<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sherry_gp的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sherry_gp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sherry_gp]]></copyright><item><title><![CDATA[图像处理中的全局优化技术(Global optimization techniques in image processing and computer vision) (二)]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/53453234</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/53453234</guid><author>sherry_gp</author><pubDate>Sun, 04 Dec 2016 11:06:00 +0800</pubDate><description><![CDATA[原文：http://blog.youkuaiyun.com/mulinb/article/details/9079645

MulinB按：最近打算好好学习一下几种图像处理和计算机视觉中常用的 global optimization (或 energy minimization) 方法，这里总结一下学习心得。分为以下几篇：



1. Discrete Optimization:  Graph C]]></description><category></category></item><item><title><![CDATA[SVM学习]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51831727</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51831727</guid><author>sherry_gp</author><pubDate>Tue, 05 Jul 2016 15:30:15 +0800</pubDate><description><![CDATA[——————————全文转自：http://blog.youkuaiyun.com/qll125596718，博主在每一节的转载出处都有注明。————————————SVM
        SVM学习（一）：SVM概念
       首先介绍一下SVM概念。
       支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性]]></description><category></category></item><item><title><![CDATA[Help out of memory的一些总结]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51829846</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51829846</guid><author>sherry_gp</author><pubDate>Tue, 05 Jul 2016 11:26:59 +0800</pubDate><description><![CDATA[问题一：Matlab是如何存储矩阵的
Matlab中矩阵是以Block，也就是块的形式存储的。也就是说，当Matlab在为即将存储的矩阵划分块时，如果没有相应大小的连续内存，即使实际内存没有被完全使用，他还是会报告“Out of Memory”。

问题二：如何高效使用Memory

由于在使用的过程中，由于存储单元的不断的被分配和清除，内存会被分割成不连续的区域，这是很容易造成“Out]]></description><category></category></item><item><title><![CDATA[MATLAB“out of memory"的一点总结]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51828975</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51828975</guid><author>sherry_gp</author><pubDate>Tue, 05 Jul 2016 11:04:18 +0800</pubDate><description><![CDATA[除了升级内存以外，主要解决方法有以下几种：
（1）增加虚拟内存
（2）采用3GB 开关启动系统
    xp系统修改 c盘根目录 boot.ini 启动选项加上 /3G
   
win7已经没有boot.ini文件去修改PAE/3GB开关,取而代之的是bcdedit.exe
打开3GB切换

 
 开始——运行——cmd，在DOS提示符下输入BCDEDIT /SET PAE Fo]]></description><category></category></item><item><title><![CDATA[关于libSVM的一些总结]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51823380</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51823380</guid><author>sherry_gp</author><pubDate>Mon, 04 Jul 2016 20:44:32 +0800</pubDate><description><![CDATA[libsvm相关参数]]></description><category></category></item><item><title><![CDATA[CUDA从入门到精通]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51727533</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51727533</guid><author>sherry_gp</author><pubDate>Tue, 21 Jun 2016 15:13:22 +0800</pubDate><description><![CDATA[CUDA从入门到精通（零）：写在前面




在老板的要求下，本博主从2012年上高性能计算课程开始接触CUDA编程，随后将该技术应用到了实际项目中，使处理程序加速超过1K，可见基于图形显示器的并行计算对于追求速度的应用来说无疑是一个理想的选择。还有不到一年毕业，怕是毕业后这些技术也就随毕业而去，准备这个暑假开辟一个CUDA专栏，从入门到精通，步步为营，顺便分享设计的一些经验教训，希望能]]></description><category></category></item><item><title><![CDATA[计算机视觉整理库]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51436627</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51436627</guid><author>sherry_gp</author><pubDate>Tue, 17 May 2016 15:43:09 +0800</pubDate><description><![CDATA[本文章有转载自其它博文，也有自己发现的新库添加进来的，如果发现有新的库，可以推荐我加进来

转自：http://www.cnblogs.com/tornadomeet/archive/2012/05/24/2515980.html

              http://www.cnblogs.com/mothe123/p/4267248.html   

Deep Learnin]]></description><category></category></item><item><title><![CDATA[LibSVM 在matlab中的使用]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51386701</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51386701</guid><author>sherry_gp</author><pubDate>Thu, 12 May 2016 19:08:11 +0800</pubDate><description><![CDATA[搞了一天，看了很多资料，终于搞好了matlab中调用大牛写好的svm库，将结果告诉大家避免以后走弯路。

1. 参考网站：

libsvm库下载：http://www.csie.ntu.edu.tw/~cjlin/libsvm/

视频：http://v.youku.com/v_showMini/id_XMjc2NTY3MzYw_ft_131.html （有小问题，等下会提到）

]]></description><category></category></item><item><title><![CDATA[文献阅读笔记——Action Recognition with Stacked Fisher Vectors]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51385124</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51385124</guid><author>sherry_gp</author><pubDate>Thu, 12 May 2016 16:29:15 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/breeze5428/article/details/39202887

 本文由Xiaojiang Peng发表在计算机视觉顶级国际会议ECCV2014。由标题可以看出作者是利用分层的Fisher Vectors做行为识别。作者的动机是想将特征的维度做高。这种分层的做法近几年比较常见，如 ICRA 2014关于3d点云无监督特征的论文Unsup]]></description><category></category></item><item><title><![CDATA[识别算法 学习链接]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51385112</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51385112</guid><author>sherry_gp</author><pubDate>Thu, 12 May 2016 16:27:46 +0800</pubDate><description><![CDATA[1.reading papers

(人体行为识别特征点提取小综述)   与human activity recognition特征提取相关,ing...)  (Learning
 hierarchical invariant spatio-temporal features for action recognition with independent subspace analysis)]]></description><category></category></item><item><title><![CDATA[PCA降维算法总结以及matlab实现PCA(个人的一点理解)]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51356294</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51356294</guid><author>sherry_gp</author><pubDate>Mon, 09 May 2016 21:17:59 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/watkinsong/article/details/8234766

 
转载请声明出处。by watkins song


PCA的一些基本资料

最近因为最人脸表情识别，提取的gabor特征太多了，所以需要用PCA进行对提取的特征进行降维。




本来最早的时候我没有打算对提取的gabor特征进行降维，但是如果一个图像时6]]></description><category></category></item><item><title><![CDATA[Clustering]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51353495</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51353495</guid><author>sherry_gp</author><pubDate>Mon, 09 May 2016 15:37:45 +0800</pubDate><description><![CDATA[最近在看聚类，整理相关链接以作以后查找。部分文章中含有实现代码。
大牛漫谈clustering系列：http://blog.pluskid.org/?page_id=78

美女博主：http://blog.youkuaiyun.com/abcjennifer/article/details/8198352
                   http://blog.youkuaiyun.com/abcjenn]]></description><category></category></item><item><title><![CDATA[Visualizing and Understanding Convolutional Networks笔记]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51271079</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51271079</guid><author>sherry_gp</author><pubDate>Thu, 28 Apr 2016 08:39:30 +0800</pubDate><description><![CDATA[Contents


反卷积
结构选取
遮挡敏感性
图片内特征相关性分析
实验


本文为20141024周报。

在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网络在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网络发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，阐述了]]></description><category></category></item><item><title><![CDATA[Caffe学习系列(8)：solver优化方法]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51180763</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51180763</guid><author>sherry_gp</author><pubDate>Mon, 18 Apr 2016 16:43:57 +0800</pubDate><description><![CDATA[上文提到，到目前为止，caffe总共提供了六种优化方法：

Stochastic Gradient Descent (type: "SGD"),AdaDelta (type: "AdaDelta"),Adaptive Gradient (type: "AdaGrad"),Adam (type: "Adam"),Nesterov’s Accelerated Gradient (type: "Ne]]></description><category></category></item><item><title><![CDATA[Caffe学习系列(7)：solver及其配置]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51180744</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51180744</guid><author>sherry_gp</author><pubDate>Mon, 18 Apr 2016 16:42:20 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/denny402/p/5074049.html


solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为

# caffe train --solver=*_slover.prototxt


在Deep Learning中，往往loss func]]></description><category></category></item><item><title><![CDATA[Caffe学习系列(5)：其它常用层及参数]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51180682</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51180682</guid><author>sherry_gp</author><pubDate>Mon, 18 Apr 2016 16:37:09 +0800</pubDate><description><![CDATA[本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。

1、softmax-loss

softmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression 的一种推广。Lo]]></description><category></category></item><item><title><![CDATA[Caffe学习系列(4)：激活层（Activiation Layers)及参数]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51180640</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51180640</guid><author>sherry_gp</author><pubDate>Mon, 18 Apr 2016 16:32:39 +0800</pubDate><description><![CDATA[在激活层中，对输入数据进行激活操作（实际上就是一种函数变换），是逐元素进行运算的。从bottom得到一个blob数据输入，运算后，从top输入一个blob数据。在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。

输入：n*c*h*w

输出：n*c*h*w

常用的激活函数有sigmoid, tanh,relu等，下面分别介绍。

1、Sigmoid

对每个]]></description><category></category></item><item><title><![CDATA[Caffe学习系列(3)：视觉层（Vision Layers)及参数]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51180545</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51180545</guid><author>sherry_gp</author><pubDate>Mon, 18 Apr 2016 16:23:33 +0800</pubDate><description><![CDATA[所有的层都具有的参数，如name, type, bottom, top和transform_param请参看我的前一篇文章：Caffe学习系列(2)：数据层及参数

本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。

1、Convolutio]]></description><category></category></item><item><title><![CDATA[caffe的Matlab接口的使用方法]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51153170</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51153170</guid><author>sherry_gp</author><pubDate>Thu, 14 Apr 2016 17:11:45 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/ws_20100/article/details/50525879


编译MatCaffe


使用如下命令编译MatCaffe
make all matcaffe1

之后，你可以用以下命令测试MatCaffe：
make mattest1

如果你在运行上面命令时，遇到如下错误：libstdc++.so.6 versio]]></description><category></category></item><item><title><![CDATA[特征点检测学习(surf算法)]]></title><link>https://blog.youkuaiyun.com/sherry_gp/article/details/51146254</link><guid>https://blog.youkuaiyun.com/sherry_gp/article/details/51146254</guid><author>sherry_gp</author><pubDate>Wed, 13 Apr 2016 20:04:54 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/tornadomeet/archive/2012/08/17/2644903.html




在上篇博客特征点检测学习_1(sift算法) 中简单介绍了经典的sift算法，sift算法比较稳定，检测到的特征点也比较多，其最大的确定是计算复杂度较高。后面有不少学者对其进行了改进，其中比较出名的就是本文要介绍的surf算法，surf的中文]]></description><category></category></item></channel></rss>