Jake_cai的博客

刚刚开始接触机器学习，自学了一些初级的算法，很多理解还是皮毛之谈，写出来只是作为自己学习的一个记录。不喜勿喷。转载自：http://blog.youkuaiyun.com/v_july_v/article/details/7624837。点击打开链接第一层、了解SVM    支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分

1.Meanshift介绍Mean shift主要用在图像平滑和图像分割（那个跟踪我现在还不清楚），先介绍一下平滑的原理： 输入是一个5维的空间，2维的（x，y）地理坐标，3维的（L，u，v）的颜色空间坐标，当然你原理也可以改写成rgb色彩空间或者是纹理特征空间。 先介绍一下核函数，有uniform的，也有高斯的核函数，不管是哪个的，其基本思想如下：简单的平滑算法用一个模板

非常全面的计算机视觉和机器学习相关的开源项目工程。一、特征提取FeatureExtraction：·        SIFT [1] [Demo program][SIFTLibrary] [VLFeat]·        PCA-SIFT [2] [Project]·        Affine-SIFT [3] [Project]·        SURF [4

什么是机器学习 （Machine Learning）      机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习的大致分类：1）分类（模式识别）：要求系统依据已知的分类知识对输入的未知模式（该模式的描述）作分析，以确定

TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生在其攻读博士学位期间提出的一种新的单目标长时间（long term tracking）跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时，通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目

一、算法概述1、kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。这种方式有一个明显的缺点，那就是很可能无法找到完全匹配的训练记录。kNN算法则是从训练集中找

在研究TLD算法时，里面用到了一个最近邻分类器，作为KNN的一个特例（k=1），首先还是理解一下KNN算法。其实思想非常朴素，可以用：“近朱者赤，近墨者黑” 来理解。废话少说，接着看。1 KNN概述K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻

最近在研究TLD算法，在做目标检测的时候，用到了随机森林的组合分类器。话说现在的检测问题可以归结为分类问题，丰富了解决问题的手段。废话少说，接着看。1.随机森林原理介绍随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由Leo Breiman和Adele Cutler提出，并被注册成了商标。简单来说，随机森林就是由多棵CART（Classification A