Hansry的博客

1.卸载teamviewersudo apt --purge remove teamviewer2.改变电脑enp4s0f1sudo ifconfig enp4s0f1 downsudo ifconfig enp4s0f1 hw ether 2c:2d:a1:c7:4e:3dsudo ifconfig enp4s0f1 up3.重装teamviewersudo dpkg -i t...

一. Introduction几何上的线索 (Geometrical cues)是最靠谱的一种方式来估计一个物体的身份。毕竟而言，我们可以从一张黑色或白色的图片中来识别出里面的椅子，不需要任何的颜色和纹理。然而这种方法并不经常适用。在自然界中有很多的例子表明通过颜色可以很好的确定物体的种类，如水果(Fruits)，矿物质(Minerals)等等。在我们的文明中，具有特色的颜色经常被用来当做商标...

今天我在OpenCV找一些鲁棒/快速的方式来进行手的跟踪。刚开始我将注意力放在了分类器上面，诸如：Haar cascade、Convolutional Neural Networks、SVM 等等。但是不幸的是这些方法有俩个主要的问题是：滑动窗口（sliding window）和 数据集 （dataset）。为了分类图像中的一部分，经常会用到一个常用的方法那就是sliding windo...

一.工作原理前提：存在一个样本数据集合，也称为训练样本集，并且每个样本集每个数据都贴有标签，即我们知道样本集中的每一个数据与其所属分类的对应关系。实现过程：输入没有标签的新数据后，将新数据的每个特征与样本集数据中数据对应特征（这里的特征具体指什么？距离？）进行比较，然后算法提取样本集中特征最相似数据的分类标签。一般来说，我们会选择样本集数据其中前k个最相似的数据，通常k是不大于20的整数。输入输出：

一.创建分支的伪代码函数createBranch()如下所示：If so return 类标签：Else 寻找划分数据集的最好特征 创分数据集 创建分支节点 for 每个划分的子集 调用函数createBranch（）并增加返回结果到分支节点中 return 分支节点**其实createBranch是一个递归函数，在倒数第

在概率论和统计学中，拉普拉斯是一种连续概率分布。由于它可以看做是俩个不同位置的指数分布背靠背拼在一起，所以它也叫做双指数分布。如果随机变量的概率密度函数分布为：那么他就是拉普拉斯分布。u为位置参数，b>0是尺度参数。与正态分布相比，正态分布是用相对于u平均值的差的平方来表示，而拉普拉斯概率密度用相对于差的绝对值来表示。因此，拉普拉斯的尾部比正态分布更加平坦。用matlab给出拉普拉斯分布的绘图：

1.优化指的是改变x以最小化或最大化的某个函数f(x)的任务我们通常以最小化f(x)指代大多数最优化问题。最大化可经由最小化算法 -f(x) 来实现。我们希望最小化或最大化的函数叫目标函数，当我们对其进行最小化的时候，也叫作代价函数或损失函数或误差函数。我们经常使用一个上标*表示最小化或最大化函数的x值: , 我们通过改变x的值来最小化或者最大化函数f(x)的值。 2. 微积分概念如何于优化联系呢？

1.上溢和下溢计算稳定性特指模型运算性能的鲁棒性，举个栗子，如果我们让整数型的变量来存储一个浮点型变量，那么我们会损失精度。溢出是代表内容超过了容器的极限。在机器学习中，因为我们大量的使用概率，而概率往往是在0和1之间，导致了下溢发生的可能性大大提高。举个栗子，我们常常需要将多个概率相乘，假设每个概率 ，则P=像这种情况下，计算机无法分辨是0和一个极小数之间的区别。在这种情况下，下溢可能导致模型直接

1.前言几乎所有的活动都需要能够在不确定性存在时进行推理，除了数学的定理外，很难确定某个命题是真的。 不确定性有三种可能： 1.被建模系统内在的随机性。亚原子粒子的动力学描述为概率性的。 2.不完全检测。不能观测到所有驱动系统行为的变量，从三张图片中选择指定的图片，结果不确定。 3.不完全建模。当我们必须舍弃某些观测信息模型时，舍弃的信息会导致模型的预测出现不确定性。机器人轨迹，当我们离散化