<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fengye2two的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fengye2two</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fengye2two]]></copyright><item><title><![CDATA[3D human pose estimation in video with temporal convolutions and semi-supervised training]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/103831133</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/103831133</guid><author>fengye2two</author><pubDate>Sat, 04 Jan 2020 11:56:11 +0800</pubDate><description><![CDATA[一、简介
本文是CVPR2019的文章，预测视频中的三维人体姿态，主要是通过时域上的卷积，将2D人体姿态点提升为3D人体姿态点。该方法具有通用性，可兼容多种2D人体姿态点预测方法，如Mask R-CNN、cascaded pyramid network (CPN) 、AlphaPose、OpenPose等等。
二、效果图


Git地址 https://github.com/facebookres...]]></description><category></category></item><item><title><![CDATA[交叉熵、KL散度、极大似然和对数似然]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/89395813</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/89395813</guid><author>fengye2two</author><pubDate>Fri, 19 Apr 2019 11:09:57 +0800</pubDate><description><![CDATA[前言：
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 本文整理自https://www.cnblogs.com/silent-stranger/p/7987708.html，感谢MaHaLo的渊博知识。
1.介绍：
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 当我们开发一个分类模型的时候，我们的目标是把输入映射到预测的概率上，当我们训练模型的时候就不停地调整参数使...]]></description><category></category></item><item><title><![CDATA[HOG与DPM原理]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/88546971</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/88546971</guid><author>fengye2two</author><pubDate>Thu, 14 Mar 2019 10:19:03 +0800</pubDate><description><![CDATA[感谢watersink的渊博知识，本文合并自：
(1)https://blog.youkuaiyun.com/qq_14845119/article/details/52187774
(2)https://blog.youkuaiyun.com/qq_14845119/article/details/52625426
HOG：


写在前面的话
&amp;nbsp; &amp;nbsp; &amp;nbsp; &amp;nbsp;HOG绝对说的是行人检...]]></description><category></category></item><item><title><![CDATA[caffe im2col 详解]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/86623099</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/86623099</guid><author>fengye2two</author><pubDate>Thu, 24 Jan 2019 11:11:18 +0800</pubDate><description><![CDATA[感谢Tiger-Gao的渊博知识，本文转自https://blog.youkuaiyun.com/mrhiuser/article/details/52672824。
本文讲解的是caffe中卷积过程，众所周知caffe中卷积采用的是im2col和sgemm的方式。网上已经有很多的im2col的讲解。原本不打算写这篇文章（在此不得不吐槽下，网上有不少的讲解caffe im2col的过程的文章多是错的。一些文章...]]></description><category></category></item><item><title><![CDATA[cv::imwrite保存图像灰度值发生变化]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/86622846</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/86622846</guid><author>fengye2two</author><pubDate>Thu, 24 Jan 2019 11:03:16 +0800</pubDate><description><![CDATA[
现象
imwrite是一个很简单的函数，不过最近使用时发现如果保存为.jpg格式会影响灰度值，而保存为bmp格式灰度值不会发生变化。
原因
bmp格式的图片是不带任何压缩，而有些图片格式是自带压缩的，比如jpg格式，因此图像的灰度值发生变化。
测试代码
#include &amp;amp;lt;opencv2/highgui/highgui.hpp&amp;amp;gt;
#include &amp;amp;lt;opencv2/imgpro...]]></description><category></category></item><item><title><![CDATA[windows、visual studio 2015上编译Caffe2]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/86233472</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/86233472</guid><author>fengye2two</author><pubDate>Thu, 10 Jan 2019 15:01:03 +0800</pubDate><description><![CDATA[windows、visual studio 2015上编译Caffe2一、软件准备二、CMD窗口安装模块三、增加/修改环境变量四、修改build_host_protoc.bat五、修改build_windows.bat六、修改Cuda.cmake七、CMD窗口编译八、VS编译九、拷贝十、运行MNIST.PY检验
一、软件准备

Windows 10 64位；
Visual studio 2015 ...]]></description><category></category></item><item><title><![CDATA[查看本机CPU支持的SIMD指令集]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/85251951</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/85251951</guid><author>fengye2two</author><pubDate>Tue, 25 Dec 2018 17:57:51 +0800</pubDate><description><![CDATA[
// InstructionSet.cpp 
// Compile by using: cl /EHsc /W4 InstructionSet.cpp
// processor: x86, x64
// Uses the __cpuid intrinsic to get information about 
// CPU extended instruction set support.
 
#...]]></description><category></category></item><item><title><![CDATA[No module named caffe.proto或No module named caffe2.proto或No module named caffe2.python]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/85102553</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/85102553</guid><author>fengye2two</author><pubDate>Wed, 19 Dec 2018 17:43:30 +0800</pubDate><description><![CDATA[安装完caffe2后，使用python调用C++程序，出现如标题所示错误。

环境：windows10，visual studio 2015

 

原因分析：

tips:我编译后的caffe2位于D:\projects\caffe2\build文件夹。

 

Import Error : No module named caffe.proto 原因是 caffe.proto模块的路径不正确，...]]></description><category></category></item><item><title><![CDATA[openmp在多重循环内的简单使用及其详解]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/83617508</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/83617508</guid><author>fengye2two</author><pubDate>Thu, 01 Nov 2018 11:28:23 +0800</pubDate><description><![CDATA[感谢AllyLi0022，本文转自https://blog.youkuaiyun.com/allyli0022/article/details/52702466




// File: PrivateTest.cpp : 定义控制台应用程序的入口点。
#include&amp;lt;omp.h&amp;gt;
#include&amp;lt;iostream&amp;gt;
 
using namespace std;
//private...]]></description><category></category></item><item><title><![CDATA[图像矩]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/79113395</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/79113395</guid><author>fengye2two</author><pubDate>Mon, 22 Oct 2018 17:41:27 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/ronny/p/3985810.html

1. 矩的概念

图像识别的一个核心问题是图像的特征提取，简单描述即为用一组简单的数据（图像描述量）来描述整个图像，这组数据越简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰。图像识别发展几十年，不断有新的特征提出，而图像不变矩就是其中一个。

矩是概率与统计中的一个概念，是随机变量的一种数字特...]]></description><category></category></item><item><title><![CDATA[【CUDA】grid、block、thread的关系及thread索引的计算]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/83271904</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/83271904</guid><author>fengye2two</author><pubDate>Mon, 22 Oct 2018 13:57:37 +0800</pubDate><description><![CDATA[本文转自hujingshuan：https://blog.youkuaiyun.com/hujingshuang/article/details/53097222

由于项目需要用到GPU，所以最近开始学习CUDA编程模型，刚开始接触，先搞清楚线程关系和内存模型是非常重要的，但是发现书上和许多博客关于线程这些关系没讲明白，所以就着自己的理解，做点笔记，欢迎讨论。

        这篇文章针对于已经了解过了C...]]></description><category></category></item><item><title><![CDATA[图像旋转算法]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/83148607</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/83148607</guid><author>fengye2two</author><pubDate>Thu, 18 Oct 2018 16:31:10 +0800</pubDate><description><![CDATA[ 









 

有了上述的变换矩阵后，首先计算出旋转后新图像的宽度和高度：

w1=w*abs(cos(a))+h*sin(a)

h1=w*sin(a)+h*abs(cos(a))

然后对新图像的每个像素，按行、列进行遍历，找到对应的原图像中的像素

for（int x2=0; x2&amp;lt;w1; x2++){

    for(int y2=0;y2&amp;lt;h1;y2++){

...]]></description><category></category></item><item><title><![CDATA[LBP特征向量]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/83023885</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/83023885</guid><author>fengye2two</author><pubDate>Fri, 12 Oct 2018 11:11:00 +0800</pubDate><description><![CDATA[首先感谢以下二位的渊博知识：

（1）贺二公子：  https://blog.youkuaiyun.com/heli200482128/article/details/79204008

（2）莫小： https://www.cnblogs.com/nsnow/p/4461998.html













...]]></description><category></category></item><item><title><![CDATA[WinEdt 10 破解及环境变量配置]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/82964443</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/82964443</guid><author>fengye2two</author><pubDate>Mon, 08 Oct 2018 10:25:15 +0800</pubDate><description><![CDATA[latex是非常强大的文档排版语言，特别是对于科技工作者来说。常用的latex编辑软件是winedt，也是CTEX安装包默认提供的latex编辑环境。但是winedt不是免费的，默认只能使用30天。这里提供一种不需要序列号的方法，即可实现无限期的免费试用，试用各种winedt版本。原理是让winedt每次退出时执行运行一段代码，修改注册表信息，使试用天数永远为1，因此永远不超过30天，从而达到无限...]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——Apriori算法]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81612993</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81612993</guid><author>fengye2two</author><pubDate>Mon, 13 Aug 2018 00:07:00 +0800</pubDate><description><![CDATA[首先感谢“白马负金羁”的渊博知识，本文转自https://blog.youkuaiyun.com/baimafujinji/article/details/53456931。





 





]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——支持向量机SVM（五）：线性支持回归]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81603366</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81603366</guid><author>fengye2two</author><pubDate>Sun, 12 Aug 2018 09:05:04 +0800</pubDate><description><![CDATA[首先感谢“刘建平pinard”的渊博知识以及文中详细准确的推导！！！

本文转自“刘建平pinard”，原网址为：http://www.cnblogs.com/pinard/p/6113120.html。

支持向量机原理SVM系列文章共分为5部分：

（一）线性支持向量机

（二）线性支持向量机的软间隔最大化模型

（三）线性不可分支持向量机与核函数

（四）SMO算法原理

（五）线性支持回归...]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——支持向量机SVM（四）：SMO算法原理]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81603343</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81603343</guid><author>fengye2two</author><pubDate>Sun, 12 Aug 2018 08:59:57 +0800</pubDate><description><![CDATA[首先感谢“刘建平pinard”的渊博知识以及文中详细准确的推导！！！

本文转自“刘建平pinard”，原网址为：http://www.cnblogs.com/pinard/p/6111471.html。

支持向量机原理SVM系列文章共分为5部分：

（一）线性支持向量机

（二）线性支持向量机的软间隔最大化模型

（三）线性不可分支持向量机与核函数

（四）SMO算法原理

（五）线性支持回归...]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——支持向量机SVM（三）：线性不可分支持向量机与核函数]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81603329</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81603329</guid><author>fengye2two</author><pubDate>Sun, 12 Aug 2018 08:56:37 +0800</pubDate><description><![CDATA[首先感谢“刘建平pinard”的渊博知识以及文中详细准确的推导！！！

本文转自“刘建平pinard”，原网址为：http://www.cnblogs.com/pinard/p/6103615.html。

支持向量机原理SVM系列文章共分为5部分：

（一）线性支持向量机

（二）线性支持向量机的软间隔最大化模型

（三）线性不可分支持向量机与核函数

（四）SMO算法原理

（五）线性支持回归...]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——支持向量机SVM（二）：线性支持向量机的软间隔最大化模型]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81603311</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81603311</guid><author>fengye2two</author><pubDate>Sun, 12 Aug 2018 08:53:22 +0800</pubDate><description><![CDATA[首先感谢“刘建平pinard”的渊博知识以及文中详细准确的推导！！！

本文转自“刘建平pinard”，原网址为：http://www.cnblogs.com/pinard/p/6100722.html。

支持向量机原理SVM系列文章共分为5部分：

（一）线性支持向量机

（二）线性支持向量机的软间隔最大化模型

（三）线性不可分支持向量机与核函数

（四）SMO算法原理

（五）线性支持回归...]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法——支持向量机SVM（一）：线性支持向量机]]></title><link>https://blog.youkuaiyun.com/fengye2two/article/details/81603276</link><guid>https://blog.youkuaiyun.com/fengye2two/article/details/81603276</guid><author>fengye2two</author><pubDate>Sun, 12 Aug 2018 08:45:44 +0800</pubDate><description><![CDATA[首先感谢“刘建平pinard”的渊博知识以及文中详细准确的推导！！！

本文转自“刘建平pinard”，原网址为：http://www.cnblogs.com/pinard/p/6097604.html。

支持向量机原理SVM系列文章共分为5部分：

（一）线性支持向量机

（二）线性支持向量机的软间隔最大化模型

（三）线性不可分支持向量机与核函数

（四）SMO算法原理

（五）线性支持回归...]]></description><category></category></item></channel></rss>