tyq101010的博客

ROC曲线对于0,1两类分类问题,一些分类器得到的结果往往不是0,1这样的标签,如神经网络,得到诸如0.5,0,8这样的分类结果。这时,我们人为取一个阈值,比如0.4,那么小于0.4的为0类,大于等于0.4的为1类,可以得到一个分类结果。同样,这个阈值我们可以取0.1,0.2等等。取不同的阈值,得到的最后的分类情况也就不同。如下面这幅图: 蓝色表示原始为负类分类得到的统计图,红

图像分割—基于图的图像分割（Graph-Based Image Segmentation）Reference:Efficient Graph-Based Image Segmentation,IJCV 2004,MIT CodeGraph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基

imread是学OpenCV 的第一个函数了，一直都用默认的方式也就是cv::imread("图像名");但是在执行一个简单的图像锐化算法的时候输出图像总是输入图像的1/3，请教师兄后才知道是图像读入的问题。#include #include #include using namespace std;using namespace cv;void sharp

Ali Borji是Laurent Itti的学生，他在这一年中就显著性方面发表了5篇高水平的国际会议。其中在CVPR2012上面有三篇第一作者的文章。先看一下题目：1. Boosting Bottom-up and Top-down Visual Features for Saliency Estimation，(PDF)Ali Borji；2. Exploiting Local

显著性论文学习阶段总结（一）1.Mingming Cheng,Global Contrast based Salient Region Detection,CVPR20111) HC：基于直方图对比度的方法，每一个像素的显著性值是由它与图像中所有其他像素的颜色差异来确定，得到全分辨率显著性图像；2) RC：基于局部对比度的方法，先将图像分割成小区域，采用的分割方法是

显著性论文学习阶段总结（二）1.Ali Borji, Laurent Itti, Exploiting Local and Global Patch Rarities for Saliency Detection, CVPR20121) 系统框架： 2) 算法思路：①　图像表示：本文通过1500张图像中，在各通道提取出的8*8的patch，学到了一个自然图像

LBP（Local Binary Patterns，局部二值模式）是提取局部特征作为判别依据的。LBP方法显著的优点是对光照不敏感，但是依然没有解决姿态和表情的问题。不过相比于特征脸方法，LBP的识别率已经有了很大的提升。在[1]的文章里，有些人脸库的识别率已经达到了98%+。1、LBP特征提取最初的LBP是定义在像素3x3邻域内的，以邻域中心像素为阈值，将相邻的8个像