其他

自行設定了字型ZeroMemory(&m_logFont,sizeof(m_logFont));     lstrcpy(m_logFont.lfFaceName,_T("黑體"));     m_logFont.lfHeight = - abs( CUIManager::GetValue(_T("HideItem"),_T("FontSize"), 25) );     m_logFont.lfWeight = FW_BLACK;    

這篇文章闡述內聯彙編的使用方法。顯然，閱讀這篇文章您需要具備X86組合語言和C語言的基礎知識。 Contents 1. 簡介 3 2. 概要 3 3. GCC彙編格式。 3 1) 源運算元和目的運算元的方向 3 2) 寄存器命名 4 3) 立即數 4 4) 運算元大小 4 5) 記憶體運算元 4 4. 基本形式的內聯彙編 4 5. 擴充形式的內聯彙編 5 5.1 彙編模板 6 5.2 運算元 6

Map是STL的一個關聯容器，它提供一對一（其中第一個可以稱為關鍵字，每個關鍵字只能在map中出現一次，第二個可能稱為該關鍵字的值）的資料處理能力，由於這個特性，它完成有可能在我們處理一對一資料的時候，在編程上提供快速通道。這裡說下map內部資料的組織，map內部自建一顆紅/黑樹狀結構(一種非嚴格意義上的平衡二叉樹)，這顆樹具有對資料自動排序的功能，所以在map內部所有的資料都是有序的，後邊我們會見識到有序的好處。下面舉例說明什麼是一對一的資料對應。比如一個班級中，每個學生的學號跟他的姓名就存在

 首先可以直接用Visual Studio

作者：王先榮本文翻譯自維基百科，英文原文地址是：http://en.wikipedia.org/wiki/ransac，如果您英語不錯，建議您直接查看原文。RANSAC是“RANdom SAmple Consensus（隨機抽樣一致）”的縮寫。它可以從一組包含“局外點”的觀測資料集中，通過迭代方式估計數學模型的參數。它是一種不確定的演算法——它有一定的機率得出一個合理的結果；為了提高機率必須提高迭代次數。該演算法最早由Fischler和Bolles於1981年提出。RANSAC的基本假設是：（1

1.Error 1 error C2440: 'static_cast' : cannot convert from 'void (__thiscall CMainFrame::* )(NMTOOLBARA *,LRESULT *)' to 'void (__thiscall CCmdTarget::* )(NMHDR *,LRESULT *)' d:/作業項目相關/12452121/mainfrm.cpp 33 Myimgapp應該是 afx_msg void

1. 比較出名的是Ivan Laptev的 3D Harris，這是一個可執行檔，用起來比較方便，是Harris在3維空間的擴充，檢測到特徵點之後是用HOG和HOF進行表示。一共的特徵維數是162維。點擊這裡進入下載介面。2. P.

在多任務學習中，當這些任務是相關的，聯合的任務學習應該比單獨學習每個任務的效果好，特別當每個任務的資料相當少的時候，在這種情況下，獨自學習是很不成功的。Convex Multi-task Feature Learning 是一篇比較經典的文章，代碼點擊這裡可以下載。還有一篇是Multi-Task Feature Learning Via Efficient l2-1 Norm Minimization, 點擊這裡可以下載。這篇文章的最後一位作者就是JiePing Ye, 是LDA的大牛，2D

一個流行學習demo，並且有原始碼裡面實現的代碼有一下文章：MDS Michael Lee's MDS codeISOMAP J.B. Tenenbaum, V. de Silva and J. C. Langford. A global geometric framework for nonlinear dimensionality reduction. Science, vol. 290, pp. 2319--2323, 2000.LLE L. K. Saul and S. T.

在影像處理和分析中，通常會遇到求物體的凸包或某類型形狀的凸包，以下函數可以實現該功能：void get_hull(cv::Mat& src,int thresh){ Mat src_copy = src.clone(); Mat threshold_output; vector<vector<Point> > contours; vector<Vec4i> hierarchy; /// Detect edges using Threshold

一個線上的sparse coding學習演算法，最近很多應用類的文章都用這個演算法。The SPArse Modelling Software (SPAMS) can be downloaded here. It includes fast implementations of LARS, OMP, a dictionary learning algorithm and its variants for NMF, sparse PCA, as well as efficient sparse

s函數是system Function的簡稱，用它來寫自己的simulink模組。（夠簡單吧，^_^，詳細的概念介紹大夥看協助吧）可以用matlab、C、C++、Fortran、Ada等語言來寫，這兒我只介紹怎樣用matlab語言來寫吧（主要是它比較簡單） 先講講為什麼要用s函數，我覺得用s函數可以利用matlab的豐富資源，而不僅僅局限於simulink提供的模組，而用c或c++等語言寫的s函數還可以實現對硬體連接埠的操作，還可以操作windows API等的

註：    文章轉載於：http://www.cnblogs.com/ronny最近一直在做前景檢測方面的研究，剛開始主要是做一些工程性的應用，為瞭解決工程方面的問題，下了不少功夫，也看了不少最近國內外的文章。一直想做個總結，拖著拖著，終究卻寫成這篇極不成功的總結。      背景建模或前景檢測的演算法主要有：1. Single Gaussian (單高斯模型)Real-time tracking of the human body2. 混合高斯模型（Mixture of Gaussian

SIFT原文：Distinctive Image Features from Scale-Invariant Keypoints，作者David G.

註：轉自  http://grunt1223.iteye.com/blog方向梯度長條圖（Histograms of Oriented Gradients，簡稱HOG特徵）結合支援向量機（ support vector machine， 簡稱SVM），被廣泛應用於Image

1、小魏的修行路  http://blog.csdn.net/xiaowei_cqu  2、晨宇思遠（鄒宇華 北京航空航天大學） http://blog.csdn.net/chenyusiyuan 3、Rachel Zhang（張睿卿）的部落格 http://blog.csdn.net/abcjennifer 4、zouxy09（鄒曉藝） 華南理工大學 http://blog.csdn.net/zouxy09  （深度學習,映像分割，Kinect開發學習，壓縮感知）5、愛CVPR  http:/

在影像處理中經常會遇到判斷兩個矩形是否相交，以及相交的比例的情況，下面是來自TLD演算法中源碼的求法：float bbOverlap(const BoundingBox& box1,const BoundingBox& box2){ if (box1.x > box2.x+box2.width) { return 0.0; } if (box1.y > box2.y+box2.height) { return 0.0; } if

如何寫好論文討論部分（國外牛人寫）[轉]科學論文的討論需要結構化　　　　醫學刊物的讀者對論文的IMRaD結構（引言、方法、結果和討論；Introduction,Methods ,Results and Discussion）相當稔熟，自覺或不自覺地都知道每部分的作用。同樣，讀者也已熟悉結構式摘要，它所含的資訊比非結構式摘要多。有些刊物要求特殊論文使用特殊結構，如報告隨機實驗（randomised

轉載：http://blog.csdn.net/onezeros編寫一個函數int IsOnRECT(float x, float y, float r,        float x1, float y1, float x2, float y2)x,y表示一個圓的圓心，r是圓的半徑x1,y1,x2,y2表示一個矩形的一條對角線上的兩個頂點的座標矩形的四邊均與座標軸平行或者垂直要判斷這個圓和這個矩形有沒有重合的部分輸入：按照參數傳遞進行輸入，範例中一行就是一次輸入按順序分別對應x,y,d,x1,