<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u013074906的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u013074906</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u013074906]]></copyright><item><title><![CDATA[通过C++/CLI使用FFMPEG库进行视频解码[初步]]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/44917095</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/44917095</guid><author>u013074906</author><pubDate>Tue, 07 Apr 2015 10:27:08 +0800</pubDate><description><![CDATA[文章转自：http://www.cnblogs.com/slayercat/archive/2012/09/11/CPP-CLI_FFMPEG.html




所有源代码均为共有领域，您可以对他做任何事情。

         源代码：https://github.com/slayercat/FFMPEG_H264_VIDEO_PLAYER

 

其实我现在还不知道这么写]]></description><category></category></item><item><title><![CDATA[华为编程规范]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/39023821</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/39023821</guid><author>u013074906</author><pubDate>Wed, 03 Sep 2014 10:14:21 +0800</pubDate><description><![CDATA[目  录
 





1 排版


6




2 注释


11




3 标识符命名


18




4 可读性


20




5 变量、结构


22




6 函数、过程


28




7 可测性


36




8 程序效率


40
]]></description><category></category></item><item><title><![CDATA[ASIFT]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/38902569</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/38902569</guid><author>u013074906</author><pubDate>Thu, 28 Aug 2014 19:42:46 +0800</pubDate><description><![CDATA[SIFT
是一种检测与描述图像局部特征的方法。为了识别和描述图像中的目标，
需要从图像中提取出与目标相联系的特征。
利用这些特征可以从众多背景目标中识别
出所需目标。为了确保准确无误地识别出目标，要求在各种视角、光照、距离以及噪
声条件下仍然可以准确地进行匹配。
SIFT
使用不同的技术解决以上问题。对物体距
离远近，
大小和噪声条件的适应由高斯尺度空间来完成，
而视角、
光]]></description><category></category></item><item><title><![CDATA[图像检索中为什么仍用BOW和LSH]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/38331743</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/38331743</guid><author>u013074906</author><pubDate>Fri, 01 Aug 2014 09:54:33 +0800</pubDate><description><![CDATA[去年年底的时候在一篇博客中，用ANN的框架解释了BOW模型[1]，并与LSH[2]等哈希方法做了比较，当时得出了结论，BOW就是一种经过学习的Hash函数。去年再早些时候，又简单介绍过LLC[3]等稀疏的表示模型，当时的相关论文几乎一致地得出结论，这些稀疏表示的方法在图像识别方面的性能一致地好于BOW的效果。后来我就逐渐产生两个疑问：

1）BOW在检索时好于LSH，那么为什么不在任何时候都用]]></description><category></category></item><item><title><![CDATA[GMM]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/32314573</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/32314573</guid><author>u013074906</author><pubDate>Thu, 19 Jun 2014 10:25:22 +0800</pubDate><description><![CDATA[高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。]]></description><category></category></item><item><title><![CDATA[由尺度空间理论得出sift中的尺度不变性]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/25237841</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/25237841</guid><author>u013074906</author><pubDate>Wed, 07 May 2014 18:18:44 +0800</pubDate><description><![CDATA[尺度scale：
  不同大小的物体有着不同的尺度，这个scale的表示，可以用放大缩小表示，可以用高斯blur来模拟。
如果不同的尺度下都有同样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配了。
所以就有了尺度不变性。

关键字：高斯尺度金字塔

打个比方，人近视眼就是一个高斯blur，blur的越大说明尺度越大。
SIFT通过不同sigma的高斯blur参数，模拟出了不同尺]]></description><category></category></item><item><title><![CDATA[ubuntu下搭建c/c++环境步骤讲解]]></title><link>https://blog.youkuaiyun.com/u013074906/article/details/24262055</link><guid>https://blog.youkuaiyun.com/u013074906/article/details/24262055</guid><author>u013074906</author><pubDate>Mon, 21 Apr 2014 16:46:30 +0800</pubDate><description><![CDATA[ubuntu下的c/c环境搭建是比较简单,因为有apt和新立得的帮助.
1、首先是配置gcc,在ubuntu安装完成已经有gcc了(gcc是由GNU之父Stallman所开发的linux下的编译器，全称为GNU
 CompilerCollection，目前可以编译的语言包括：C, C ,Objective-C, Fortran, Java, and Ada.).但是gcc还不能编译文件.因为缺]]></description><category></category></item></channel></rss>