liu_guanzhang的专栏

论文中需要画图进行比较，感觉还是matlab画起来比较方便，先把自己画的图及matlab代码放上。y=[300 311;390 425; 312 321; 250 185; 550 535; 420 432; 410 520;];b=bar(y);grid on;ch = get(b,'children');set(gca,'XTickLabel',{'0','1','2'

clc;  clear all;  close all;                        % 清理工作空间  clear  [imA,map1] = imread('A.tif');  M1 = double(imA) / 256;  [imB,map2] = imread('B.tif');  M2 = double(imB) / 256;    

1. k-SVD introduction1.     K-SVD usage:Design/Learn a dictionary adaptively to betterfit the model and achieve sparse signal representations.2.     Main Problem:Y = DXWhere Y∈R(n*

举例：K-SVD最大的不同在字典更新这一步，K-SVD每次更新一个原子（即字典的一列）和其对应的稀疏系数，直到所有的原子更新完毕，重复迭代几次即可得到优化的字典和稀疏系数。如下。             如上图（左上），现在我们要更新第k个原子，即d_k..那我们需要知道在上一步迭代之后哪些信号使用了该原子，即稀疏系数不为0的部分是哪些？从左上图中很容易看出，x

以下链接是本人整理的关于计算机视觉（ComputerVision, CV）相关领域的网站链接，其中有CV牛人的主页，CV研究小组的主页，CV领域的paper,代码，CV领域的最新动态，国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站，多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。总之，我认为，知识只有分享才能产生更大的价值，真诚希望下面

牛人主页（主页有很多论文代码）Serge Belongie  at UC San DiegoAntonio Torralba  at MITAlexei Ffros  at CMUCe Liu  at Microsoft Research New EnglandVittorio Ferrari  at Univ.of EdinburghKristen

1.cv圈的格局, 按师承关系,总结a tree stucture of cv guys.David Marr----->Shimon Ullman (Weizmann)----->Eric Grimson (MIT)       ----->Daniel Huttenlocher (Cornell)       ----->Pedro Felzenszwalb

SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下：算法描述SIFT特征不只具有尺度不变性，即使改变旋转角度

尺度不变特征变换匹配算法详解Scale Invariant Feature Transform(SIFT)Just For Funzdd  zddmail@gmail.com or (zddhub@gmail.com)对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。如果你学习SIFI得目的是为了做检索，也许OpenSSE

1、目标：找到一个字典D，使得对于给定的训练信号集能获得稀疏表达。具体目标为：2、具体迭代步骤（1）第一阶段：固定字典 D ，找最好的稀疏矩阵 X 。此为NP难问题。 给定T0，可以采用任何approximation pursuit method去求解 X。论文采用OrthogonalMatching Pursuit (OMP) algorithms。（

matlaba=[8 9 10 7 8 9];%mean  b=[1 1 1 1 1 1];%std  figure();  bar(a,'c');  hold on;  errorbar(a,b,'k','LineStyle','none');

1．1．命令  plot功能  线性二维图。在线条多于一条时，若用户没有指定使用颜色，则plot循环使用由当前坐标轴颜色顺序属性（current axes ColorOrder property）定义的颜色，以区别不同的线条。在用完上述属性值后，plot又循环使用由坐标轴线型顺序属性（axes LineStyleOrder property）定义的线型，以区别不同的线条。用

1. 谱聚类      给你博客园上若干个博客，让你将它们分成K类，你会怎样做？想必有很多方法，本文要介绍的是其中的一种——谱聚类。      聚类的直观解释是根据样本间相似度，将它们分成不同组。谱聚类的思想是将样本看作顶点，样本间的相似度看作带权的边，从而将聚类问题转为图分割问题：找到一种图分割的方法使得连接不同组的边的权重尽可能低（这意味着组间相似度要尽可能低），组内的边的权重尽可

高斯模糊是一种图像模糊滤波器，它用正态分布计算图像中每个像素的变换。N 维空间正态分布方程为在二维空间定义为其中 r 是模糊半径 (r2 = u2 + v2)，σ 是正态分布的标准偏差。在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆。分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。原始像素的值

索贝尔算子（Sobel operator）主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量。 Sobel卷积因子为： 该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边

1. 问题     之前我们讨论的PCA、ICA也好，对样本数据来言，可以是没有类别标签y的。回想我们做回归时，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。我们可以使用PCA来降维，但PCA没有将类别标签考虑进去，属于无监督的。     比如回到上次提出的文档中含有“learn”和“study”的问题，使用PCA后，也许可以将这两个特征合并为一个，降了维度。但假设我们的

Logistic regression （逻辑回归）是当前业界比较常用的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。（注意这里是：“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘）  那么它究竟是

典型相关分析 （一）引入     典型相关分析（Canonical Correlation Analysis）是研究两组变量之间相关关系的一种多元统计方法。他能够揭示出两组变量之间的内在联系。    我们知道，在一元统计分析中，用相关系数来衡量两个随机变量的线性相关关系，用复相关系数研究一个随机变量与多个随机变量的线性相关关系。然而，这些方法均无法用于研究两组变量之间的相关

1.  问题背景        信号的稀疏表示并不是新的东西。我们很早就一直在利用这一特性。例如，最简单的JPEG图像压缩算法。原始的图像信号经过DCT变换之后，只有极少数元素是非零的，而大部分元素都等于零或者说接近于零。这就是信号的稀疏性。        任何模型都有建模的假设条件。压缩感知，正是利用的信号的稀疏性这个假设。对于我们处理的信号，时域上本身就具有稀疏性的信号

【分类器】- KNN一、分类算法中的学习概念         因为分类算法都是有监督学习，故分为以下2种学习。         1、急切学习：在给定的训练元组之后、接受到测试元组之前就构造好分类模型。                算法有：贝叶斯、基于规则的分类（决策树）、向后传播分类、SVM（支持向量机）、基于关联规则挖掘的分类。         

基于表示的分类方法（representation based classification method, RBCM）研究较多的就是John Wright等在2009年提出的稀疏表示分类（sparse representation based classification, SRC）方法了，Google已经有3778次引用了。   Wright J, Yang A Y, Ganesh A, e

谱聚类算法(Spectral Clustering)谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。其中的最优是指最优目标函数不同，可以是割边最小分割——如图1的Smallest cut(如后文的Min cut)， 也可以是分

好久没有写 blog 了，一来是 blog 下线一段时间，而租 DreamHost 的事情又一直没弄好；二来是没有太多时间，天天都跑去实验室。现在主要折腾 Machine Learning 相关的东西，因为很多东西都不懂，所以平时也找一些资料来看。按照我以前的更新速度的话，这么长时间不写 blog 肯定是要被闷坏的，所以我也觉得还是不定期地整理一下自己了解到的东西，放在 blog 上，一来梳理总是

如果说 K-means 和 GMM 这些聚类的方法是古代流行的算法的话，那么这次要讲的 Spectral Clustering 就可以算是现代流行的算法了，中文通常称为“谱聚类”。由于使用的矩阵的细微差别，谱聚类实际上可以说是一“类”算法。Spectral Clustering 和传统的聚类方法（例如 K-means）比起来有不少优点：和 K-medoids 类似，Spectr

CORE Computer Science Conference RankingsAcronymStandard NameRankAAAINational Conference of the American Association for Artificial IntelligenceA+AAMASInternational