zhoutongchi的专栏

原创 2015 International Conference

ICCV 2015 - International Conference on Computer Vision ICCV 2015会议日期 ： 2015-12-11 - 2015-12-18截稿日期： 2015-04-12会议地点： Santiago, 智利 关键字：网站： http://www.cv-foundation.org

转载 http://www.vcipl.okstate.edu/publications.html(资源转载)

Visual Computing and Image Processing LabOklahoma State UniversityImaging, Processing, nferencing and LearningHome

转载 位置敏感哈希Locality-Sensitive Hashing (LSH)

图像检索其基本定义为给定的一个包含个图像数据集，每个图像可以用一个维的特征向量来描述，因此整个图像数据集就映射为维空间的个点，在此维空间中用一个相似度度量函数来测量两个图像点之间的距离，对于任意给定的查询点，需要设计一个数据结构，来快速的返回距离最近(Nearest Neighbor)的图像点(或者Ranking的多个点)。    当较小时(10-20),可采用如的结构，但当较大时(一个D

翻译 Dictionary Learning Tools for Matlab

Dictionary Learning Tools for Matlab.Karl Skretting, University of Stavanger.http://www.ux.uis.no/~karlsk/dle/index.htmlContents on this page:Relevant papers and links

原创 laplacian Sparse Coding

laplacian Sparse CodingShenghua Gao高盛华(Author)[] Shenghua Gao, Ivor Wai-Hung Tsang, Liang-Tien Chia and Peilin Zhao.Local features are not lonely-Laplacian Sparse Coding for image classifica

转载 拉普拉斯矩阵及谱聚类

拉普拉斯矩阵及谱聚类(Laplacian Matrix and Spectral Clustering)与相似性度量相关的论文中经常出现拉普拉斯矩阵(Laplacian Matrix)，根据维基百科的描述，该矩阵在图论中运用较多。本文主要介绍在谱聚类中的应用。首先给出一个谱聚类的直观结果，然后介绍Laplacian Matrix的一些性质，最后讨论谱聚类。通过模拟生成一

转载 谱聚类

谱聚类(spectral clustering)1. 谱聚类给你博客园上若干个博客，让你将它们分成K类，你会怎样做？想必有很多方法，本文要介绍的是其中的一种——谱聚类。聚类的直观解释是根据样本间相似度，将它们分成不同组。谱聚类的思想是将样本看作顶点，样本间的相似度看作带权的边，从而将聚类问题转为图分割问题：找到一种图分割的方法使得连接不同组的边的权重尽可能低（这意味着组间相

原创 http://www.cs.stevens.edu/~ghua/ghweb/Research.htm

Research[Human Sensing][Graphical Model][Local Image Descriptor][Internet Vision][Mobile Vision]Understanding Human from Image and VideoContextual Face Recognition in Rea

转载 [Paper-CV] ECCV 2012 papers 1

http://applesun0757.blog.163.com/blog/static/18737419220126702145274/[Paper-CV] ECCV 2012 papers 12012-07-07 00:21:45| 分类：Papers-CV | 标签：|字号大中小订阅 13M-Best Mod

原创 无监督特征学习：模拟简单细胞、复杂细胞属性的特征(上段工作总结)

转载 Stanford Online Machine Learning 学习笔记1——单变量线性回归

TomMitchell 对机器学习的定义是：Acomputer program is said to learn from experience E, with respect to some taskT,  and some performance measure P, if its performance on T, as measuredby P, improves with experie

转载 稀疏学习工具箱

Online Learning Toolbox Francesco Orabonahttp://francesco.orabona.com/pubs.htmlhttp://dogma.sourceforge.net/index.html#code最近在查怎样利用在线学习来更新跟踪过程中的目标模板，偶尔发现了这个工具箱，留着将来用！Machine Perception Toolb

转载 支持向量机（五）SMO算法

支持向量机（五）SMO算法11 SMO优化算法（Sequential minimal optimization）SMO算法由Microsoft Research的John C. Platt在1998年提出，并成为最快的二次规划优化算法，特别针对线性SVM和数据稀疏时性能更优。关于SMO最好的资料就是他本人写的《Sequential Minimal Optimization A

转载 支持向量机（四）

支持向量机（四）9 规则化和不可分情况处理（Regularization and the non-separable case）我们之前讨论的情况都是建立在样例线性可分的假设上，当样例线性不可分时，我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分

转载 支持向量机（三）核函数

支持向量机（三）核函数7 核函数（Kernels） 考虑我们最初在“线性回归”中提出的问题，特征是房子的面积x，这里的x是实数，结果y是房子的价格。假设我们从样本点的分布中看到x和y符合3次曲线，那么我们希望使用x的三次多项式来逼近这些样本点。那么首先需要将特征x扩展到三维，然后寻找特征和结果之间的模型。我们将这种特征变换称作特征映射（feature mapping）。映射函数

转载 支持向量机SVM（二）

支持向量机SVM（二）【转载请注明出处】http://www.cnblogs.com/jerrylead6 拉格朗日对偶（Lagrange duality）先抛开上面的二次规划问题，先来看看存在等式约束的极值问题求法，比如下面的最优化问题： 目标函数是f(w)，下面是等式约束。通常解法是引入拉格朗日算子，这里使用来表示算子，得到拉格朗日公式为L是等式

转载 支持向量机SVM（一）

支持向量机SVM（一）【转载请注明出处】http://www.cnblogs.com/jerrylead1 简介支持向量机基本上是最好的有监督学习算法了。最开始接触SVM是去年暑假的时候，老师要求交《统计学习理论》的报告，那时去网上下了一份入门教程，里面讲的很通俗，当时只是大致了解了一些相关概念。这次斯坦福提供的学习材料，让我重新学习了一些SVM知识。我看很多正统的讲法都是从V

转载 对线性回归，logistic回归和一般回归的认识

对线性回归，logistic回归和一般回归的认识【转载时请注明来源】：http://www.cnblogs.com/jerryleadJerryLead 2011年2月27日 作为一个机器学习初学者，认识有限，表述也多有错误，望大家多多批评指正。 1 摘要本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义后的总结与认识。前四节主要讲述了回归问题，回归属于有

转载 规则化和模型选择（Regularization and model selection）

规则化和模型选择（Regularization and model selection）1 问题模型选择问题：对于一个学习问题，可以有多种模型选择。比如要拟合一组样本点，可以使用线性回归，也可以用多项式回归。那么使用哪种模型好呢（能够在偏差和方差之间达到平衡最优）？还有一类参数选择问题：如果我们想使用带权值的回归模型，那么怎么选择权重w公式里的参数？形式化定义：假设

转载 牛人推荐机器学习网站

转载CSDN：http://blog.csdn.net/chenbang110/article/details/8437954 牛人推荐机器学习网站  北京大学视觉与听觉信息处理实验室北京邮电大学模式识别与智能系统学科复旦大学智能信息处理开放实验室IEEE Computer Society北京映象站点计算机科学论坛机器人足球赛模式识别国家重点实验室

转载 压缩感知或压缩传感

由来　　采样定理（又称取样定理、抽样定理）是采样带限信号过程所遵循的规律，1928年由美国电信工程师H.奈奎斯特首先提出来的，因此称为奈奎斯特采样定理。1948年信息论的创始人C.E.香农对这一定理加以明确说明并正式作为定理引用，因此在许多文献中又称为香农采样定理。该理论支配着几乎所有的信号/图像等的获取、处理、存储、传输等，即：采样率不小于最高频率的两倍(该采样率称作Nyqu

原创 2013年 各铁路局电话订票和互联网售票

自2013年1月1日起，各铁路局电话订票和互联网售票的预售期变更为12天（含购票当日，春运20天），各站第12天车票的起售时间如下：8：00起售车站 　　北京西、汉口、兰州、乌鲁木齐、武昌、武汉、西安。9：00起售车站　　阿克苏、阿克陶、阿拉山口、阿图什、巴楚、白银市、白银西、北屯市、博乐、布列开、长征、成都、成都东、大武口、低窝铺、定边、定西、东莞东、敦煌、福海、甘谷、皋兰、

原创 Tong Zhang's research papers(文献资料)

Tong Zhang's research papersTech_Reports:[TR] Shai Shalev-Shwartz and Tong Zhang. Proximal Stochastic Dual Coordinate Ascent, Tech Report arXiv:1211.2717, Nov 2012. [Software

原创 结构化稀疏----Learning with Structured Sparsity(学习与结构化稀疏)

Structured Sparsity是在标准稀疏算法基础上，修改惩罚项而成。约束项为图像先验信息，迫使学习特征按照一定规则排列，行成有结构的字典Standard sparsityGroup SparsityGroup Sparsity,最早出现在2006年，authors：Yuan & Lin.Graph sparsity图模型结构主要由图、树，树是图的一种特例。

原创 Reading Group

Reading Group20 January 2006A. Corduneanu and C.M. Bishop, Variational Bayesian Model Selection for Mixture DistributionsPresenter: Shihao Ji, Presentation27 January 2006M. Kuss an

转载 迁移学习(Transfer learning)

在机器学习领域，迁移学习(Transfer learning)是一个比较新的名词。目前国内做这个方面的很少，我目前只知道香港科技大学杨强教授及上海交大的机器学习小组在从事这方面的研究，近几年他们已经取得大量的成果，发表了十几篇AI领域顶级的会议论文，着实让我崇拜不已。接下来的研究生活，偶希望能循着他们的足迹慢慢摸索！Qiang Yanghttp://www.cse.ust.hk/~qyan

转载 典型相关分析(Canonical Correlation Analysis）

典型关联分析（Canonical Correlation Analysis）1. 问题在线性回归中，我们使用直线来拟合样本点，寻找n维特征向量X和输出结果（或者叫做label）Y之间的线性关系。其中，。然而当Y也是多维时，或者说Y也有多个特征时，我们希望分析出X和Y的关系。当然我们仍然可以使用回归的方法来分析，做法如下：假设，，那么可以建立等式Y=AX如下其

转载 计算机视觉领域稍微容易中的期刊（第一版）

模式识别，计算机视觉领域，期刊 (1)pattern recognition letters, 从投稿到发表，一年半时间(2)Pattern recognition 不好中，时间长(3)IEICE Transactions on Information and Systems， 作者中有一个必须是会员。收费高，审稿快。影响因子0.4(4)International Journa

转载 计算机视觉领域的一些牛人博客，超有实力的研究机构等的网站链接

转注明出处：blog.csdn.net/carson2005        以下链接是本人整理的关于计算机视觉（ComputerVision, CV）相关领域的网站链接，其中有CV牛人的主页，CV研究小组的主页，CV领域的paper,代码，CV领域的最新动态，国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站，多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的

转载 行为识别特征提取综述

行为识别特征提取综述转自：http://www.cnblogs.com/tornadomeet/archive/2012/06/22/2558548.html 主要参考“Human Activity Analysis: A Review”摘要　　人体行为识别目前处在动作识别阶段，而动作识别可以看成是特征提取和分类器设计相结合的过程。特征提取过程受到遮挡，动态背景，移

原创 无监督学习参考文献-Sparse coding / ICA models of V1参考文献----之三

无监督学习参考文献-Sparse coding / ICA models of V1http://www.cs.helsinki.fi/u/ahyvarin/papers/brainimaging.shtml牛人：A. Hyvärinen [1]M. U. Gutmann and A. Hyvärinen.Extracting coactivated features

原创 压缩感知--续

压缩感知，即在稀疏编码的基础上引入观测矩阵，迫使编码的容量更小化，相当于二次编码，但学习的基与观测矩阵要求不相关。图2-2 采样与压缩同步进行压缩感知（cs）三个方面问题，同观测矩阵与学习基之间关系压缩感知（CS）观测矩阵图示形式表示为：Y为通过压缩感知产生的稀疏表示，X为原始信号。

转载 如何发表顶级期刊论文 (转)

吴信东 博士（美国佛蒙特大学计算机科学系正教授和系主任， TKDE 等多种国际著名学术杂志的主编和编委）最重要的九点：1 、技术贡献、证据2 、切忌打击面太广、针对的问题多，切入点不能超过 2 个3 、知道你的敌人是谁4 、选题5 、实验结果、说服力6 、好的前言7 、相关工作、引用（该期刊）8 、修改文章（详细说明各点）9 、宽容态度、坚韧不拔

转载 行为识别

暑假听了computer vision的一个Summer School，里面Jason J. Corso讲了他们运用Low-Mid-High层次结构进行Video Understanding 和 Activity Recognition的方法，受益颇深，在这里把他的方法总结一下:--------------------------------------

转载 Compressive Sensing

“People Hearing Without Listening:”An Introduction to Compressive SamplingEmmanuel J. Cand`es and Michael B. WakinApplied and Computational MathematicsCalifornia Institute of Technology, Pasad

转载 分析压缩感知

1．引言　　信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是着名的Nyquist 采样定理。定理指出，只有当采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist 采样定理对采样的本质要求。但是，对于超宽带通信和信号处理、核磁共振成像、雷达遥感成像、传感器网络等实际应用，信号的带宽变得越来越大，人们对信号的采样速率

转载 The culture of Statistic Learning

The culture of Statistic Learning（从csdn转载：abcjennifer）分类： Data Mining Machine Learning 杂感在MIT 150周年庆的Brains, Minds, and Machines研讨会上， Prof. Noam Chomsky发表了一个观点，他的大概意思是有很多语言模型采用统计的方法建模，

转载 Paper阅读小结

Detection of Human Actions from a Single Example其中paper“Training-Free, Generic Object Detection Using Locally Adaptive Regression Kernels”为其期刊版关键点：1，提出一种衡量局部时空特性的度量；2，通过PCA对所得度量进行主成份提取；3，通过M

转载 用Hough投票做物体检测的3篇文献

用Hough投票做物体检测的3篇文献文献1：Combined Object Categorization and Segmentation with an Implicit Shape Model，ECCV 04 Workshop。内容简介：用隐形状模型（Implicit Shape Model, ISM）把物体的检测和分割结合起来。创新点：用隐

转载 用Hough投票做物体检测（续）

用Hough投票做物体检测（续） 文献： Object Detection using a Max-Margin Hough Transform, CVPR 2009.用最大化margin的方法学习出参与投票的部分的权重, 用优化工具CVX求解。流程图如下：文献： Recognition using Regions, CVPR 09.内容简介：提出了