<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[damifeng2018的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/damifeng2018</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; damifeng2018]]></copyright><item><title><![CDATA[为什么深度学习几乎成了计算机视觉研究的标配？]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52233288</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52233288</guid><author>damifeng2018</author><pubDate>Wed, 17 Aug 2016 18:00:48 +0800</pubDate><description><![CDATA[链接：https://zhuanlan.zhihu.com/p/21533690


本次CVPR 2016上，深度学习几乎成了如今计算机视觉研究的标配，人脸识别、图像识别、视频识别、行人检测、大规模场景识别的相关论文里都用到了深度学习的方法，加上Google，Facebook这样的大企业助力，很多人疑惑，为什么深度学习相比其它的AI实现方法，已然呈现出一副碾压之态？


基于深度学习]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉相关的书籍]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52231092</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52231092</guid><author>damifeng2018</author><pubDate>Wed, 17 Aug 2016 15:07:10 +0800</pubDate><description><![CDATA[1. 数学

我们所说的图像处理实际上就是数字图像处理，是把真实世界中的连续三维随机信号投影到传感器的二维平面上，采样并量化后得到二维矩阵。数字图像处理就是二维矩阵的处理，而从二维图像中恢复出三维场景就是计算机视觉的主要任务之一。这里面就涉及到了图像处理所涉及到的三个重要属性：连续性，二维矩阵，随机性。所对应的数学知识是高等数学（微积分），线性代数（矩阵论），概率论和随机过程。这三门课也是考研]]></description><category></category></item><item><title><![CDATA[李飞飞 CS231n]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52229447</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52229447</guid><author>damifeng2018</author><pubDate>Wed, 17 Aug 2016 11:32:58 +0800</pubDate><description><![CDATA[http://vision.stanford.edu/teaching.html










Winter, 2015-2016 (Stanford)

 
CS231n: Convolutional Neural Networks for Visual Recognition



Fall, 2015-2016 (Stanford)

 
CS]]></description><category></category></item><item><title><![CDATA[林轩田老师的《机器学习基石》和《机器学习技法》]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52223084</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52223084</guid><author>damifeng2018</author><pubDate>Tue, 16 Aug 2016 17:14:24 +0800</pubDate><description><![CDATA[https://www.zhihu.com/question/48990491



http://www.csie.ntu.edu.tw/~htlin/mooc/



机器学习技法http://pan.baidu.com/share/link?shareid=3739036543&uk=190071369
机器学习基石
http://pan.baidu.com/share/]]></description><category></category></item><item><title><![CDATA[大牛的《深度学习》笔记，60分钟带你学会Deep Learning]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52176325</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52176325</guid><author>damifeng2018</author><pubDate>Wed, 10 Aug 2016 21:12:39 +0800</pubDate><description><![CDATA[阅面科技





上期：《从特征描述到深度学习：计算机视觉发展20年》

回复“01”回顾全文





本期：大牛的《深度学习》笔记，60分钟带你学会Deep Learning。


深度学习，即Deep Learning,是一种学习算法（Learning algorithm）,亦是人工智能领域的一个重要分支。从快速发展到实际应用，短短几年时间里，深度学习颠覆]]></description><category></category></item><item><title><![CDATA[CNN与常用框架]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52170014</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52170014</guid><author>damifeng2018</author><pubDate>Wed, 10 Aug 2016 11:45:35 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/joycewyj/article/details/51792477



这一节内容比较丰富。主要介绍神经网络的每一个层级结构，理清楚每一层可能影响结果的参数，再介绍CNN的常用框架。


1. 神经网络

1.1 神经网络——是什么？

　　神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式]]></description><category></category></item><item><title><![CDATA[CNN笔记：通俗理解卷积神经网络]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52170001</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52170001</guid><author>damifeng2018</author><pubDate>Wed, 10 Aug 2016 11:44:36 +0800</pubDate><description><![CDATA[通俗理解卷积神经网络（cs231n与5月dl班课程笔记）














1 前言
    2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。
    本博客内写过一些机器学习相关的文章，但上一篇技术文]]></description><category></category></item><item><title><![CDATA[今天看的]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52165122</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52165122</guid><author>damifeng2018</author><pubDate>Tue, 09 Aug 2016 18:16:21 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/bailufeiyan/article/details/50575444
http://blog.youkuaiyun.com/dcxhun3/article/details/52091394

http://www.openu.ac.il/home/hassner/projects/cnn_agegender/

http://www.hankcs.com]]></description><category></category></item><item><title><![CDATA[计算机视觉公司]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52164831</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52164831</guid><author>damifeng2018</author><pubDate>Tue, 09 Aug 2016 17:44:57 +0800</pubDate><description><![CDATA[1.【商汤科技】（SenseTime
 | 商汤科技）
2【格林深瞳】（DeepGlint-在线测试）
3【图森】（ TuSimple
 Cars Recognition）
【图森】提供了在线测试，确实准确率挺高。


4【依图】（依图－成功案例）
【依图】在恶劣天气条件下依然能准确识别：]]></description><category></category></item><item><title><![CDATA[一文读懂卷积神经网络（Convolutional Neural Network，CNN）]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52164146</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52164146</guid><author>damifeng2018</author><pubDate>Tue, 09 Aug 2016 16:50:53 +0800</pubDate><description><![CDATA[先明确一点就是，Deep Learning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的应用。

第一点，在学习Deep learning和CNN之前，总以为它们是很了不得的知识，总以为它们能解决很多问题，学习了之后，才知道它们不过与其他机器学习算法如svm等相似，仍然可以把它当做一个分类器，仍然可以像使用一个黑盒子那样使用它。

第二点，Deep Learning强大的地]]></description><category></category></item><item><title><![CDATA[反向传播神经网络极简入门]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52161543</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52161543</guid><author>damifeng2018</author><pubDate>Tue, 09 Aug 2016 12:03:37 +0800</pubDate><description><![CDATA[我一直在找一份简明的神经网络入门，然而在中文圈里并没有找到。直到我看到了这份162行的Python实现，以及对应的油管视频之后，我才觉得这就是我需要的极简入门资料。这份极简入门笔记不需要突触的图片做装饰，也不需要赘述神经网络的发展历史；要推导有推导，要代码有代码，关键是，它们还对得上。对于欠缺的背景知识，利用斯坦福大学的神经网络wiki进行了补全。

单个神经元

神经网络是多个“神经元”]]></description><category></category></item><item><title><![CDATA[计算机视觉之路]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52152729</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52152729</guid><author>damifeng2018</author><pubDate>Mon, 08 Aug 2016 15:58:03 +0800</pubDate><description><![CDATA[2016年是人工智能发展的第60周年，人工智能已经走了很长一段路，随着AlphaGo的辉煌战绩的出现，又再次引爆了人工智能在各个领域的发展。回顾计算机视觉发展之路，才能让我们踩着历史的积淀，顺应发展的大潮，去探索未来。

一、计算机视觉的认知依据

人类对世界的认知非常简单，我们可以一眼看出一个水果是苹果还是橘子。但是对于机器来说，我们怎么写个程序让机器来分辨苹果和橘子呢。



]]></description><category></category></item><item><title><![CDATA[计算机视觉在安防、交通、机器人、无人车等领域的应用]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52152569</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52152569</guid><author>damifeng2018</author><pubDate>Mon, 08 Aug 2016 15:46:40 +0800</pubDate><description><![CDATA[赵勇关注的领域主要按照它的产业规模和离现实的关系来综合进行考量



三年前，计算机视觉对于绝大部分人来说，都是一个非常陌生的名词。但是三年过去了，今天如果你身在科技互联网圈，如果你偶尔也会参加一些科技行业的大会，相信你一定对此不再陌生。







各大媒体举办的行业大会，其主题和内容的设定反映的基本就是一个行业的发展趋势。从两年前一些敢于创新的大会引入“人工智能”的讨]]></description><category></category></item><item><title><![CDATA[深度学习caffe的代码怎么读？]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52151332</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52151332</guid><author>damifeng2018</author><pubDate>Mon, 08 Aug 2016 14:05:35 +0800</pubDate><description><![CDATA[1. 初识Caffe
1.1. Caffe相对与其他DL框架的优点和缺点：
优点：

速度快。Google Protocol Buffer数据标准为Caffe提升了效率。学术论文采用此模型较多。不确定是不是最多，但接触到的不少论文都与Caffe有关（R-CNN，DSN，最近还有人用Caffe实现LSTM）
缺点：

曾更新过重要函数接口。有人反映，偶尔会出现接口变换的情况，自己很久前]]></description><category></category></item><item><title><![CDATA[如何快速入门深度学习]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52130165</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52130165</guid><author>damifeng2018</author><pubDate>Fri, 05 Aug 2016 16:09:53 +0800</pubDate><description><![CDATA[如何快速入门深度学习

深度学习入门必备基础避开常见误区学习路线图干货分享

深度学习必备基础

深度学习发展至今已然有几个年头了，上个世纪九十年代的美国银行率先使用深度学习技术做为手写字体识别，但深度学习的惊艳登场并没有留住它一时的辉煌， 直到2012年深度学习这个领域才开始渐入人们的眼帘。可以说我们现在拥有着绝佳的学习机会，世界顶级的会的议论文，各大数据库公开的数据源以及开源的力量]]></description><category></category></item><item><title><![CDATA[实时SLAM的未来及深度学习与SLAM对比]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52121598</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52121598</guid><author>damifeng2018</author><pubDate>Thu, 04 Aug 2016 18:06:50 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/gobitan/article/details/51872675




第一部分：为什么SLAM重要

vSALM(Visual SLAM)能够在跟踪摄像机(用于AR的手持或者头盔，或者装备在机器人上)位置和方位的同时构建三维地图. SLAM算法与ConvNets和深度学习是互补的。SLAM关注几何问题，而深度学习主要关注识别问题。如果你想]]></description><category></category></item><item><title><![CDATA[SLAM资源收集]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52121587</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52121587</guid><author>damifeng2018</author><pubDate>Thu, 04 Aug 2016 18:05:50 +0800</pubDate><description><![CDATA[http://www.voidcn.com/blog/scliu12345/article/p-5694464.html





SLAM课程：

1、http://ais.informatik.uni-freiburg.de/teaching/ws15/mapping/  （https://www.youtube.com/watch?v=U6vr3iNrwRA&index=1&]]></description><category></category></item><item><title><![CDATA[SLAM的前世今生 终于有人说清楚了]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52121388</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52121388</guid><author>damifeng2018</author><pubDate>Thu, 04 Aug 2016 17:45:46 +0800</pubDate><description><![CDATA[张一茗。速感科技CTO。毕业于北京航空航天大学，师从中国惯性技术领域的著名专家冯培德院士，多年组合导航定位系统研究经验。热爱技术和研发，摘得过许多诸如Intel iot创客马拉松、清华创客马拉松等创客比赛第一名。速感科技经过多年历练，发展出一套以视觉SLAM为核心，集探索、导航、定位、避障、路径规划为一体的成熟化机器人无源导航算法。SLAM作为一种基础技术，从最早的军事用途（核潜艇海底定位就有了SL]]></description><category></category></item><item><title><![CDATA[ROS navigation stack]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52119932</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52119932</guid><author>damifeng2018</author><pubDate>Thu, 04 Aug 2016 15:49:04 +0800</pubDate><description><![CDATA[ROS 教程之 navigation ： 用 move_base 控制自己的机器人(1) 
 ROS 教程之 navigation ： 用 move_base 控制自己的机器人(2) 
对Navigation基础的了解]]></description><category></category></item><item><title><![CDATA[机器人听觉要考虑的噪声消除]]></title><link>https://blog.youkuaiyun.com/damifeng2018/article/details/52116873</link><guid>https://blog.youkuaiyun.com/damifeng2018/article/details/52116873</guid><author>damifeng2018</author><pubDate>Thu, 04 Aug 2016 10:35:13 +0800</pubDate><description><![CDATA[1.  回声抵消

当机器人说活时，声音会同时传送给其耳朵，影响对目标声音拾取。

2. 自噪声抑制

当机器人运动时，自身电机的噪声会传送给其耳朵，影响对目标声音的拾取

方法是采集自噪声数据，训练成字典。在应用中对照字典，消除自噪声成分。

3. 语音增强

单通道语音增强

多通道语音增强   --- 传声器阵列, MIC阵列

讯飞麦克风阵列　http://]]></description><category></category></item></channel></rss>