Sean.W的专栏

opencv例程文件夹内有mat2xml.m文件，但是不好用，提示未能找到rootfilter，shu与mat

步骤一，首先要使voc-release4.01目标检测部分的代码在windows系统下跑起来：参考在window下运行DPM(deformable part models) -（检测demo部分）步骤二，把训练部分代码跑通，在VOC数据集上进行测试，如下文：在windows下运行Felzenszwalb的Deformable Part Model(D

可以从http://www.cs.berkeley.edu/~rbg/latent/index.html获得的源码，采用Matlab和C++编写，我下载的是voc-release4.01版本，大概是因为版权的问题源码是在 Linux and Mac OS上运行的，考虑许多人在Linux平台上运行该源码不方便，这里将源码转化到Windows平台上运行。检测demo部分：1.d

序号文章简介论文出处02012年PAMI登的行人检测的综述性文章：pedestrian detection an evaluation of the state of the art 作者：Piotr Dollar文中对比了很多最新的行人检测的算法。这篇论文简称为PAMI2012pedestrian det

1摘要分类在搜索引擎中的应用非常广泛，这种分类属性可以方便在rank过程中针对不同类别实现不同的策略，来更好满足用户需求。本人接触分类时间并不长，在刚用SVM做分类的时候对一个现象一直比较困惑，看到大家将各种不同类型特征，拼接在一起，组成庞大的高维特征向量，送给SVM，得到想要的分类准确率，一直不明白这些特征中，到底是哪些特征在起作用，哪些特征组合在一起才是最佳效果，也不明白为啥这些特征就

http://freemind.pluskid.org/machine-learning/sparsity-and-some-basics-of-l1-regularization/Sparsity 是当今机器学习领域中的一个重要话题。John Lafferty 和 Larry Wasserman 在 2006 年的一篇评论中提到：Some current

想要得知图像中哪些是有意义的，必须先要明确这样一个问题：在一幅图像中，只有在一定的尺度范围内，一个物体才有意义。举一个例子，树枝这个概念，只有在几厘米到几米的距离去观察它，才能感知到它的确是树枝；如果在微米级或者千米级去观察，就不能感知到树枝这个概念了，这样的话可以感知到的是细胞或者是森林的概念。因而，如果想要描述现实世界的结构，或者将三维物体映射到二维的图像上去，多尺度表示将会至关重要。