Mr_Ma_的博客

七月在线计算机视觉培训班全套课件整理本课程课程大纲从图像处理基础、机器视觉中的特征提取与描述、坐标变换与视觉测量，到数据处理、图像搜索、深度学习在图像识别中的应用、图像标注与问答、3D计算机视觉、机器视觉项目实战。整个课程由浅入深，结合案例真枪实战，是不可多得的CV上佳课程。

2017春季CS231n 斯坦福深度视觉识别课 开课时间：2017年11月10日 开课时长：讲座共有6个lecture，3个 Guest Talk，已完结

R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

Haar features •Definition •Inspiration •Normalization •Different sets ƒ Problem •Computational cost •Definition ƒ Integral image representation ƒ Further tricks and extensions •Integral image for 45º rotated features •Integral image for almost any angle feature •Integral volume •Commutativity property

SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

近年来 ， 智能视频监控技术 的研究与应用备受人们 关注 。作为其基本处理部分 ，视频 监控 图像 的运动 目标检 测是一个非常活跃的研究方 向 ， 属 于计算机视觉领域 的 重要研究 内容 ，在智 能监控 、视频压缩 、 自动导航 、人机交 互 、虚拟现实等方面有 着广泛 的应用前景 。笔者针对视频 监控 图像 的运动 目标检测方 法 ， 分析 了近些年来 国内外 的研究工作及最新进 展 ， 并对 当前急需解决 的问题做 了 较为详细 的分析。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征...

基于计算几何理论， 在分析支持向量与凸包向量关系的基础上， 提出了一种基于中心凸包算法与增量 学习的 SVM 学习算法。在确保分类器达到可靠精度的前提下， 为解决学习中时耗过长的问题， 在对当前训练集计算 凸包的基础上采用欧式中心距离淘汰法对训练样本进一步精简，并且每次进行增量学习的样本都包含前次训练样 本集中违背 KKT 条件的样本，在 UCI 数据库上进行算法对比实验， 结果表明算法的可行性和有效性。

基于小波对偶框架和支持向量核函数的条件, 提出了一种支持向量小波核函数.该核函数利用小波 的多尺度插值特性和稀疏变化特性, 不仅提高了模型的精度和迭代的收敛速度, 而且还适用于信号的局部分 析、 信噪分离和突变信号的检测, 从而在提高支持向量机( SVM) 泛化能力的同时, 提高了辨识效果和减少了 计算量. 基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识, 对S I NC 函数的 逼近, 该小波核得到的均方根误差不足高斯径向基核的1 / 1 2,对l o g i s t i c混沌序列预测的均方根误差不超过 8×1 0 -6, 同时实验表明, 预测的长度对预测均方根误差没有显著影响, 这表明小波核SVM 具有更好的泛化 能力

数学方法即用数学语言表述事物的状态、关系和过程，并加以推导、演算和分析，以形成对问题的解释、判断和预言的方法。所谓方法，是指人们为了达到某种目的而采取的手段、途径和行为方式中所包含的可操作的规则或模式.人们通过长期的实践，...

群算法是一种用来寻找优化路径的概率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。

MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB是matrix&laboratory;两个词的组合，意为矩阵工厂（矩阵实验室）...

运动目标检测,既古老--一历史悠久,又新颖-一研究方法日新月异。面对不 同的研究对象,运动目标检测既有一般指导意义的理论研究,又有工程背景的特殊 性研究。本文注重在理论指导下的特殊性研究,即在联合利用时间信息、空间信息、 频率信息以及目标特征能够提高运动目标检测能力的思想指导下,分别研究了声纳 的运动目标检测和基于计算机视觉的交通车辆检测。 随着降噪技术的发展,安静型目标的出现,声纳技术面临低信噪比的挑战,武器 射程的增加又对声纳提出了更高的要求,关系到声纳的四大功能(检测、定位、识别 和跟踪/目标运动分析)第一和第四个的运动目标检测任务重大,因为它对其余两个 起着基础性的指导作用。它不仅与信

近年来， 随着 AlphaGo 人机大战、 ImageNet 挑战赛等热点事件的发生， 人工智能再次回到了人们的视野， 迎来了新一轮的发展浪潮， 各行各业都在寻求新的“ 风口” 和机遇。 尤其是在计算机视觉和图像处理领域， 各 种颠覆性的成果应运而生。 因此， 为了帮助广大科研人员更加系统地学习机器学习和深度学习的基础理论知识 及对应的代码实现方法， 北京中科资环信息技术研究院特举办“ MATLAB 高级编程及机器学习技术应用”

尽管概率论在工程与自然科学中已经有了广泛的应用，但现有的绝大部分概率书 籍往往沿用数学教材的经典方式，即从定义出发、列举重要结果定理证明，并给出相 关例子. 虽然这一模式极为有效，但是数学教材中的例子以说明概念为主，鲜少阐述 概率论如何在实际的工程问题中发挥作用. 因此，许多国内外 EECS（Electrical Engineering and Computer Science，电子工程与计算机科学系）的同学在学习概率论的 时候，除了觉得好玩有趣之外，往往容易感到困惑：不知道自己为什么需要学习概率 论，也不知道概率论究竟能够应用在哪些地方. 正因如此，不少同学认为概率论是一 门只有做学术研究的人才需要的课程. 本书在内容编撰上另辟蹊径，从应用出发，通过精心选取 EECS 领域核心方向中 的几个基本问题，深入浅出却不失系统性地介绍概率论的基础及其在实际问题中的使 用. 这其中包括： (1) PageRank 与马尔可夫链 (2) 网络多路复用与大数定律和中心极限定理 (3) 数字链路与编码和假设检验 (4) 追踪定位与最小方差估计和卡尔曼滤波器 (5) 语音识别、大数据与隐马尔可夫链和期望最大化 (6) 路线规划与马尔可夫决策问题和线性二次型高斯问题 以上列举的应用问题通常很少与书中涵盖的概率论知识一同出现. 本书作者这样 安排，正是希望通过一种以应用为主的方式，解答读者在概率论学习过程中对其实际 效用的疑惑；也希望通过这种讲授方式，使读者对概率论的重要性有更好的认识；并 且希望读者在学习工作中遇到问题时，能从概率论的角度出发进行思考. 本书作者 Jean Walrand 教授在加州大学伯克利分校的电子计算机系从教 30 余年， 是计算机网络、随机过程与控制研究的大师. 他不仅在概率论与工程研究上有极高的 造诣，而且深谙概率工具在 EECS 领域中应用的关键. 在此书中， Walrand 教授无疑成 功地将这两者进行了结合.

We introduce a simple modification of local image descriptors, such as SIFT, that improves matching performance by 43.09%1 on the Oxford image matching benchmark and is implementable in few lines of code. To put it in perspective, this is more than half of the improvement that SIFT provides over raw image intensities on the same datasets. The trick consists of pooling gradient orientations across different domain sizes, in addition to spatial locations, and yields a descriptor of the same dimension of the original, which we call DSP-SIFT. Domain-size pooling causes DSP-SIFT to outperform by 28.29% a Convolutional Neural Network, which in turn has been recently reported to outperform ordinary SIFT by 11.54%. This is despite the network being trained on millions of images and outputting a descriptor of considerably larger size. Domain-size pooling is counter-intuitive and contrary to the practice of scale selection as taught in scale-space theory, but has solid roots in classical sampling theory.

Many of the designations used by manufacturers and sellers to distinguish their products are claimed as trademarks. Where those designations appear in this book, and the publisher was aware of a trademark claim, the designations have been printed with initial capital letters or in all capitals. The author and publisher have taken care in the preparation of this book, but make no expressed or implied warranty of any kind and assume no responsibility for errors or omissions. No liability is assumed for incidental or consequential damages in connection with or arising out of the use of the information or programs contained herein

第 1 节 最快最简单的排序——桶排序......................................................................................... 2 第 2 节 邻居好说话——冒泡排序................................................................................................. 7 第 3 节 最常用的排序——快速排序........................................................................................... 12 第 4 节 小哼买书 .......................................................................................................................... 20 第 2 章 栈、队列、链表..................................................................................................................... 25 第 1 节 解密 QQ 号——队列....................................................................................................... 26 第 2 节 解密回文——栈 .............................................................................................................. 32 第 3 节 纸牌游戏——小猫钓鱼................................................................................................... 35 第 4 节 链表 .................................................................................................................................. 44 第 5 节 模拟链表 .......................................................................................................................... 54 第 3 章 枚举！很暴力......................................................................................................................... 57 第 1 节 坑爹的奥数 ...................................................................................................................... 58 第 2 节 炸弹人 .............................................................................................................................. 61 第 3 节 火柴棍等式 ...................................................................................................................... 67 第 4 节 数的全排列 ...................................................................................................................... 70 第 4 章 万能的搜索............................................................................................................................. 72 第 1 节 不撞南墙不回头——深度优先搜索............................................................................... 73 第 2 节 解救小哈 .......................................................................................................................... 81 第 3 节 层层递进——广度优先搜索........................................................................................... 88 第 4 节 再解炸弹人 ...................................................................................................................... 95 第 5 节 宝岛探险 ........................................................................................................................ 106 第 6 节 水管工游戏 .................................................................................................................... 117 第 5 章 图的遍历............................................................................................................................... 128 第 1 节 深度和广度优先究竟是指啥 ........................................................................................ 129 第 2 节 城市地图——图的深度优先遍历................................................................................. 136

这本书对各类读者都有一定用处，但我们主要是为两类受众对象而写的。其中 一类受众对象是学习机器学习的大学生（本科或研究生），包括那些已经开始职业 生涯的深度学习和人工智能研究者。另一类受众对象是没有机器学习或统计背景但 希望能快速地掌握这方面知识并在他们的产品或平台中使用深度学习的软件工程师。 深度学习在许多软件领域都已被证明是有用的，包括计算机视觉、语音和音频处理、 自然语言处理、机器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和 金融。

Python 作为一种高效简洁的直译式语言非常适合我们用来解决日常 工作的问题。而且它简单易学，初学者几个小时就可以基本入门。再加 上 Numpy 和 matplotlib 这两个翅膀， Python 对数据分析的能力不逊于 Matlab。 Python 还被称为是胶水语言，有很多软件都提供了 Python 接 口。尤其是在 linux 下，可以使用 Python 将不同的软件组成一个工作流， 发挥每一个软件自己最大的优势从而完成一个复杂的任务。比如我们可以 使用 Mysql 存储数据，使用 R 分析数据，使用 matplotlib 展示数据，使用 OpenGL 进行 3D 建模，使用 Qt 构建漂亮的 GUI。而 Python 可以将他们 联合在一起构建一个强大的工作流。 虽然 python 很强大，而且也有自己的图像处理库 PIL，但是相对于 OpenCV 来讲，它还是弱小很多。跟很多开源软件一样 OpenCV 也提供了 完善的 python 接口，非常便于调用。 OpenCV 的稳定版是 2.4.8，最新版 是 3.0，包含了超过 2500 个算法和函数，几乎任何一个能想到的成熟算法 都可以通过调用 OpenCV 的函数来实现，超级方便。