其他

基於梯度場的網格編輯，對應的Paper為《Mesh Editing with Poisson-Based Gradient Field Manipulation》，是Siggraph 2004上的一篇paper，這篇paper與基於拉普拉斯的網格變形方法，統稱為基於微分域的網格變形演算法，這篇paper其實本質上最後的求解公式和基於拉普拉斯的網格變形方法一樣，之所以能夠siggraph，是因為它通過泊松梯度場的原理進行推導，演算法的巧妙之處在於它以頂點(x,y,z)中的每一維作為一個標量場。

這裡要跟大家分享的是2013年Siggraph上面的一篇paper，名為《Geodesics in Heat:A New Approach to Computing Distance Based on Heat

Bilateral Filtering for Gray and Color Images   Introduction The Idea The Gaussian Case Experiments with Black-and-White Images Experiments with Color Images References Introduction Filtering is perhaps the most fundamental operation of

Convex Function A convex function is a continuous function whose value at the midpoint of every interval in its domain does not exceed the arithmetic mean of its values at the ends of

Note: this article was originally posted on a previous version of the 500px engineering blog. A lot has changed since it was originally posted on Feb 1, 2015. In the future posts, we will be covering how our image classification solution has evolved

零、 我就不寫成《LaTeX 筆記（一）：NFSS 那點事兒》了，省得你們指望還有二…… 本文比較靠近 TeXnique 這個主題。想理解本文的內容，至少也得讀一下 TeXbook 或者 TeX by topic 之類的。 一、 NFSS 架構是 LaTeX2e 的核心內容，佔了 LaTeX2e 源碼的 30% 左右的篇幅。如果你不理解它的重要性，還有一個資料：在完整安裝的 TeX Live 發行版中，各類字型宏包編寫的字型定義檔案 (*.fd) 有 3000+。有了 NFSS，

最近在旅行，網路時斷時續，電也時斷時續，今天看W32TeX的changelog的時候，發現更新了一個markdown包（支援plain/ConTeXt/LaTeX）。地址在：CTAN: Package markdown。這個包是可以在TeX Live裡面更新的，這個包所帶來的便利全是基於Lua的，所以有時候也會想LuaTeX還是有用處的，但前提是你的機器效能足夠的好，這樣用起來才不會慢。

大話設計模式（二 代碼規範、重構） （續上篇）         

小菜編程成長記（十三 有了門面，程式員的程式會更加體面。） （續上篇）         大鳥說道：“實際上沒有學過設計模式去理解三層架構會有失偏頗的，畢竟分層是更高一層級的模式，所謂的架構模式。不過在程式中，有意識的遵循設計原則，卻也可以有效做出好的設計。”       “不要告訴我，剛才講的‘迪米特法則’就會在分層中用得上。”小菜說。

Matlab codes for dimensionality reduction (subspace learning) If you find these algoirthms and data sets useful, we appreciate it very much if you can cite our related works:  ( Publications sort by topic ) Deng Cai, Xiaofei He, Jiawei

Matlab Codes and Datasets for Feature Learning Dimensionality reduction (Subspace learning) / Feature selection / Topic modeling / Matrix factorization / Sparse coding / Hashing / Clustering / Active learning We provide here some matlab codes of

完整錄用論文官方連結：http://www.pamitc.org/cvpr13/program.php 今年CVPR有open access,真是造福福士啊,特別造福了我這樣的科研小菜鳥 今年有關RGB-D攝像機應用和研究的論文漸多起來了。 當然，自己還是比較關心Tracking方面的Papers。從作者來看，一作大部分為華人，而且有不少在Tracking這個圈子裡相當有名的牛，比如Ming-Hsuan Yang，Robert Collins，Chunhua

9.7.2 堆排序演算法         堆排序（Heap Sort）就是利用堆（假設利用大頂堆）進行排序的方法。它的基本思想是，將待排序的序列構造成一個大頂堆。此時，整個序列的最大值就是堆頂的根結點。將它移走（其實就是將其與堆數組的末尾元素交換，此時末尾元素就是最大值），然後將剩餘的n-1個序列重新構造成一個堆，這樣就會得到n個元素中的次小值。如此反覆執行，便能得到一個有序序列了。

在機率論中，兩個隨機變數 X 與 Y 之間相互關係，大致有下列3種情況： 當 X, Y 的聯合分布像上圖那樣時，我們可以看出，大致上有： X 越大  Y 也越大， X 越小  Y 也越小，這種情況，我們稱為“正相關”。 當X, Y 的聯合分布像上圖那樣時，我們可以看出，大致上有：X 越大Y 反而越小，X 越小 Y 反而越大，這種情況，我們稱為“負相關”。 當X, Y

有那麼一段時間不出乾貨了，首頁都要被每周歌詞霸佔了，再不寫一點東西都要變成鹹魚了。進入正題。本篇教程的目標很明顯，就是實踐。進一步的來說，就是，當你學到了一些關於機器學習的知識後，怎樣通過實踐以加深對內容的理解。這裡，我們從李航博士的《統計學習方法》的第2章感知機來做例子，由此引出大致的學習方法。需要注意的是，這篇教程並不是來介紹感知機模型的，而是用來說明如何學習並實踐一個模型的，所以對感知機的解釋不會很詳細。本篇教程的內容較基礎，內容主要面向對機器學習有興趣且有初步瞭解的人。由於本文目標人群特

Mathematical methods for economic theory Martin J. Osborne    CONTENTS TEXT EXERCISES     3.1 Concave and convex functions of a single variable Definitions The twin notions of

Refining the Hough Transform with CAMSHIFT The Circular Hough Transform result is often not very accurate due to noise\details\occlusions. Typical ways of dealing with this are: 1. Hand tuning the Hough Transform

透視變換(Perspective Transformation)是將圖片投影到一個新的視平面(Viewing Plane)，也稱作投影映射(Projective Mapping)。通用的變換公式為： u,v是原始圖片左邊，對應得到變換後的圖片座標x,y,其中。

Try out my python implementation for minimizing the Mumford Shah functional. import cv2from AmbrosioTortorelliMinimizer import *img = cv2.imread("image.jpg", 0)solver = AmbrosioTortorelliMinimizer(img)img, edges = solver.minimize()

一、相關理論 測地極座標參數化的paper是我研究生學習階段，寫的第二篇沒有源碼的外文文獻，年少無知，看文獻的也是沒有完全看懂，就開始寫代碼，然後通過代碼不斷的根據文獻演算法，進行調整，終於把paper的代碼實現了。在此把paper的演算法詳細解讀一下，以供正在苦逼的搞三維圖形演算法的同道中人學習。