其他

上研究生的時候接觸的第一個Loss function就是least square。最近又研究了一下，做個總結吧。 定義看wiki就夠了。公式如下 E(w)=12∑n=1N{y−xWT}2 E(w)=12∑n=1N{y−xWT}2 其中 y y代表類標列向量， x x代表特徵行向量， W W代表迴歸或者分類參數矩陣。通過令歐式距離最小化最佳化得到最優的 W W。

在Fisher Vector(1)中介紹了線性核，為了滿足不同的需求，實際應用中會使用多種多樣的核函數，Fisher Kernel就是其中的一種。 Fisher Kernel 此時仍舊對於一個 （1,−1） （1,−1）的二分類問題，我們要學習 P(x,y)=P(x|y)P(y) P(x,y)=P(x|y)P(y) 因為  故 P(x,y)=P(x|y)P(y)=P(X|θy)P(y) P(x,y)=P(x|y)P(y)=P(X|θy)P(y)

GMM全稱是Gaussian mixture model (高斯混合模型)。與k-means演算法類似，GMM也是一種常見的聚類演算法，它與k-means區別主要在於，GMM是一種“軟聚類”演算法，通過它我們可以得到每個樣本屬於每個中心點的機率。正是因為它的這種性質，GMM在映像分割和語音處理中都有著廣泛的應用。 對N個樣本資料執行k-means可以得到K個中心點，而對其執行GMM之後將會得到K個高斯分布。使用公式1表示一個高斯分布，其中 θ 表示一個與 ϕ(x∣θ) 相關的位置參數(

SIFT演算法的全稱是Scale-invariant feature transform，尺度不變特徵轉換，是一種不隨映像尺度旋轉變化而變化的特徵，因此SIFT特徵不會隨著映像的放大縮小，或者旋轉而改變，同時由於在提取特徵時做的一些特殊處理，使得SIFT特徵對於光照變化也有比較強的適應性。以下是演算法流程： 1 構建尺度空間

在一般的分類問題中，通常的套路都是提取特徵，將特徵輸入分類器訓練，得到最終的模型。但是在具體操作時，一開始提出的特徵和輸入分類器訓練的特徵是不一樣的。比如假設有N張 100×100 100×100的映像，分別提取它們的HoG特徵 x∈Rp×q x∈Rp×q， p p為特徵的維數， q q為這幅映像中HoG特徵的個數。 如果把直接把這樣的一萬個 x

在高斯混合模型中，我提到了特徵處理的一般流程： 事實上高斯混合模型完成的是k-means的任務，那麼通過高斯混合模型聚類後，也用一般的基於距離的方法進行feature encoding麼。不是的，高斯混合模型通常和Fisher Vector一起使用。現在就來對Fisher Vector做個簡單介紹。 首先，Fisher Vector是一種Feature coding的方法。網上相關的中文資料很少，比較有價值的只有Fisher

多媒體課件 1.1  函數 3.1   定積分的概念和性質 1.2  數列的極限 3.2   不定積分的概念與計算 1.3  函數的極限 3.3   定積分的計算 1.4  連續函數 3.4   定積分的應用 2.1  導數的概念 3.5   反常積分 2.2  求導運算

這款外掛程式是一個不需要圖片只需要引入一個字型檔就能製作非常多精美的表徵圖外掛程式，而且這些表徵圖都是向量的，可以無限放大，而且可以隨意的改變顏色，碉堡了。。。注意，要看一下內容必須用ie9以上或者是chrome或者是Firefox瀏覽器瀏覽，ie8一下古董沒效果（雖然說是支援ie7的，但是需要引入很多東西，懶得測試= =） 點擊下載（版本4.0.3） 使用方法： 解壓之後又四個檔案夾： 1.把css和font檔案夾拷貝到你的網站的目錄下面，要注意的是css和font檔案夾是同級的關係，

微博背後的那些演算法 引言 微博是一個很多人都在用的社交應用。天天刷微博的人每天都會進行著這樣幾個操作：原創、轉寄、回複、閱讀、關注、@等。其中，前四個是針對短博文，最後的關注和@則針對的是使用者之間的關係，關注某個人就意味著你成為他的粉絲，而他成為你的好友；@某個人意味著你想要他看到你的微博資訊。

- 與國內年輕PI共勉　 　　【序：對每一位剛剛在清華大學生命科學學院或醫學院建立獨立實驗室的年輕PI（Principal Investigator），我都會不止一次地忠告：至少要在前三年，你們一定要把自己當成超級博士後，身先士卒、盡全力地在實驗室做研究、做自己的課題，同時訓練培養博士生、實驗員和博士後。只要能夠重複你們博士生和博士後階段的輝煌，你們就不愁在清華拿不到tenure。】 　　普林斯頓的offer 　　1997年3月27日下午，在紐約市Memorial

轉載請註明地址（http://blog.csdn.net/xinzhangyanxiang/article/details/8522078） 學習機率的時候，大家一定都學過馬爾科夫模型吧，當時就覺得很有意思，後來看了數學之美之隱馬模型在自然語言處理中的應用後，看到隱馬爾科夫模型竟然能有這麼多的應用，並且取得了很好的成果，更覺的不可思議，特地深入學習了一下，這裡總結出來。 馬爾科夫過程 馬爾科夫過程可以看做是一個自動機，以一定的機率在各個狀態之間跳轉。

小知識：AVI檔案格式----摘自《DirectShow實務精選》 作者：陸其明   AVI（Audio Video Interleaved的縮寫）是一種RIFF（Resource Interchange File

DeepIDFace Service演算法之三代 轉載請註明：http://blog.csdn.net/stdcoutzyx/article/details/42091205 DeepID，目前最強Face Service演算法，已經三代。 如今，深度學習方興未艾，大資料風起雲湧，各個領域都在處於使用深度學習進行強突破的階段，Face Service也不例外，香港中文大學的團隊使用卷積神經網路學習特徵，將之用於Face

本文中，我會根據下大家image classification常用的cnn模型，針對cifar10（for 物體識別），mnist（for 字元識別）& ImageNet（for 物體識別）做一個model 總結。 本文不講coding（coding請見Convolution Neural Network (CNN) 原理與實現篇） 本文不涉及公司內部資料，純公開資料匯總

一、背景意義 寫這篇博文是應為目前為止我看到了好多領域裡的經典paper演算法都有涉及到移動最小二乘（MLS）。可見這個演算法非常重要，先來看一下它的相關經典應用： 1、映像變形。在影像處理領域paper：《Image Deformation Using Moving Least Squares》利用移動最小二乘的原理實現了映像的相關變形，而且這篇paper的引用率非常高，可以說是映像變形演算法的經典演算法，Siggraph上面的paper。

導向濾波磨皮的對應文獻為：Guided Image Filtering，這個演算法速度極其之快，比其他的保邊緣磨皮演算法都快，甚至快上好幾倍。這個演算法最初來自於何明凱的映像去霧演算法中，現在已然被應用封裝與matlab影像處理函數庫中，可見演算法堪稱經典。 看以下演算法的虛擬碼：

遞迴雙邊濾波是雙邊濾波的一種加速演算法，加速比非常大，就像高斯模糊快速演算法一樣，加速起來，速度跟原演算法相比，提高了十幾倍。雙邊濾波的加速演算法很多，文獻都比較老舊，我這邊主要講一下比較新的演算法：遞迴雙邊濾波，對應的paper為：《Recursive Bilateral Filtering》 這個演算法比我另外一篇博文將的雙指數濾波快一點，兩篇文獻的基本思想一樣：

最近發現，看過的文章，沒幾天就忘了，於是開始寫點東西記錄一下，所學習過的演算法。廢話不多說，今天看了這篇文獻“Rectangling Panoramic Images via Warping”，所以做一下記錄。 這篇文獻演算法分為兩步： 1、第一步需要通過計算映像最小能量線，對映像進行預變性。 看懂這篇文章首先要看懂Seam

Seam Carving 演算法是2007年siggraph上的一篇paper，名為《Seam Carving for Content-Aware Image

基於隨機遊走的映像分割演算法 基於隨機遊走的映像分割演算法是屬於圖論分割方法中的一種，這個演算法比較偏，網上的paper比較少，剛開始學習找個資料都不容易，其實這個演算法的原理就是通過求解一個鄰接矩陣方程組，跟三維空間三角網格曲面的調和場求解有點類似。 1、演算法開始前，先簡單描述一下隨機遊走模型