sinat_41942180的博客

很多机器学习的问题都会涉及到有着几千甚至数百万维的特征的训练实例。这不仅让训练过程变得非常缓慢，同时还很难找到一个很好的解，我们接下来就会遇到这种情况。这种问题通常被称为维数灾难（curse of dimentionality）。幸运的是，在现实生活中我们经常可以极大的降低特征维度，将一个十分棘手的问题转变成一个可以较为容易解决的问题。例如，对于 MNIST 图片集（第 3 章中提到）：图片四...

Mac安装完anaconda后，环境变量设置1. 安装Anaconda：不要从官网，从国内的镜像网站里下载，速度快，链接：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/根据自己的需要，下载 适合自己的系统的python3版本；后缀.pkg意味着是图形化界面，.sh意味着命令安装安装；Mac安装完anaconda后，环境变量设置打开终端，输入conda config --add channels https: //m

经典的目标检测如Faster R-CNN, YOLOv3等都用到了Anchor，本文详细介绍了目标检测中理论感受野、Anchor、实际感受野三者之间的关系。1. 概念经典的目标检测如Faster R-CNN, YOLOv3等都用到了Anchor, 怎么设计Anchor每个目标检测方法各不相同。Faster R-CNN中的Anchor有三种形状，三种长宽比，比如形状有[128, 256, 512]三个，长宽比有[1:1, 1:2, 2:1]三种，这样组合就是9个anchor。YOLOv3中的Ancho

一、实验原理本次实验是基于词袋模型的图像分类技术，利用提取的局部区域的分布对图像进行识别。在图像分类中，词袋模型算法需要通过监督或非监督的学习来获得视觉词典。基于词袋模型的图像分类算法一般分为四步，首先对图像进行局部特征向量的提取（本次实验采用HOG)；其次利用上一步得到的特征向量集，抽取其中有代表性的向量，作为单词，形成视觉词典（本实验采用K-means聚类算法）；然后对图像进行视觉单词的统计，一般判断图像的局部区域和某一单词的相似性是否超过某一阈值，这样即可将图像表示成单词的分布，即完成了图像的表示

一、实验原理特征匹配是图像处理和计算机视觉的核心组成部分。在本次实验中，我们将创建一个局部特征匹配算法，并尝试匹配真实场景的多个视图。将实现一个简化版本的sift，用于解决局部特征匹配问题，使检测到的特征对遮挡和杂波具有鲁棒性。由于特性是本地的，可以在一张图像中生成数百或数千个特性，同时能够实现实时性能。我们使用Harris角点检测器和sift特征描述符来生成关键点,同时也使用了自适应非最大抑制来获得图像上的均匀分布的角。二、实验目的本实验要求实现图像的特征匹配，对于给定的两幅图像，均使用Har

一、实验原理本次实验的原理来源于由Oliva、Torralba和 Schyns 在2006年发明并在SIGGRAPH上发表了的论文 Hybrid images。该论文提出混合图像是基于人类视觉系统对图像的多尺度处理，由视觉掩蔽研究驱动的。这些图像可用于创建引人注目的显示，其中图像在不同的距离有不同的感知。通过滤波分离图像的高频和低频，将不同图像的高频和低频合并以创建相关尺度的图像。二、实验目的本实验要求实现一个图像滤波函数，对于给定的两幅图像，得到第一幅图像的高频信息，即细节信息；得到另外一幅图