原创 python學習日誌(一)

1.運算符的不同: +:‘a’+ ‘b’ =‘ab’ *:‘la’*3 = ‘lalala’ 2.控制流 while循環中可以使用else從句 while(condition)#注意這邊在Python裏其實是空格,不需要括號

原创 J-linkage算法學習

原文: 【http://xueshu.baidu.com/s?wd=paperuri%3A%285cf06460732097a0248dce05c12126b0%29&filter=sc_long_sign&tn=SE_xues

原创 鏈式UGM的Demo

翻譯自【https://www.cs.ubc.ca/~schmidtm/Software/UGM/chain.html】 上一個demo中說明的方法在計算節點數和狀態數時需要指數級的時間複雜度,因此當節點或者狀態數過大時不實用。在這個

原创 moban 歡迎使用CSDN-markdown編輯器

moban @TOC 歡迎使用Markdown編輯器 你好! 這是你第一次使用 Markdown編輯器 所展示的歡迎頁。如果你想學習如何使用Markdown編輯器, 可以仔細閱讀這篇文章,瞭解一下Markdown的基本語法知識。 新的

原创 一個小的UGM的Demo

翻譯自【https://www.cs.ubc.ca/~schmidtm/Software/UGM/small.html】 在這個demo中,我們使用一個非常簡單的無向圖模型(UGM)來表示一個簡單的概率場景,來說明怎樣把模型應用於無向

原创 華盛頓大學機器學習課程(個案研究法)

本課程主要是從應用入手,來解釋一些機器學習中的模型。 案例一:regression, linear regression(迴歸、線性迴歸) 這個是一個經典的預測房價的案例。假設我們有一組房子的數據,包括房子面積,房間數目,衛生間個數,以及

原创 markdown語言樣例

歡迎使用Markdown編輯器寫博客 本Markdown編輯器使用StackEdit修改而來,用它寫博客,將會帶來全新的體驗哦: Markdown和擴展Markdown簡潔的語法 代碼塊高亮 圖片鏈接和圖片上傳 LaTex數學公式 UM

原创 華盛頓大學機器學習基礎:案例研究week2

利用Python學習簡單的數據操作 import graphlab sales = graphlab.SFrame('home_data.gl/') #exploring the data for housing sales graphl

原创 用pytorch實現一個神經網絡(一)

對於圖像數據的resize問題: pytorch裏有幾種resize數據的方法: 1.torchvision.transforms.Resize:這個我始終沒用成,好像是服務器上安裝的anaconda包裏的函數不太對。這個函數是對於P

原创 vs裏32位項目和64位項目的區別

由於操作系統內存分配的不同,導致軟件開發過程中,需要編譯不同版本的軟件。 1。編譯程序根據需要選擇不同的編譯環境。 x86和win32爲32位程序,x64爲64位程序,可以選擇不同的編譯條件形成不同位的軟件。 2。代碼中的基本數據類

原创 語義分割一個review

翻譯自【http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review】 寫了一半發現已經有現成的翻譯了:【http://www.myzaker.com/arti

原创 opencv編程函數

1 .利用mask對原圖進行處理 cv::Mat testmask(376, 1241, CV_8UC1, cv::Scalar(0)); cv::Rect RoI(100, 100, 100, 100); testmask(RoI).s

原创 Learning to remove soft shadows

本文假定,soft shadow(柔和陰影)是可以被分割的,因此是可以被編輯的。通過圖像碎片學習出一個映射函數,能夠產生陰影matte。本算法需要用戶指定需要處理的陰影區域,通過訓練好的有監督的迴歸算法,就能夠自動生成無陰影的圖像效果。

原创 Pixel-wise orthogonal decomposition for color illumination invariant and shadow-free image

原文:【Qu L, Tian J, Han Z, et al. Pixel-wise orthogonal decomposition for color illumination invariant and shadow-free im

原创 Single-image shadow detection and removal using paired regions學習解讀

本文[1]實現了陰影的檢測和去除。 一、摘要 與其他基於像素和邊緣的方法不同,該方法是基於區域的。1.對於分割出來的不同區域,預測其之間的相對光照條件,並進行按對分類;2.分類結果之後用於構建各部分之間的圖,然後利用graph-cut來