xiaoju222的专栏

http://blog.youkuaiyun.com/v_JULY_v/article/details/6555899

caffe-mnist实例的官方链接http://caffe.berkeleyvision.org/gathered/examples/mnist.html 1、在安装成功caffe的基础上运行mnist实例 2、准备数据 首先需要从MNIST网站上下载和改变数据格式，运行一下命令 cd CAFFEROOT./data/mnist/getmnist.sh./examples/mnist/c

有几个地方还是不明白，自己写了代码，运行了，正确率降低了。谱聚类可以用于特征选择来降低维数，‘抓住主要矛盾，忽略次要矛盾’方法：1、求相似度矩阵即带权领接矩阵Sij：（1）K近邻矩阵，求得与i样本最近的K个样本的权，保存在矩阵中，与其余的样本的权都舍弃为0

Andrew Ng的deep learning教程的中文教程，大牛小牛的奉献的热情！http://deeplearning.stanford.edu/wiki/index.php/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C其中Wij的指输入层xj到隐含层xi的传递系数；X={x1;x2;...xi};适用：根据特征预测输出，监督和无监督分类，（比如，在医疗

0、摘要 本文准备用CNNs获得场景多特征 keywords：scene recognition; convolutional networks; spatial pyramid; linear classifiers; explicit kernel maps 1、介绍 近几年的标准的做法是提取几个局部patch描述，编码成高维向量，pool them into an image-lev

http://blog.youkuaiyun.com/zhubenfulovepoem/article/details/29583429

本文提出了基于DNN的BOW 图像检索 问题： （1）query是什么图像？ 1、introduction 数据集：MSR（microsoft second Research）-Bing Grand Challenge.包括11.7million queries、1 million images。数据集从这篇文章得到的Clickage: Towards bridging semantic

1、omp_get_num_procs()函数来获取处理器个数，用omp_get_thread_num()函数来获得每个线程的ID，为了使用这两个函数，我们需要include

最近看论文总能看到 费舍尔向量:FV是图像上各个的局部描述子的归一化梯度统计量 之和。 贴一下参考理解的帖 http://blog.youkuaiyun.com/breeze5428/article/details/32706507子http://blog.youkuaiyun.com/carrierlxksuper/article/details/28151013

【参考1】http://blog.youkuaiyun.com/u012878523/article/details/41698209 【参考2】http://blog.youkuaiyun.com/u013657981/article/details/49497753 【总结下在windows上用caffe跑自己数据流程【 我是在建立在caffe-windows-master中建立data文件夹存放bat文件，数据

libsvm–下载台湾林老师的版本，现在更新到libsvm3.21。当做一般的工具箱的使用方法就可以了。 1、保存路径，选择在D:\Program Files\MATLAB\R2015a\toolbox\libsvm-3.21。将这个路径以及子文件夹添加到matlab路径中。其实只要windows文件夹下的就可以，为了方便吧，要是自己写的一些扩展的相关库函数捏。 2、libsvm-3.21\ma

http://blog.youkuaiyun.com/jxlijunhao/article/details/12912895 1、显著目标检测介绍显著性检测最近几年成了研究热点，从计算机视觉三大会议（ICCV, CVPR, ECCV）上的文章数量就可以看出，大概每届会议都有10来篇的样子，一个这么小的topic，10来篇数量已经很多了。如果你看一看这些文章就会发现，显著目标检测的占了大部分，眼动点预测的很少，

为了给大家节省时间，安装所需要的软件都上传在360云上了，我也是一个一个的找的，都是可用的撒。连接：http://yunpan.cn/cK5AKHmmAqRHE  访问密码 faf8参考了几篇blog和caffe官方教程，很感激撒：http://caffe.berkeleyvision.org/installation.html

采取哪些方法来分析这个数据：采用监督的分类方法：监督学习有K近邻算法、决策树、朴素贝叶斯、支持向量机、人工神经网络。其中BP算法是一种出色的监督学习算法。2.在训练过程中通常要对数据做归一化处理。 bp神经网络的推导：http://www.cnblogs.com/jzhlin/archive/2012/07/28/bp.html监督方法步骤：(1)收集数据。 (2) 准备输

http://blog.sina.com.cn/s/blog_6f611c300101bysf.html

http://www.seowhy.com/bbs/thread-1830816-1-1.html

http://www.doc88.com/p-7048005248889.html

http://wenku.baidu.com/link?url=e2VfptZJOf-h-dDUAQmkfSFktZ9W-NHVyfkRaI8OWEosDiwbL_JdWVJe7XqqcvdY5WPKj98p9pQ49UrSX6_pft_NeGX1xKz3EYTR0wM3Vu3其中倒排

本文转自：http://cvnote.info/matlab-cv-ip-toolbox/

基础知识：C1，C2层介绍 C3,Imagenet classification with deep convolutional neural networks.

原文：matlab中，每个figure都有（而且仅有）一个colormap，翻译过来就是色图。COLORMAP(MAP) 用MAP矩阵映射当前图形的色图。    COLORMAP('default')  默认的设置是 JET.    MAP = COLORMAP 获得当前色图矩阵.    COLORMAP(AX,...) 应用色图到AX坐标对应的图形，而非当前图形。

http://blog.youkuaiyun.com/abcjennifer/article/details/7639681

文章原名为：Unsupervised Feature Selection Using Nonnegative Spectral Analysis前人的研究基础为利用谱分析法进行特征聚类，然后进行特征选择，并且没有约束F的非负和正则文章是同时进行特征聚类和特征选择，目标函数为： 其中，样本数为N；分类的类别数为C；特征数为d；F是聚类标签，N*C维的矩阵，F=[f1,f2,f3...

Matlab的deep learning 的toolbox，https://github.com/rasmusbergpalm/DeepLearnToolbox代码很简单，比较适合用来学习算法，但是传说中的RBM并没有在toolbox中发现。里面有DBNs(deep belief nets)深度信念网络。http://blog.youkuaiyun.com/dark_scope/article/detai

白化是指去相关与特征之间具有单位方差，在进行单位方差时，会加上一个很小的值，防止分母为0.ZCA白化与PCA白化不同点ZCA是保留数据的全部n个维度，不尝试去降低它的维数Xzcawhite = U*Xpcawhite

摘要： 传统的co-saliency是抽取人工特征矩阵，这种策略缺少泛化到各种场景的能力。而且缺少生物机制理论，为了解决这个问题，提出一个新奇的任务。通过多示例学习和自调节学习。一方面适合矩阵测量方法（评价方法），发现common部分在co-salient 区域在自学习方法通过MIL，另一方面适合学习可靠和稳定性通过SPL方法。 介绍： MIL去学习image中object和context的反