zbzcDZF的博客

代码的路粒子滤波器方法通常用于视觉跟踪。从统计角度来看，它是一种顺序蒙特卡罗重要抽样方法，用于根据观测序列估计动态系统的潜状态变量。粒子滤波步骤：初始状态：用大量粒子模拟X（t），粒子在空间内均匀分布；预测阶段：根据状态转移方程，每一个粒子得到一个预测粒子；校正阶段：对预测粒子进行评价，越接近于真实状态的粒子，其权重越大；重采样：根据粒子权重对粒子进行筛选，筛选过程中，既要大量保留权重大的粒子，又要有一小部分权重小的粒子；滤波：将重采样后的粒子带入状态转移方程得到新的预测粒子，即步骤2。&nbsp

原文链接1 Permission denied报错：-bash: ./compile.sh: Permission denied没有操作权限，改为赋予最高权限（777）：chmod 777 compile.sh2 cuda 问题报错：unable to execute '/usr/local/cuda-9.0/bin/nvcc': No such file or directoryerror: command '/usr/local/cuda-9.0/bin/nv

原文链接简介TensorBoard是TensorFlow自带的一个强大的可视化工具，也是一个Web应用程序套件。使用进入保存节点目录，输入：tensorboard --logdir=.即可看到节点信息，在网页输入ip地址加节点信息即可查看。  学习更多编程知识，请关注我的公众号：代码的路本文由 mdnice 多平台发布......

原文链接摘要在本文中，我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比，我们采用不同的方法，受深度学习架构的最新进展的启发，更加强调（无监督）特征学习问题。具体来说，通过使用辅助自然图像，我们离线训练堆叠去噪自动编码器，以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络，该分类神经网络由训练的自动编码器的编码器部分构成，作为特征提取器和附加分类层。可以进一步调整特征提取器和分类器以适应移动物

原文链接论文地址：https://arxiv.org/pdf/1501.04587.pdf摘要阻碍CNN应用于视觉跟踪的主要障碍是缺乏适当标记的训练数据。虽然释放CNN功率的现有应用程序通常需要大量数百万的训练数据，但是视觉跟踪应用程序通常在每个视频的第一帧中仅具有一个标记的示例。我们通过离线预培训CNN，然后将学到的丰富特征层次结构转移到在线跟踪来解决此研究问题。 CNN还在在线跟踪期间进行微调，以适应第一视频帧中指定的跟踪目标的外观。为了适应对象跟踪的特征，我们首先预先训练CNN以识别什么是对象，

原文链接这个问题是国际航空乘客预测问题， 数据是1949年1月到1960年12月国际航空公司每个月的乘客数量（单位：千人），共有12年144个月的数据。链接：https://pan.baidu.com/s/1JJTe2CL0BxpmyewKCsvc0w提取码：6666数据趋势：训练程序：import numpy as np import pandas as pd import matplotlib.pyp

原文链接1 粒子滤波（particle filtering）粒子滤波是对预测粒子进行评价，添加不同的权重，越接近于真实状态的粒子，其权重越大；否则，就加的权重小一些。步骤：（1）初始状态：开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程，得到预测粒子。（2）预测阶段：粒子滤波首先根据x(t-1)的概率分布生成大量的采样，这些采样就称之为粒子。那么这些采样在状态空间中的分布实际是x(t-1)的概率分布了。接下来依据状态转移方程加上控制量可以对每一粒子得到一个预测粒子。（3）校

原文链接1 ROC首先介绍 ROC。ROC 分析是从医疗分析领域引入了一种新的分类模型 performance 评判方法。ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上

1 原理对于生成对抗网络GAN，一个简单的理解是可以将其看做博弈的过程，我们可以将生成模型和判别模型看作博弈的双方，比如在犯罪分子造假币和警察识别假币的过程中：生成模型G相当于制造假币的一方，其目的是根据看到的钱币情况和警察的识别技术，去尽量生成更加真实的、警察识别不出的假币。判别模型D相当于识别假币的一方，其目的是尽可能的识别出犯罪分子制造的假币。 这样通过造假者和识假者双方的较量和朝目的的改进，使得最后能达到生成模型能尽可能真的钱币、识假者判断不出真假的纳什均衡效果(真假币概率都为0.5)。2

# coding=utf8from PIL import Imageimport numpy as npfrom scipy import miscimport matplotlib.pyplot as pyplot a = 300b = 500x = 20y = 20w = 40h = 80 def Gener_mat(a,b,x,y,w,h): ...

摘要在本文中，我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比，我们采用不同的方法，受深度学习架构的最新进展的启发，更加强调（无监督）特征学习问题。具体来说，通过使用辅助自然图像，我们离线训练堆叠去噪自动编码器，以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络，该分类神经网络由训......

1 原理对于生成对抗网络GAN，一个简单的理解是可以将其看做博弈的过程，我们可以将生成模型和判别模型看作博弈的双方，比如在犯罪分子造假币和警察识别假币的过程中： 生成模型G相当于制造假币的一方，其目的是根据看到的钱币情况和警察的识别技术，去尽量生成更加真实的、警察识别不出的假币。 判别模型D相当于识别假币的一方，其目的是尽可能的识别出犯罪分子......

自动编码器（Auto-Encoder，AE）自编码器（autoencoder）是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器内部有一个隐藏层 h，可以产生编码（code）表示输入。该网络可以看作由两部分组成：一个由函数 h = f(x) 表示的编码器和一个生成重构的解码器 r = g(h)。我们不应该将自编码器设计成输入到输出完全相等。这通常需要向自编码器强加一些约束，使它只能近...

粒子滤波器方法通常用于视觉跟踪。从统计角度来看，它是一种顺序蒙特卡罗重要抽样方法，用于根据观测序列估计动态系统的潜状态变量。粒子滤波步骤：初始状态：用大量粒子模拟X（t），粒子在空间内均匀分布； 预测阶段：根据状态转移方程，每一个粒子得到一个预测粒子； 校正阶段：对预测粒子进行评价，越接近于真实状态的粒子，其权重越大； 重采样：根据粒子权重对粒子进行筛选，筛选过程中，既要大量保留权重...

AUC是一种用来度量分类模型好坏的一个标准。 ROC分析是从医疗分析领域引入了一种新的分类模型performance评判方法。 ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true po......

1.程序讲解（1）香草编码器在这种自编码器的最简单结构中，只有三个网络层，即只有一个隐藏层的神经网络。它的输入和输出是相同的，可通过使用Adam优化器和均方误差损失函数，来学习如何重构输入。在这里，如果隐含层维数（64）小于输入维数（784），则称这个编码器是有损的。通过这个约束，来迫使神经网络来学习数据的压缩表征。input_size = 784hidden_size = 6......

DLT(deep learning tracker)算法，文章和代码见 http://winsty.net/dlt.html1.粒子滤波（particle filtering）粒子滤波是对预测粒子进行评价，添加不同的权重，越接近于真实状态的粒子，其权重越大；否则，就加的权重小一些。步骤：初始状态：开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程，得到预测粒子......

feather map：在cnn的每个卷积层，数据都是以三维形式存在的。可以看成许多个二维图片叠在一起（，其中每一个称为一个feature map。1.在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。2.在其它层，层与层之间会有若干个卷积核（kernel），上一层每个feature map跟每个卷积核做卷积，都...