ybdesire的专栏

1. 引入参考1中介绍了相似图片搜索的基本原理，借助milvus（参考2）这样的相似性搜索引擎，我们可以非常快速的实现相似性搜索。但实现搜索之前，需要把图片转换为特征向量。本文介绍的均值哈希，就是图片的一种特征。2. 均值哈希的计算过程读入图片并转换为灰度图import numpy as npimport cv2img = cv2.imread('Alyson_Hannigan_200512.jpg', cv2.IMREAD_GRAYSCALE)# IMREAD_GRAYSCALE, IM

1. 引入有很多指标可以用来衡量向量的相似度，比如余弦距离、汉明距离、欧氏距离等。在图像、视频、文本、音频领域，做向量的相似性搜索，有很多应用点，比如：图像识别，语音识别、垃圾邮件过滤。这种基于相似度检索的方案，不同于机器学习模型的方案。比如用有监督学习模型来做人脸识别，模型的可解释性较低，而基于相似度搜索来做人脸识别，可解释性就更高。但是，当数据量很大，比如几千万张图片，要做相似度搜索，就比较困难了。穷举法固然可行，但非常耗时。针对这种场景，本文主要介绍方案级别的信息。2. 常用方案通用的向量

2011-11-14写的一个DVS6446调试文档，今天突然发现，贴出来，自己备用。 用TI的例程soln07d_video_loopthru，在显示器上半部分显示很小的一块，显示花屏（完全看不清图像），但显示部分会随着摄像头的移动而变化。 不能采用这个例程进行学习，只能分步进行。首先搞定视频采集，才能进行视频显示。 视频采集，调用的是V4L2驱动，使用soln07b...

文章目录说明学习过程中写的文章Course1: Neural Networks and Deep Learning内容与学习过程记录Course4:Convolutional Neural Networks内容与学习过程记录说明从2018年开始，断断续续在网易云课堂学完了吴恩达在deeplearning.ai讲授的两门经典课，记录一下：Course1:《神经网络和深度学习》，Neural ...

Abstract在《基于深度学习的目标检测思路》中，提到了可以用滑动窗口的思路来做目标检测。除了滑动窗口，还有其他的目标检测算法吗？目标检测介绍传统的目标检测算法，都是基于滑动窗口，训练模型的，如下图所示。该方法对目标的标注，需要标注目标的位置、大小、类型等信息，标注成本是很高的。但是，做目标检测是少不了这个标注工作的。 这种传统的滑动窗口目标检测方法，最大的缺点是： 窗口大...

引入深度学习或机器学习模型，用于分类和回归任务，是我们很熟悉的用法。目标检测任务，主要用于计算机视觉中，比如人体检测、车辆检测、人脸检测。目标检测的最终目标，是要在图像中找到检测对象的具体位置。在传统的计算机视觉处理中，我们可以用连通体检测或SIFT等，通过一定的规则，找到检测对象。在深度学习中，我们是怎么找到检测对象的位置呢？目标定位（Localization）我们首先解...

手写数字识别目前研究的最新成果，以及所用的数据集等综述

将图片显示在MFC的Dialog上的Picture控件内

OpenCV之所以能在MFC Dialog的Picture控件上绘图，全靠了CvvImage::DrawToHDC()方法。这就是下文为出现CvvImage和HDC的原因。下面是具体过程，用OpenCV1.0+VC6实现。本文代码下载地址：http://download.youkuaiyun.com/detail/ybdesire/52975841、在Dlg类中添加public变量 CvC

协方差矩阵的理解与计算过程，包括具体细节与两个实例

玩davinci的人都知道，视频处理后端（视频图像显示）中的attribute层，是VIDEO1和OSD0的alpha混合，是framebuffer的驱动实现的这种效果。    alpha混合技术，主要是用于实现半透明的效果， 假设一种不透明东西的颜色是A（即VIDEO1），另一种透明的东西的颜色是B（即OSD0），那么透过B去看A，看上去的颜色C（即attribute）就是B和A的混合颜色，

参考《复杂背景下的车牌定位和字符分割研究》一文实现了车牌定位方法，具体算法与原文有改动，给出了matlab源码

      有了基函数的概念，就容易找到离散图像的线性变换（离散傅里叶变换、离散余弦变换、离散沃尔什变换、离散哈达玛变换）之间的联系，各种变换的不同之处，也仅是基函数不同而已了。就是说不同的基函数对应不同的变换，记住一个离散傅里叶变换，根据他们的基函数就可以推导出其他变换的公式，也就不用记那么多变换的公式了。   离散图像的变换可以用两种表达式来描述，一种是代数表达式，另一种是矩阵