jcjx0315的博客

一、特征提取Feature Extraction：•SIFT 1 [Demo program][SIFT Library] [VLFeat] •PCA-SIFT [2] [Project] •Affine-SIFT [3] [Project] •SURF [4] [OpenSURF] [Matlab Wrapper] •Affine Covariant Features [5] [Oxfor

SVM -支持向量机原理与实践之实践篇前言最近太忙，这几天还是抽空完成实践篇，毕竟所有理论都是为实践服务的，上一篇花了很大篇幅从小白的角度详细的分析了SVM支持向量积的原理，当然还有很多内容没有涉及到，例如支持向量回归，不敏感损失函数等内容，但是也不妨碍我们用支持向量机去实现一个分类系统，因为有了对前面说讲述知识的一定的了解，就可以很好的为我们这一篇的实践内容服务。实验内容和目标下

Dlib+OpenCV深度学习人脸识别 前言人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上，这个识别率确实非常高了，但是真实的环境中的准确率有多少呢？我没有这方面的数据，但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能，但是我们可以仔细

如何优化深度神经网络  网络越深越容易过拟合？假设训练两个层数不一样的神经网络，一个层数较少（例如20层），一个层数较多（50层），在测试集中我们发现： 测试集上的效果显示20层要56层的错误率要更低，但是我们不能就先入为主的断定56层是由于参数太多导致过拟合，所以在测试集上表现要比20层神经网络要差。其实我们应该首先看看它们在训练集上的表现： 上图我们看到在训

Triplet Loss及其梯度  Triplet Loss简介我这里将Triplet Loss翻译为三元组损失，其中的三元也就是如下图的Anchor、Negative、Positive，如下图所示通过Triplet Loss的学习后使得Positive元和Anchor元之间的距离最小，而和Negative之间距离最大。其中Anchor为训练数据集中随机选取的一个样本，Positive

Dlib构建神经网络 构建简单的LeNet CNN定义LeNet概况的说，网络的定义包括3个部分。损失层，一堆计算层，然后是输入层，你在下面的网络定义中可以看到这些组件。输入层这里所说的输入层，是网络期望被赋予matrix矩阵对象作为输入。通常，在这里你可以用dlib 图像或是矩阵类型，说是甚至是用定制输入层定义你自己的类型。中间层中间层定义了网络将做的运算来转换输

深度学习基本模型浅析前言台湾李宏毅的深度学习课程说实话讲得还是比较不错的，有需要的话还是比较推荐学习，这篇也是基于它的深度学习基本结构的讲解的总结。 深度学习的三个步骤深度学习首先是我们要构建一个网络，这个网络也就是我们所说的深度学习神经网络模型。深度学习一般可以归纳为下图所示的3个步骤： 第一个步骤, 神经网络模型是一个有简单函数组成的复杂的函数，通常我们设计一个神经

TensorFlow安装及实例-(Ubuntu16.04.1 & Anaconda3)Python-pip 和python-devPip是python的默认包管理器，直接用pip安装TensorFlow，安装这两个包命令：apt-get install python-pip python-dev python-virtualenv可以virtualenv 创建一个隔离的容器, 来安

现在关于人脸识别的SDK其实有很多，诸如face++、百度大脑之类的，他们都能为开发者免费提供人脸识别的接口。阿里也和face++合作，实现了支付宝的刷脸支付。但是很遗憾，网上关于识别一段视频中的用户行为（诸如摇摇头，眨眨眼，微笑）的资料很少，可能是技术没有公开，所以只能自己去想解决方法了。本人最近在做一个关于微信小程序的毕业设计，所以想到了把这两个技术结合下，这里写篇博客，为大家解解惑吧

【来源】本文经作者“Owl of Minerva”授权转载【链接】https://zhuanlan.zhihu.com/HicRhodushicsalta1初期预测和介绍现阶段，人脸识别是人工智能领域最炙手可热的话题之一。Google和Facebook，以及国内一些创业公司都投入重金在该领域进行研发，并且有相当多的商业应用。随着Dee

SVM -支持向量机原理详解与实践之三 3.9 核函数(Kernels)与核技巧什么是核什么是核，核其实就是一种特殊的函数，更确切的说是核技巧（Kernel trick），清楚的明白这一点很重要。为什么说是核技巧呢？回顾到我们的对偶问题：  映射到特征空间后约束条件不变，则为：

今天学习了openCV的三个例子，分别是图像腐蚀，图像模糊，还有图像边缘检测，三个例子分别用了openCV提供的相关运算函数，实现基本形态学运算。首先第一个例子是 - 图像腐蚀，腐蚀和膨胀是图像形态学处理的最基本操作。膨胀是指将一些图像或是图像中的一部分区域，我们称之为A的区域与核- 我们称之为B的区域进行卷积。膨胀用于求局部的最大值。腐蚀则是膨胀的反操作，腐蚀操作要计算区

1.       安装与配置http://opencv.org/downloads.html下载windows VERSION2.4.9版本，此版本配合vs2010 - 因为最新版本VERSION2.4.13环境变量设置的地方没有VC10，而我的电脑中只安装了vs2010。 设置环境变量：D:\Program Files(x86)\opencv\build\x64\vc10\bin；

从机器学习谈起　　在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。　　在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅

基于机器学习的方法做OCR识别详见我其他博客：http://blog.youkuaiyun.com/zhubenfulovepoem/article/details/51165887 Abstract 2一 引言：... 3二 字符图像获取：... 3三 字符预处理... 43.2 字符区域………………………………………………………………………….43.2 字符区域分割

【原文：http://blog.youkuaiyun.com/raby_gyl/article/details/11617875】书名：《Mastering OpenCV with Practical Computer Vision Projects》由于添加了一个*号，显示乱码，不晓得怎么回事，为了不耽误大家看可以下载word版本的翻译：http://download.c

SVM -支持向量机原理详解与实践 前言去年由于工作项目的需要实际运用到了SVM和ANN算法,也就是支持向量机和人工神经网络算法，主要是实现项目中的实时采集图片（工业高速摄像头采集）的图像识别的这一部分功能，虽然几经波折，但是还好最终还算顺利完成了项目的任务，忙碌一年，趁着放假有时间好好整理并总结一下，本文的内容包括：前面的部分是对支持向量机原理的分析，后半部分主要直接上手的一些实践

SVM -支持向量机原理详解与实践之二  SVM原理分析以下内容接上篇。拉格朗日对偶性（Largrange duality）深入分析前面提到了支持向量机的凸优化问题中拉格朗日对偶性的重要性。因为通过应用拉格朗日对偶性我们可以寻找到最优超平面的二次最优化，所以以下可以将寻找最优超平面二次最优化（原问题），总结为以下几个步骤：在原始权重空间的带约束的优化问题。（注

SVM -支持向量机原理详解与实践之四 前言去年由于工作项目的需要实际运用到了SVM和ANN算法,也就是支持向量机和人工神经网络算法，主要是实现项目中的实时采集图片（工业高速摄像头采集）的图像识别的这一部分功能，虽然几经波折，但是还好最终还算顺利完成了项目的任务，忙碌一年，趁着放假有时间好好整理并总结一下，本文的内容包括：前面的部分是对支持向量机原理的分析，后半部分主要直接上手的一些

本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领军人物Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。作者在github上给出了基于matlab和python的源码。对Region CNN算法不了解的同学，请先参看这两篇文章：《RCNN算法详解》，《fa...