array(2) { ["docs"]=> array(10) { [0]=> array(10) { ["id"]=> string(3) "428" ["text"]=> string(77) "Visual Studio 2017 单独启动MSDN帮助（Microsoft Help Viewer）的方法" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(8) "DonetRen" ["tagsname"]=> string(55) "Visual Studio 2017|MSDN帮助|C#程序|.NET|Help Viewer" ["tagsid"]=> string(23) "[401,402,403,"300",404]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511400964" ["_id"]=> string(3) "428" } [1]=> array(10) { ["id"]=> string(3) "427" ["text"]=> string(42) "npm -v；报错 cannot find module "wrapp"" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(4) "zzty" ["tagsname"]=> string(50) "node.js|npm|cannot find module "wrapp“|node" ["tagsid"]=> string(19) "[398,"239",399,400]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511400760" ["_id"]=> string(3) "427" } [2]=> array(10) { ["id"]=> string(3) "426" ["text"]=> string(54) "说说css中pt、px、em、rem都扮演了什么角色" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(12) "zhengqiaoyin" ["tagsname"]=> string(0) "" ["tagsid"]=> string(2) "[]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511400640" ["_id"]=> string(3) "426" } [3]=> array(10) { ["id"]=> string(3) "425" ["text"]=> string(83) "深入学习JS执行--创建执行上下文（变量对象，作用域链，this）" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(7) "Ry-yuan" ["tagsname"]=> string(33) "Javascript|Javascript执行过程" ["tagsid"]=> string(13) "["169","191"]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511399901" ["_id"]=> string(3) "425" } [4]=> array(10) { ["id"]=> string(3) "424" ["text"]=> string(30) "C# 排序技术研究与对比" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(9) "vveiliang" ["tagsname"]=> string(0) "" ["tagsid"]=> string(2) "[]" ["catesname"]=> string(8) ".Net Dev" ["catesid"]=> string(5) "[199]" ["createtime"]=> string(10) "1511399150" ["_id"]=> string(3) "424" } [5]=> array(10) { ["id"]=> string(3) "423" ["text"]=> string(72) "【算法】小白的算法笔记：快速排序算法的编码和优化" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(9) "penghuwan" ["tagsname"]=> string(6) "算法" ["tagsid"]=> string(7) "["344"]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511398109" ["_id"]=> string(3) "423" } [6]=> array(10) { ["id"]=> string(3) "422" ["text"]=> string(64) "JavaScript数据可视化编程学习（二）Flotr2，雷达图" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(7) "chengxs" ["tagsname"]=> string(28) "数据可视化|前端学习" ["tagsid"]=> string(9) "[396,397]" ["catesname"]=> string(18) "前端基本知识" ["catesid"]=> string(5) "[198]" ["createtime"]=> string(10) "1511397800" ["_id"]=> string(3) "422" } [7]=> array(10) { ["id"]=> string(3) "421" ["text"]=> string(36) "C#表达式目录树（Expression）" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(4) "wwym" ["tagsname"]=> string(0) "" ["tagsid"]=> string(2) "[]" ["catesname"]=> string(4) ".NET" ["catesid"]=> string(7) "["119"]" ["createtime"]=> string(10) "1511397474" ["_id"]=> string(3) "421" } [8]=> array(10) { ["id"]=> string(3) "420" ["text"]=> string(47) "数据结构 队列_队列实例：事件处理" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(7) "idreamo" ["tagsname"]=> string(40) "C语言|数据结构|队列|事件处理" ["tagsid"]=> string(23) "["246","247","248",395]" ["catesname"]=> string(12) "数据结构" ["catesid"]=> string(7) "["133"]" ["createtime"]=> string(10) "1511397279" ["_id"]=> string(3) "420" } [9]=> array(10) { ["id"]=> string(3) "419" ["text"]=> string(47) "久等了,博客园官方Android客户端发布" ["intro"]=> string(288) "目录 ECharts 异步加载 ECharts 数据可视化在过去几年中取得了巨大进展。开发人员对可视化产品的期望不再是简单的图表创建工具，而是在交互、性能、数据处理等方面有更高的要求。 chart.setOption({ color: [ " ["username"]=> string(3) "cmt" ["tagsname"]=> string(0) "" ["tagsid"]=> string(2) "[]" ["catesname"]=> string(0) "" ["catesid"]=> string(2) "[]" ["createtime"]=> string(10) "1511396549" ["_id"]=> string(3) "419" } } ["count"]=> int(200) } 222 cs231n训练营学习笔记（1） - 爱码网

cs231n训练营学习笔记（1）

cs231n这个课的前半部分看过两遍了，始终没能把这个课学完，希望参加训练营能督促我学完这门课，动手实践作业。

目录

一、关于猫视觉试验的结论：

二、关于第一课提到的目标分割概念：

三、关于Adaboost人脸检测算法实现

四、关于ImageNet，Pascal Voc这两个数据集

五、关于SIFT、SPM、HoG、DpM这四篇论文 

SIFT(Scale-Invariant Feature Transform)尺度不变特征变换

怎样做到使提取到的特征尺度不变的

SPM(Spatial Pyramid Matching)空间金字塔匹配

HoG(Histogram of Oriented Gradients)梯度方向直方图

DPM(Deformable Part-Based Model)可变形的基于部件的模型

cs231n训练营学习笔记（1）

一、关于猫视觉试验的结论：

视觉处理是从简单的结构开始，比如边缘 ，然后随着信息处理，大脑逐渐建立起复杂的理解。 

二、关于第一课提到的目标分割概念：

是由于当时目标识别太困难，所以想着先解决目标分割吧。就是把相近的像素点归到一起，并不知道这一堆像素点组成的东西是什么，但是可以把它们和背景以及其他东西分开。

之前在《图像处理、分析与机器视觉》上看过一些分割的知识，也一并整理到这里好了

分割在预处理和分析之间，分为完全分割和部分分割，两者区别是分割完后有没有重叠相交部分，没有的话就是完全分割。（这个定义并没有什么用的感觉）

分割主要使用的特征分三类：

1、全局知识，用图像特征直方图表示，比如阈值化分割的时候，可以用灰度直方图确定分割需要设定的阈值（我的理解，不知道对不对）

2、边缘  3、区域  这两点都是基于亮度、纹理等等

具体使用的分割方法后面遇到再一一具体说吧

三、关于Adaboost人脸检测算法实现

cs231n训练营学习笔记（1）

2001年计算机计算速度还很慢，这个算法可以实时识别人脸真的很厉害

这个图的左下角的黑白框是Haar特征，利用这种框在图片上划过，让黑白框和每一次覆盖的图像切片相乘（我把它简单的理解成矢量相乘），两者越相近，乘出来的结果越大。（这个过程就是Haar小波变换）比如两眼之间的部分比眼睛亮很多，就会和黑白黑的框相乘得到很大的值，以此识别出眼睛。

Adaboost是为了在Haar特征得到的非常多弱分类器（即效果都不太好）中选出一些可靠的。

具体过程是迭代训练更改权重的过程，即开始的时候所有训练样本都是权重相同的，每轮训练都把被分类器分错的样本权重提高，分对的样本权重降低。（额，好抽象，有时间代码实现一下，先挖个坑）

四、关于ImageNet，Pascal Voc这两个数据集

Pascal Voc 2006-2012的目标识别挑战赛数据集，20个类

ImageNet 有2.2万个类，4千万张图片，为了提供大量的训练数据，防止机器学习的高维模型过拟合，从而有更好的泛化能力

五、关于SIFT、SPM、HoG、DpM这四篇论文 

SIFT(Scale-Invariant Feature Transform)尺度不变特征变换

是一种用来提取特征的方法。可以用来匹配不同图片中的同一物体，物体发生旋转、缩放、透视等等。

怎样做到使提取到的特征尺度不变的

论文里写道：通过模糊图像梯度位置来实现不变性的。

这些位置是通过DoG(Difference-of-Gaussian)得到，即不同参数的高斯滤波结果相减，取最大或最小值位置。高斯滤波是低通滤波器，边缘通常为高频信号，DoG在相减中去除了相同的没有被过滤掉的正常图像，留下的是边缘。最大或最小值代表什么？

论文中还提到，通过构建图像金字塔，在每个级别重采样，来提高计算最大最小值的效率。是因为这个所以是尺度不变吗？

重采样还用到双线性插值

越读论文越发现各种不会的知识点，太多了基础的东西不会了

高斯滤波为什么低通，为什么边缘是高频信号，啥是双线性插值

可能要读《数字图像处理》

但是那个太信号与处理了，读不懂……

啊，咋办嘛

SPM(Spatial Pyramid Matching)空间金字塔匹配

把图像分块分成很多子区域，用不同尺度多次分块，于是形成空间金字塔，匹配就是计算相似度。

HoG(Histogram of Oriented Gradients)梯度方向直方图

统计各方向的梯度频率的直方图。可以用来行人检测。

就是把一堆堆的像素划分成cell，统计每个cell里每20°的梯度有多少，形成HoG特征向量。

再把一堆堆的cell划分成block，每个block里的cell的HoG特征向量归一化，防止不同cell间由于光照造成梯度差异。

把block里不同cell中的HoG特征向量首位相连，得到HoG描述子（咋收尾相连？）

然后用SVM(Support Vector Machine)支持向量机训练HoG特征向量（还是训练描述子？），得到匹配用的模板。

DPM(Deformable Part-Based Model)可变形的基于部件的模型

是一种分而治之的方法，把检测目标分解成检测各部件，这些部件间用“弹簧”连接。可以用来人脸检测

相关文章：

猜你喜欢
相关资源
相似解决方案
热门标签
Java Python linux javascript Mysql C# Docker 算法 前端 SpringBoot Redis Vue spring 设计模式 .net core .net kubernetes c++ 数据库 数据结构 大数据 js 机器学习 微服务 Android Go 程序员 面试 JVM ASP.net core 云原生 人工智能 后端 PHP git CSS golang k8s Nginx Django mybatis 深度学习 多线程 React 架构 devops 爬虫 云计算 Spring Boot LeetCode