原创 cvMat操作

OpenCV 矩陣操作 CvMat 2009年03月17日 星期二 15:38 綜述: OpenCV有針對矩陣操作的C語言函數. 許多其他方法提供了更加方便的C++接口,其效率與OpenCV一樣. OpenCV將向量作爲1維矩陣

原创 CvArr 竟然是 void

CvArr  竟然是 void  在opencv的大部分函數中經常用到CvArr *  其實也就是 void * 指針 ,在 c中 void * 指針可以被其他類型的指針賦值,狂汗-_-|||,這就是所說的可以被稱爲一個抽象基類。open

原创 cv::Mat與CvMat區別

用了OpenCV一段時間,發現有cv::Mat和CvMat都可以表示圖像數據,只是卻不明白他們之間到底什麼區別,爲什麼一定要有這樣的兩種~Mat。後來跟蹤查看了定義,才知道原來cv::Mat是一個類(Class),而CvMat是一個St

原创 Learning Deformable Models with Latent SVM

The sample program only demonstrates how to use the latent SVM for classification. The paper describes the training p

原创 二維卷積面試題

按照公式進行的卷積如下,雖然對,但是真的很少有人這麼寫。內部的兩個for實際中大部分都是空操作的。 雖然不是我想要的答案,但是也沒辦法。 void Conv2(int** filter, int** arr, int** res, i

原创 從LBF/JDA理解GBDT,RF,BOOST之間的關係

前段時間做了LBF/JDA,之後對GBDT,GBDT+ LR,Additive Regression,Random Forest,Boosting的概念產生了錯亂。 目前來看,LBF/JDA整體是一個Additive Regression

原创 HAAR FEATURE

Below are examples of the haar-like feature sets that are used in training. It displays what features are used based on

原创 UBUNTU SERVER 配置網卡

1. 修改interface文件。     vi  /etc/network/interfaces 添加 auto eth0 iface eth0 inet dhcp auto wlan0 iface wlan0 inet static

原创 推薦系統:總體介紹、推薦算法、性能比較

總體介紹: 探索推薦引擎內部的祕密,第 1 部分: 推薦引擎初探 個性化推薦技術漫談 一些推薦算法: SVD: SVD在推薦系統中的應用 slope one:推薦系統:Slope One 算法 apriori:先驗算法         

原创 C++類初始化順序

C++類對象的構造順序是這樣的:分配內存->調用構造函數時,隱式/顯式的初始化各數據成員->在構造函數內部初始化數據成員。 C++類初始化需注意以下幾點     1、類裏面的任何成員變量在定義時是不能初始

原创 matlab內存不足的解決方法

今天用Matlab跑程序,由於數據量太大,又出現Out ofmemory. Type HELP MEMORY for your options.的問題。看到這篇文章非常實用,轉過來方便查閱~ 用 Matlab 進行大規模科學計算或仿真時,

原创 bootstrap淺解

假設我們有n個樣本,分別從X1~Xn, 我們不知道樣本來自什麼分佈,姑且說是來自F分佈吧。也假定他有一個固定的均值u 對於一個估計T,T=g(X1~Xn),是說估計是由樣本組成的。例如根據大數定律,(X1+...+Xn)/n是近似的F分佈

原创 數據標準化的原因及方法

一、爲何要將數據標準化? 由於不同變量常常具有不同的單位和不同的變異程度。  不同的單位常使係數的實踐解釋發生困難。例如:第1個變量的單位是kg,第2個變量的單位是cm,那麼在計算絕對距離時將出現將兩個事例中第1個變量觀察值之差的絕對值(

原创 安裝ipc與libv4l2cam

1 ipc安裝 直接make 將生成的libipc.a 拷貝到 /usr/local/lib   將生成的ipc.h 拷貝到  /usr/local/include 2.libv4l2cam安裝 修改opencv頭文件目錄 make

原创 牛頓法、梯度下降法、隨機梯度下降法、共軛梯度法

梯度: 函數f(x)在某一點的梯度指向最大化f(x)的方向 目標: f(x)=E(x)^2=0; 牛頓法: X(i+1)=X(i)-f(x)/f`(x); 梯度下降法: X(i+1)=X(i)-r*f`(x); 隨機梯度下降法: