05 2015 档案
摘要：百度地图的SDK变化较大，第一行代码里的demo已经不能用了，一直以为是代码类错误，害我花了很多时间，可以参考这位博主的：http://blog.csdn.net/lmj623565791/article/details/37729091 发现这位博主将其录成了视频：http://w...
阅读全文
摘要：参考：http://www.52ml.net/16296.html 这个算法的优点就在于，它首先一步就能找到聚类中心，然后划分类别。而其他算法需要反复迭代才能找到中心聚类。 就是不知道代码该怎么写。。。。。。。
阅读全文
摘要：活动的生命周期： 启动时函数调用的顺序： 启动活动时，调用oncreate(),onstart(),onResume()函数。当另一个正常活动启动时，把主活动遮挡住，会调用onpause(),onstop()函数, 按下返回键后，会调用onrestart(),onstart(),o...
阅读全文
摘要：参考：http://www.cnblogs.com/ywl925/p/3275878.html这个模型主要用于信息检索，但它的思想用于图像也未尝不可。TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类...
阅读全文
摘要：首先学会手动创建一个活动： 首先在包下面创建一个活动类，让它继承自Activity类，项目中的任何活动都应该重写 Activity 的 onCreate()方法。 创建和加载布局：在res/layout目录下，新建Android XML File...
阅读全文
摘要：这部分主要讲形态学的，回头把代码跑跑再来说下代码的感受：http://blog.csdn.net/poem_qianmo/article/details/24599073
阅读全文
摘要：这次主要学习了下滤波，就当复习了图像处理的知识了：http://blog.csdn.net/poem_qianmo/article/details/22745559代码实现比较简单，但关于通过滚动条来调用回调函数那段代码值得注意，要学会使用回调函数。
阅读全文
摘要：这是 Quora上的一篇文章：http://www.quora.com/What-is-an-eigenvector-of-a-covariance-matrix 协方差矩阵最大特征值对应的特征向量的方向，就是数据变化最大的方向。其他特征向量依次正交。
阅读全文
摘要：参考：http://www.cnblogs.com/jerrylead/archive/2011/04/19/2021071.html 对高斯分布的样本点效果不好。数学真是博大精深啊
阅读全文
摘要：理论部分可以看斯坦福大学的那份讲义，通俗易懂：http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html opencv中有PCA这个类，具体的实现可参考：http://www.cnblogs.com/zcftech/archive
阅读全文
摘要：今天的计算机视觉课老师讲了不少内容，不过都是大概讲了下，我先记录下，细讲等以后再补充。 SIFT特征： 尺度不变性：用不同参数的高斯函数作用于图像（相当于对图像进行模糊，得到不同尺度的图像），用得到的图像作差，找极值（相 当于穷举不同尺度空间的图像，找其特征点，在不同尺度下，都在...
阅读全文
摘要：对于线性回归式Y=wtX，y中的每个特征都与x的所有特征相关联，但无法表示y的各个特征之间的联系。 为此需要将整体表示成Y和X各自特征间的线性组合，也就是考察aTx和bTy之间的关系，用相关系数表示， 因此，问题就转化为求一组a,b使得相关系数最大，用拉格朗日求解。
阅读全文
摘要：View Code参考：http://blog.csdn.net/poem_qianmo/article/details/20537737 这位同学挺牛的，才研一就出书了，实在是让人汗颜啊，不说了，多学习。 这一篇主要讲了opencv中的几个基本函数imread,namewindow,i...
阅读全文
摘要：SVM上：这个算法应该是机器学习这门课里最重要的部分了。 首先是SVM的思想：找到超平面，将两类中距离最近的点分的越开越好（直至二者相等）。 然后是函数间隔和几何间隔的定义，二者之间的区别。 接着是超平面模型的建立，看看它是如何将问题转化为凸优化问题的。 SVM第一个...
阅读全文
摘要：转自：http://www.cvchina.net/post/151.html 这篇文章主要介绍了一些常用算法的优缺点，言简意赅，不错。
阅读全文
摘要：感知机：这是最简单的一个机器学习算法，不过有几点还是要注意一下。 首先是损失函数的选取，还有为了使损失函数最小，迭代过程采用的梯度下降法，最后得到最优的w,b 直观解释就是，调整w,b的值，使分离超平面向误分类点移动，以减小误分点与超平面的距离，直至超平面 ...
阅读全文
摘要：《统计学习方法》这本书上写的太抽象，可参考这位大神的：http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006924.html
阅读全文
摘要：参考：http://www.cnblogs.com/king1302217/archive/2011/01/04/1925249.html
阅读全文
