其他

來源：PaperWeekly 本文共900字，建議閱讀6分鐘。本文為你羅列近期Github上十大有趣的機器學習開源項目。 -01- Face Recognition #世界上最簡單的Face Service庫 本項目號稱世界上最簡單的Face Service庫，可使用 Python 和命令列進行調用。該庫使用 dlib 頂尖的深度學習Face Service技術構建，在戶外臉部檢測資料庫基準（Labeled Faces

1.MATLAB程式編寫步驟 1.把小波w(t)和原函數f(t)的開始部分進行比較，計算係數C。係數C表示該部分函數與小波的相似程度。 2.把小波向右移k單位，得到小波w(t-k)，重複1。重複該部知道函數f結束. 3.擴充小波w(t)，得到小波w(t/2)，重複步驟1,2. 4.不斷擴充小波，重複1,2,3. 這裡使用的haar小波，縮放函數是[1 1]，小波函數是[1 -1]，是最簡單的小波了。 2.MATLAB原始碼及分析

本文由Mardown文法編輯器編輯完成。 轉載自以下連結： http://www.joyocean.org/bbs/viewthread.php?tid=2677 Stanford大學教授李飛飛寫給她學生的一封信，如何做好研究以及寫好PAPER。 “You need to feel proud of your paper not just for the day or week it is finished, but many for many years to come.” -

轉自大牛Dev Nag。Dev Nag是前Google進階工程師、AI 初創公司 Wavefront 創始人兼 CTO，本文介紹了他是如何用不到五十行代碼，在 PyTorch 平台上完成對 GAN 的訓練。 In 2014, Ian Goodfellow and his colleagues at the University of Montreal published a stunning paper introducing the world

參考1 PASCAL VOC從2007開始用interpolated法計算mAP coco的mAP低的原因 coco資料集結果評估 SSD計算mAP Faster R-CNN計算mAP coco資料annotation內容,bbox是[x,y,width,height] 畫PR曲線 使用cocoAPI時，按照要求make出錯 gcc:fatal error: -fuse-linker-plugin, but liblto_plugin.so not

這裡介紹的是如何簡單使用於仕祺老師提供的臉部偵測庫。由於自己在使用的時候就遇到了許多問題，所以把看到的解決方案總結下來。         1、首先完成準備工作：配置opencv基本環境，然後下載GitHub上的臉部偵測庫，地址https://github.com/ShiqiYu/libfacedetection。         2、建立一個控制台工程如libface，添加源檔案libfacedetection-

轉自：https://github.com/sujiongming/awesome-video-understanding Awesome Video Understanding Understanding Video: Perceiving dynamic actions could be a huge advance in how software makes sense of the world.(from MIT Technology Review December 6,

知識圖譜 網盤地址： https://pan.baidu.com/s/1YHQo1yB2jZrVidTwOrZYZg 密碼: 2k7j 備用地址（騰訊微雲）： https://share.weiyun.com/60a71d3ef8770b4650f469557610d57c 密碼：6svm3m 課程簡介： 本次的知識圖譜課程主要包括三大部分： 1. 

CNN怎麼應用到NLP 什麼是卷積和什麼是卷積神經網路就不講了，自行google。從在自然語言處理的應用開始(SO, HOW DOES ANY OF THIS APPLY TO NLP?)。

1. 程式入口 程式的入口在/CAFFE_ROOT/tools/caffe.cpp中，即 main()函數所在的類檔案。在/tools/目錄下，提供了架構的工具。但是，訓練相關的幾個工具，如train，test，finetune已經被整合到了/caffe.cpp中。 我們想知道的是，一條標準的訓練指令： ./build/tools/caffe train --solver=models/xx_caffenet/solver.prototxt， 當我們點下斷行符號鍵後，到底發生了什麼。

Protobuf是一種可以實現記憶體與外存交換的協議介面。這是由Google開發的開源工具，目前研究Caffe源碼時用到。 一個軟體項目 = 資料結構 + 演算法 +

（1）Caffe源碼閱讀路線圖應該是從CAFFE_ROOT/src/caffe/proto/caffe.proto開始，瞭解各類資料結構，主要是記憶體對象和序列化磁碟檔案的一一對應關係，知道如何從磁碟Load一個對象到記憶體，以及如何將記憶體對象Save到磁碟，中間的過程實現都是由Protobuf自動完成的。 （2）第二步就是看標頭檔，不用急於去看cpp檔案，先理解整個架構。Caffe中類數目眾多，但脈絡十分清晰。在Testing時，最外層的類是Caffe::Net，包含了多個Caffe:

1.Caffe是一種開源軟體架構，內部提供了一套基本的編程架構，或者說一個模板架構，用以實現GPU並行架構下的深度卷積神經網路，Deep Learning等演算法，我們可以按照架構定義各種各樣的卷積神經網路的結構，並且可以再此架構下增加自己的代碼，設計新的演算法，該架構的一個問題就是，只能夠使用卷積網路，所有架構都是再基於卷積神經網路的模型上進行的。 2.而tensorflow能夠完成更多的深度學習演算法，比如RNN，LSTM等。

解釋兩個部分： 一：預先處理映像的leveldb構建  輸入：一批映像和label （2和3）  輸出：leveldb （4）  指令裡包含如下資訊： conver_imageset （構建leveldb的可運行程式） train/ （此目錄放處理的jpg或者其他格式的映像) label.txt (影像檔名及其label資訊) 輸出的leveldb檔案夾的名字 CPU/GPU (指定是在cpu上還是在gpu上運行code)

《西遊記》是明代小說家吳承恩所寫，與《水滸傳》、《三國演義》和《紅樓夢》並稱中國四大名著。這四本名著是作為文科生必須要選讀的文章，那麼對於多姿多彩且深奧的西遊記你能瞭解到多少呢。接下來小編會通過iMindMap 10思維導圖來協助大家細細分析的，一起來看看吧。 《西遊記》取材於《大唐西域記》和民間傳說、元雜劇。宋代《大唐三藏取經詩話》（本名《大唐三藏取經記》）是西遊記故事見於說話文字的最早雛形，其中，唐僧就是以玄奘法師為原型的。

俗話說人靠衣裝佛靠金裝，思維導圖同樣也需要美裝。我們可以對XMind思維導圖進行美化，使得導圖美觀精緻，從而吸引更多的注意力，刺激記憶點，加強印象，達到最佳的導圖效果，本文就簡述了怎樣在XMind中對導圖進行美化。 我們繪製好XMind思維導圖後，前後順序不論，我們可以從以下幾點對思維導圖進行美化： 主題形狀及顏色 我們開啟主題屬性，選擇主題外形，選中你想要的形狀後，點擊便可更改。在後方的色塊中可以選擇主題的填充顏色，系統是預設為無的。 線條形狀及顏色

課程地址：http://cs231n.github.io/classification/ Image Recognition Image Recognition就是給你一張圖，將其分類成一組給定類別中的一種。如圖1所示，給定一張圖片，以及可能的類別{貓、狗、帽子、杯子}，要求將這張圖片識別出到底屬於哪一類。 一張圖片輸入電腦中，實際是轉化為一個三維張量（寬*高*色彩通道），比如圖一就是248 x 400 x

來源：中國新聞網 很難有一項科技的發展像人工智慧一樣令人既期待又不安。若機器擁有了“自主意識”，人類將面對一個怎樣的世界。在各類科幻作品中，人們的探討層出不窮。 和天馬行空的文學想象不同，有著“AI女神”之稱的華裔科學家李飛飛對此的回答嚴謹又冷靜：“人工智慧發展剛剛起步，現階段機器所能完成的任務很簡單，距離文學藝術的想象還非常遙遠。”

1. 迴圈的效率高於遞迴 相比較迴圈，遞迴的代碼非常簡潔。遞迴是函數調用自身，而函數調用是有時間和空間的消耗的：每一次函數調用，都需要在記憶體棧中分配空間以儲存參數、返回地址及臨時變數，而且往棧裡壓入資料和彈出資料都需要時間。所以不難理解遞迴的實現效率不如迴圈。 此外，遞迴中有可能很多計算都是重複的，從而對效能帶來很大的負面影響。遞迴的本質是把一個問題分解成兩個或者多個問題。如果多個問題存在相互重疊的部分，那麼就存在重複計算。

本文概覽 分析DCF系列跟蹤演算法的不足，並加以改進； 本文核心一：將DCF作為CNN中的一個卷積層； 本文核心二：將特徵提取，響應圖產生以及模型更新整合到CNN中進行端對端訓練； 本文核心三：將殘差學習的思想用於深度目標跟蹤網路的更新，可以更有效地應對目標外觀的大變化和小變化； 本文實驗效果：在OTB100上獲得了0.837的精度和0.623的覆蓋率； DCF演算法分析 DCF演算法優點一：可以在頻域上進行快速模型學習和目標檢測；