necrazy的专栏

针对这个问题，请教了算法组的同事，他分享了基本的思路：对于这种图像搜索的算法，一般是三个步骤：1. 将目标图片进行特征提取，描述图像的算法很多，用的比较多的是：SIFT描述子，指纹算法函数，bundling features算法，hash function(散列函数)等。也可以根据不同的图像，设计不同的算法，比如图像局部N阶矩的方法提取图像特征。2. 将图像特征信息

摘要： 深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出给训练深层模型带来了希望，并在多个应用领域获得了成功。深层模型的并行化框架和训练加速方法是深度学习走向实用的重要基石，

rom http://stblog.baidu-tech.com/?p=19wiki  http://en.wikipedia.org/wiki/AdaBoost一、Boosting算法的发展历史　　Boosting算法是一种把若干个分类器整合为一个分类器的方法，在boosting算法产生之前，还出现过两种比较重要的将多个分类器整合 为一个分类器的方法，即boostrappin

Generating Object Proposals22DECThis is a followup post to A Seismic Shift in Object Detection. In the earlier post I discussed the resurgence of segmentation for object detection, in th

A Seismic Shift in Object Detection10DECObject detection has undergone a dramatic and fundamental shift. I’m nottalking about deep learning here – deep learning is really more about classi

Matlab中meanshift算法mean-shift 的特点是把支撑空间和特征空间在数据密度的框架下综合了起来。对图像来讲，支撑空间就是像素点的坐标，特征空间就是对应像素点的灰度或者RGB三分量。将这两个空间综合后，一个数据点就是一个5维的向量：[x,y,r,g,b]。这在观念上看似简单，实质是一个飞跃，它是mean-shift方法的基点。mean-shift方法很

自从谷歌眼镜被推出以来，围绕人脸识别，出现了很多争议。我们相信，不管是不是通过智能眼镜，人脸识别将在人与人交往甚至人与物交互中开辟无数种可能性。为了帮助研究过程中探索人脸识别，我们列出以下人脸检测和识别API。希望有所帮助！Face Recognition - 拉姆达实验室斯蒂芬弄的。示例代码和图形演示点击http://api.lambdal.com/docs，我们的API

这是Tomasz Malisiewicz在他的博客上推荐的一篇今年CVPR的论文。以下是转载自他的博客的内容（没有翻译）：This paper combines ideas from segmentation-based "scene parsing" (see the below video for the output of their older ECCV2010 SuperPars

tombone‘s blog 最近一直在update关于CVPR2013的感受，今天，他在博客中分享了 [CVPR 2013] Three Trending Computer Vision Research Areas。我没机会参加这样的盛会，但是通过浏览今年CVPR录用文章的列表，以及最近几年顶级会议文章的趋势，根据他总结的三个趋势，我也谈谈我的看法。1) RGB-D 数据的

今天在cvchina论坛上看到的一篇帖子，总结了当前CV界最火的一些人。列举的比较全面了。bfcat还想补充几个，加在后面了。CV人物1：Jianbo Shi史建波毕业于UC Berkeley，导师是Jitendra Malik。其最有影响力的研究成果：图像分割。其于2000年在PAMI上多人合作发表”Noramlized cuts and image segmentation”。这是图像

前不久CVPR的结果出来了，首先恭喜我一个已经毕业工作的师弟中了一篇文章。完整的文章列表已经在CVPR的主页上公布了（链接），今天把其中一些感兴趣的整理一下，虽然论文下载的链接大部分还都没出来，不过可以follow最新动态。等下载链接出来的时候一一补上。由于没有下载链接，所以只能通过题目和作者估计一下论文的内容。难免有偏差，等看了论文以后再修正。（papers on web 已

CVPR2013的结果已经出来很久了，现在在papers on web上也有了一些可以下载的pdf。最近，Andrej Karpathy根据录用文章的标题制作了下面这个标签云。从这幅图我们明显看出learning现在有多火热。另外正在崛起的就是 Sparse。 检测识别比跟踪和分割做的要多。 诸如fast, efficient 这样的关键字也有一定地位。

今天收到网友 zhiguoma 发来的邮件，提供了他们研究小组近来阅读CVPR2013 中显著性方面的paper整理的幻灯片。其中包括如下几篇paper的速读笔记。Hierarchical Saliency DetectionLearning video saliency from human gaze using candidate selectionLooking Beyond the

1、基于监督的方法1.1、Eigen et al.使用深度学习做深度估计最经典的两篇文章应该属于Eigen组2014,2015年的两篇工作：Depth Map Prediction from a Single Image using a Multi-Scale Deep Network (2014 NIPS)Predicting Depth, Surface Normals and...