<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CHEN的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/kai940325</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kai940325]]></copyright><item><title><![CDATA["Minimum Barrier Salient Object Detection At 80 FPS"，基于OpenCV的C++重写]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/53453117</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/53453117</guid><author>kai940325</author><pubDate>Sun, 04 Dec 2016 10:43:42 +0800</pubDate><description><![CDATA[整理代码发现的，16年四月写的，根据论文中的matlab代码，基于OpenCV在c++下重写的，已开源
github：https://github.com/coderSkyChen/MBS_Cplus_c-
等忙完考试，整理一下，详细介绍一下。]]></description><category></category></item><item><title><![CDATA[SVM的两点疑问与分析]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/52650064</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/52650064</guid><author>kai940325</author><pubDate>Sat, 24 Sep 2016 14:01:43 +0800</pubDate><description><![CDATA[１为什么感知机迭代算法能进行学习；２求目标函数的对偶形式时的系数问题。]]></description><category></category></item><item><title><![CDATA[将hexo部署在github中--备忘]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/52576594</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/52576594</guid><author>kai940325</author><pubDate>Sun, 18 Sep 2016 18:06:14 +0800</pubDate><description><![CDATA[将hexo部署到github上的一些需要注意的地方，写到这里以备忘。]]></description><category></category></item><item><title><![CDATA[6.2.2.3softmax输出单元与多项分布]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/52557433</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/52557433</guid><author>kai940325</author><pubDate>Fri, 16 Sep 2016 20:41:38 +0800</pubDate><description><![CDATA[从神经科学的角度来看是很有意思的，我们可以认为softmax函数为输出单元创建了一种竞争模式：由于softmax的输出值之和为1，因此，如果有一个输出单元的值增大了，那么其他所有单元的值都将会受到抑制！而这与生物皮质神经元之间的侧向抑制现象不谋而合啊！在极端的条件下，这就会演化为一种胜者通吃的模式！(winner-take-all)]]></description><category></category></item><item><title><![CDATA[《Deep Learning》译文 第六章 深度前馈网络 从异或函数说起]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/51897479</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/51897479</guid><author>kai940325</author><pubDate>Wed, 13 Jul 2016 14:21:01 +0800</pubDate><description><![CDATA[6.1 从异或函数说起
 
           为了使前馈网络的概念更具体化，我们先从一个简单地例子说起，这个例子中，我们使用前馈网络解决一个简单的任务：学习异或函数。
 
           众所周知，异或(XOR)操作是一种针对二进制值的二目操作符。当两个操作数不同时返回1，其他返回0.异或函数为我们提供了我们想要学习到的目标函数y=f*(x)，而我们的模型提供了函数y=f(x;θ]]></description><category></category></item><item><title><![CDATA[《Deep Learning》译文 第六章 深度前馈网络 前言]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/51866290</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/51866290</guid><author>kai940325</author><pubDate>Sat, 09 Jul 2016 13:09:16 +0800</pubDate><description><![CDATA[第六章    深度前馈网络
 
 深度前馈网络，也常常被叫做前馈神经网络，或者多层感知机(MLPs),是经典的深度学习模型。前馈网络的主要目标是逼近某个函数f*。比如说，对于一个分类器，y=f*(x)将输入x映射到其对应的类别y。一个前馈网络定义了一个映射函数y=f(x;θ)，通过学习参数θ，得到最接近样本数据的函数估计。


这类模型之所以被称为“前馈”是因为信息由x流入估计的函数，随]]></description><category></category></item><item><title><![CDATA[《Deep Learning》译文 第一章 前言(下)  神经网络的变迁与称谓的更迭]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/51282449</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/51282449</guid><author>kai940325</author><pubDate>Fri, 29 Apr 2016 16:15:56 +0800</pubDate><description><![CDATA[1.2.2不断增大的数据库
 
        人们可能会有这样的疑问，既然第一个人工神经网络的实验早在20世纪50年代就被实施了，为什么只是在最近深度学习才被视为一个重要的技术呢？这是因为虽然深度学习从20世纪90年代开始被成功地应用在商业中，但是人们更倾向于将其视为一种艺术而不是一门技术，而且是一种被少数专家掌握的艺术品。好的技巧往往可以使深度学习算法产生好的结果，然而，幸运的是，随着训练]]></description><category></category></item><item><title><![CDATA[《Deep Learning》译文 第一章 前言(中) 神经网络的变迁与称谓的更迭]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/51174276</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/51174276</guid><author>kai940325</author><pubDate>Sun, 17 Apr 2016 20:27:46 +0800</pubDate><description><![CDATA[第一章
前言(中)

1.1 本书适合哪些人阅读？

         可以说本书的受众目标比较广泛，但是本书可能更适合于如下的两类人群，一类是学习过与机器学习课程相关的大学生们(本科生或者研究生)，这包括了那些刚刚开始深度学习和AI研究的同学们；另一类是有机器学习或统计学背景的，想快速将深度学习应用在其产品或平台中的软件开发者们。深度学习早已被证实可以在许多软件应用中发挥光和热，比如：]]></description><category></category></item><item><title><![CDATA[《Deep Learning》译文 第一章 前言  (上)]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/51150903</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/51150903</guid><author>kai940325</author><pubDate>Thu, 14 Apr 2016 20:22:36 +0800</pubDate><description><![CDATA[由谷歌大脑团队科学家Ian Goodfellow,Yoshua Bengio and Aaron Courville撰写的《Deep Learning》已经发布（官网传送门），目前尚未出版，仅以html的形式挂在了网站上。
之前主要是通过少量论文，Andrew NG的视频和一些博客去了解深度学习的，因此对于机器学习或深度学习的认识比较零散，鉴于以后可能还得靠这些东西吃饭，所以需要借助《De]]></description><category></category></item><item><title><![CDATA[基于暗通道去雾算法的实现与优化（三）优化策略]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/50484650</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/50484650</guid><author>kai940325</author><pubDate>Fri, 08 Jan 2016 19:28:32 +0800</pubDate><description><![CDATA[一 原论文方法的局限性
谈到优化，我们首先需要了解原论文的方法有何局限，在实际编码测试中我发现了以下的三点局限：
1.太过耗时 
在上一篇中，在透射图的精细化（refine）中原论文使用的是softmatting方法，而我编码使用的是引导滤波，一是因为softmatting我看不太懂，二是因为softmatting实在是太耗时间了，而引导滤波的时间复杂度是常数并且其效果不比softmatti]]></description><category></category></item><item><title><![CDATA[基于暗通道去雾算法的实现与优化（二）opencv在pc上的实现]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/50266083</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/50266083</guid><author>kai940325</author><pubDate>Fri, 11 Dec 2015 18:00:07 +0800</pubDate><description><![CDATA[上一篇中，学习了何的论文中的去雾方法，这一篇中，我按照何的论文思路借助opencv 2.4.10 进行了实现，效果的确很好，就是耗时太多了，效果见下图：蓝色圆圈代表大气光值的取值点。




突然发现上一篇中忘了介绍大气光值A的求解了，论文中是这样做的：
1.首先取暗通道图中最亮的千分之一的像素点。
2.根据这些像素点的位置在原图中搜索一个最亮的点，这个点的强度（intensity）]]></description><category></category></item><item><title><![CDATA[基于暗通道去雾算法的实现与优化（一）]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/50263793</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/50263793</guid><author>kai940325</author><pubDate>Fri, 11 Dec 2015 16:31:42 +0800</pubDate><description><![CDATA[经过老师推荐，拜读了何恺明博士的暗通道去雾论文《Single Image Haze Removal Using Dark Channel Prior》，这是何发表的第一篇论文，令人惊艳的是该论文一举获得了2009年CVPR的Best Paper奖，三个审稿人都给了何最高分！何的这篇论文以简单，效果近乎完美而出名，主要问题是比较费时，后续有很多人提出了加速的改进，把时间控制在了ms级，从而实现视频去]]></description><category></category></item><item><title><![CDATA[视频转码之OSMF框架下的.f4f转化为.flv]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/50187245</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/50187245</guid><author>kai940325</author><pubDate>Sat, 05 Dec 2015 18:18:43 +0800</pubDate><description><![CDATA[OSMF框架：
即为开源多媒体框架（open source media frame），据老师介绍，它的一个好处就是可以在视频文件的头部预留一个区域，这个区域是使用者可以“私人定制”的，所以增强了对视频的控制，更加灵活；
下面介绍.f4f和.flv的格式：
flv的格式图解如下：





f4f的格式图解如下：







注：在f4f格式中，有固定的四个字节表]]></description><category></category></item><item><title><![CDATA[Mat转换成IplImage类型]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43951039</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43951039</guid><author>kai940325</author><pubDate>Thu, 26 Feb 2015 10:43:04 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/lichengyu/article/details/24272349
Mat 类有一个IplImage()运算符成员函数：
class CV_EXPORT Mat
{
// ...
//! converts header to IplImage; no data is copied
    operator IplImage() const;
/]]></description><category></category></item><item><title><![CDATA[OpenCV+Kinect1.0手语识别(SLR) 体会]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43924595</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43924595</guid><author>kai940325</author><pubDate>Tue, 24 Feb 2015 11:04:46 +0800</pubDate><description><![CDATA[1.由kinect采集到的数据，彩色图的话一定是rgb三通道的，深度图的话分为单通道和三通道两种，这与你选择的深度图类型有关，什么类型呢？带ID和不带ID的两种，对应单、三通道，为什么带ID的是三通道呢？因为我们可以方便的用颜色来区分出人体和背景，而这一点，也是人体抠图的重点。
2.大家知道，用深度图表示的图像会有影子，双层图像，也就是需要矫正，这个问题可以通过带ID的深度图来把人体和影子区分开]]></description><category></category></item><item><title><![CDATA[遗传算法步骤以及编码]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43358771</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43358771</guid><author>kai940325</author><pubDate>Sun, 01 Feb 2015 01:06:25 +0800</pubDate><description><![CDATA[遗传算法的执行过程的整体概况，如下：

1、选择编码策略，把参数转换成串；

2、根据群体大小N,随机产生N个串构成的群体；

3、根据适应度函数 F=f(x) 计算各个串的适应度；

4、根据串的复制概率  F=f(x) 选择一个串进行复制，直至已经复制了N个串，适应度越高，复制概率越大；

5、复制后的串两两配对，以交叉概率进行交叉；

6、对每个串中的基因按变异概率进]]></description><category></category></item><item><title><![CDATA[很好的理解遗传算法的例子]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43356101</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43356101</guid><author>kai940325</author><pubDate>Sun, 01 Feb 2015 00:46:51 +0800</pubDate><description><![CDATA[遗传算法的手工模拟计算示例

为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各
    个主要执行步骤。
  
     例：求下述二元函数的最大值：



    (1) 个体编码
           遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种
       符号串。本题中，用无符号二进制整数来表示。
     ]]></description><category></category></item><item><title><![CDATA[Opencv2.4+kinect1.0 手语识别 （三）深度图的通道问题]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43352801</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43352801</guid><author>kai940325</author><pubDate>Sun, 01 Feb 2015 00:04:40 +0800</pubDate><description><![CDATA[因为想用到opencv的轮廓提取函数，然而，这个函数要求输入图像必须是8uc1或者32sc1格式的，这就要求我们从kinect读取深度数据时必须读取无ID的数度数据。
所谓单通道，就是灰度图的表达。。三通道就是rgb图。
做个笔记备忘。
下一步轮廓优化，并提取Hu矩特征。]]></description><category></category></item><item><title><![CDATA[遗传算法]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43268677</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43268677</guid><author>kai940325</author><pubDate>Thu, 29 Jan 2015 11:22:24 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/heaad/archive/2010/12/23/1914725.html


重点理解：轮盘赌算法、遗传算法的思想


遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。]]></description><category></category></item><item><title><![CDATA[大白话解析模拟退火算法（simulate annealing）]]></title><link>https://blog.youkuaiyun.com/kai940325/article/details/43267917</link><guid>https://blog.youkuaiyun.com/kai940325/article/details/43267917</guid><author>kai940325</author><pubDate>Thu, 29 Jan 2015 10:46:37 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/heaad/




一. 爬山算法 ( Hill Climbing )

         介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。

         爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到]]></description><category></category></item></channel></rss>