算库numpy的学习_numpy中常用的方法]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80140673</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80140673</guid><author>MemoryHeroLi</author><pubDate>Fri, 08 Jun 2018 14:44:29 +0800</pubDate><description><![CDATA[本博客将分为如下模块分别进行叙述：

    -array数组
    -数值计算
    -排序操作
    -数组形状（维度）
    -数组的生成
    -四则运算
    -随机模块
    -文件读写


一、array数组

Note:
    1.numpy中的ndarray类型要求其内部（数组/矩阵）元素类型（dtype）一致，若不一致则自动向下转化
    2.ndarray2...]]></description><category></category></item><item><title><![CDATA[Python_OS模块常用小实例]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80623036</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80623036</guid><author>MemoryHeroLi</author><pubDate>Fri, 08 Jun 2018 14:43:41 +0800</pubDate><description><![CDATA[1. 获取目录下的全部文件名，并写入文件中



import os

filepath = &amp;quot;train&amp;quot;                  # 采取相对路径获取文件路径
filenames = os.listdir(filepath)    # 获取指定路径下的所有文件名组成的列表
fopen = open(&amp;quot;text.txt&amp;quot;, 'w')       # 以只写的方式打开一个txt文件
fo...]]></description><category></category></item><item><title><![CDATA[Python_OS模块常用function]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80622223</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/80622223</guid><author>MemoryHeroLi</author><pubDate>Fri, 08 Jun 2018 13:56:14 +0800</pubDate><description><![CDATA[1. os.chdir() 方法

概述：

os.chdir() 方法用于改变当前工作目录到指定的路径。


语法：

os.chdir(path)


参数 
path – 要切换到的新路径。

返回值 
如果允许访问返回 True , 否则返回False。

实例 
以下实例演示了 chdir() 方法的使用：

# -*- coding: UTF-8 -*-
import os, sys
...]]></description><category></category></item><item><title><![CDATA[Opencv_Python_9_图像直方图(histogram)]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79659432</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79659432</guid><author>MemoryHeroLi</author><pubDate>Thu, 22 Mar 2018 20:30:19 +0800</pubDate><description><![CDATA[方法一：使用matplotlib包



from matplotlib import pyplot as plt



def plot_demo(image):
    plt.hist(image.ravel(), 255)
    # plt.hist(image.ravel(), 255, range=[0, 256])
    plt.show(&amp;quot;直方图&amp;quot;)

.ravel()：arr...]]></description><category></category></item><item><title><![CDATA[Opencv_Python_8_边缘保留滤波(EPF)]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79476433</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79476433</guid><author>MemoryHeroLi</author><pubDate>Wed, 07 Mar 2018 20:32:16 +0800</pubDate><description><![CDATA[进行边缘保留式滤波通常有两个方法： 
        1，高斯双边滤波 
        代码实现如下：



def bi_demo(image):
    dst = cv.bilateralFilter(src=image, d=0, sigmaColor=100, sigmaSpace=15)
    cv.imshow(&amp;quot;bi_demo&amp;quot;, dst)

其中各参数所表达的意义：
    ...]]></description><category></category></item><item><title><![CDATA[Opencv_Python_7_高斯模糊]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79474719</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79474719</guid><author>MemoryHeroLi</author><pubDate>Wed, 07 Mar 2018 17:56:11 +0800</pubDate><description><![CDATA[高斯模糊使用函数cv.GaussianBlur（）完成。 
cv.GaussianBlur(src, ksize, sigmaX) 
我们应该指定应该是正数和奇数的内核的宽度和高度。我们还应该分别指定X和Y方向的标准差，sigmaX和sigmaY。如果只指定sigmaX，则sigmaY与sigmaX相同。如果两者都是零，则它们是从内核大小计算的。 
如果你愿意，你可以用函数cv.getGaussi...]]></description><category></category></item><item><title><![CDATA[Opencv_Python_6_模糊操作]]></title><link>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79468161</link><guid>https://blog.youkuaiyun.com/MemoryHeroLi/article/details/79468161</guid><author>MemoryHeroLi</author><pubDate>Wed, 07 Mar 2018 11:00:10 +0800</pubDate><description><![CDATA[1， 均值模糊

dst = cv.blur(src=image, ksize=(3, 3), anchor=None)

其各参数所代表的意义：
    src：原图像
    ksize：内核的大小（内核中数值必须为正奇数）
    anchor：锚点（可省，默认为-1，-1代表内核中心）。
应用场合：普通去噪


2， 中值模糊

dst = cv.medianBlur(src=image,...]]></description><category></category></item></channel></rss>