aiaiai010101的博客

一个关于HOG的不错的讲解转过来了.转载自:http://blog.youkuaiyun.com/liulina603/article/details/82910931、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特

http://blog.youkuaiyun.com/baimafujinji/article/details/51285082http://blog.youkuaiyun.com/likelet/article/details/7056068,这篇很全.http://www.52nlp.cn/hmm-concrete-example-on-wiki,例子比较直观.

图像配准是为了解决两幅不同来源的图像匹配问题。例如，楼外的一颗大树开花了，小明路过觉得好看，就拿相机拍了一张照片。结果回屋拷出来一看不满意，于是小明从窗户又拍了一张。两张照片拍摄角度和距离不一样（也即存在投影变换），同时照片细节也有差异（第二次拍摄的时候起风了，树叶子都有轻微的位移）。那么问题来了：怎么样让计算机把两幅图片中的树，像素对像素的给匹配起来？互信息配准算法是解决此问题较好的方法之一

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成纯数

图像分割—基于图的图像分割（Graph-Based Image Segmentation）Reference: Efficient Graph-Based Image Segmentation,IJCV 2004,MIT Code Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图

注册|登录构建全球华人科学博客圈返回首页微博RSS订阅帮助hailuo0112的个人博客分享http://blog.sciencenet.cn/u/hailuo0112博客首页动态学术名片首页 新闻 博客群组BBS人才 会议 论文 基金 大学国际 帮助Help微博 粉丝评论@我提醒我的博

Prim算法1.概览普里姆算法（Prim算法），图论中的一种算法，可在加权连通图里搜索最小生成树。意即由此算法搜索到的边子集所构成的树中，不但包括了连通图里的所有顶点（英语：Vertex (graph theory)），且其所有边的权值之和亦为最小。该算法于1930年由捷克数学家沃伊捷赫·亚尔尼克（英语：Vojtěch Jarník）发现；并在1957年由美国计算机科学家罗伯特·普

基于R-CNN的物体检测原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50187029作者：hjimce一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇

尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com or (zddhub@gmail.com)对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。如果你学习SIFI得目的是为了做检索，也许 OpenSSE 更适合你，欢迎使

转载自http://blog.cvmarcher.com/posts/2015/05/17/cnn-trick/如有版权问题，请联系博主删除本博客Receptive Field (感受野)这是一个非常重要的概念，receptive field往往是描述两个feature maps A/B上神经元的关系，假设从A经过若干个操作得到B，这时候B上的一个区域area b  只会跟

开操作是先腐蚀再膨胀，闭操作是先膨胀再腐蚀。灰度图像是求最大最小值，二值图像是进行与运算。二值形态学:1.二值腐蚀的具体操作是：用一个结构元素(一般是3×3的大小)扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0。中心及领域有一个点不是黑点，该点就被腐蚀成白点2.二值膨胀的具体操作是：用一个结构元素(一般是3×3

1.Sparse Coding稀疏编码Sparse Coding稀疏编码UFLDL Sparse Coding2.Sparse Filtering稀疏滤波Deep Learning论文笔记之（二）Sparse Filtering稀疏滤波Unsupervised feature learning with Sparse Filtering3.Sparse Autoen

Deep learning系列（十五）有监督和无监督训练标签： 深度学习有监督训练无监督训练自编码器2015-11-02 19:59 3906人阅读 评论(0)收藏举报本文章已收录于：分类： deep-learning（14） 作者同类文章X版权声明：本文为博主原创文章，未经博主

这段时间一直在试图用caffe训练图像，今天终于成功了一次，虽然结果很差，不过毕竟能跑起来了。特此记录一下caffe训练过程中的种种问题，及解决办法。1、caffe安装中遇到的问题(1)安装caffe的过程中最初libcaffe和testcaffe总是加载失败，网上百度一搜，给出的解决方案居然是重启电脑，卧槽，重启之后，果然。。。没有鸟用。。。这个问题我已经忘记是怎么解决的了，但是

Selective Search for Object Recoginitionsurgewong@gmail.comhttp://blog.youkuaiyun.com/surgewong      在前一段时间在看论文相关的工作，没有时间整理对这篇论文的理解。在前面的一篇博客【1】中有提到Selective Search【2】，其前期工作利用图像分割的方

图像处理中滤波和卷积是常用到的操作。很多人认为卷积就是滤波，两者并无区别，其实不然。两者在原理上相似，但是在实现的细节上存在一些区别。这篇博文主要叙述这两者之间的区别。1、滤波（或者叫相关）简单来说，滤波操作就是图像对应像素与掩膜（mask）的乘积之和。比如有一张图片和一个掩膜，如下图：那么像素(i,j)的滤波后结果可以根据以下公式计算：<img