筷点雪糕侠

2022年3月7日

摘要：原理方面，其他网友已经讲得很详细了，这里补充下python代码 https://blog.csdn.net/liyuanbhu/article/details/49387483 点击查看代码 import cv2 import numpy as np import matplotlib.pyplot 阅读全文

posted @ 2022-03-07 19:45 筷点雪糕侠阅读(322) 评论(1) 推荐(0) 编辑

2022年3月5日

图像处理-梯度计算

摘要： 1.概述 2.Laplacian算子下面我们用最后得出梯度的幅值为

G (x, y) = \sqrt{(g_{x}^{2} + g_{y}^{2})}

$G(x,y) = \sqrt{ \left(g_{x}^2 +g_{y}^2\right)}$ 方向为:

θ = \arctan \frac{g_{y}}{g_{x}}

$\theta = \arctan{\frac{g_{y}}{g_{x}}}$ 现在我们用程序来实现这个过程。拉普拉斯算子，在阅读全文

posted @ 2022-03-05 22:16 筷点雪糕侠阅读(690) 评论(0) 推荐(0) 编辑

2022年3月2日

概率图模型:原理与技术-4 马尔科夫网络 MRF

摘要：案例入门没有一种有向图可以表达上面的关系，所以这时候就需要用无向图来表示基本概念

因 子, 或 者 叫 势 函 数

$\color{red}{因子,或者叫势函数}$

辖 域 / s c o p e

$\color{red}{辖域/scope}$ 因子的表示输入是一个随机变量具体的值输出是对应的可能情况,这说明因子就是没有归一化的概率密度函数/概率质阅读全文

posted @ 2022-03-02 22:38 筷点雪糕侠阅读(411) 评论(0) 推荐(0) 编辑

2022年2月28日

概率图模型:原理与技术-3.4 图与分布之间的关系

摘要：图与分布的等价性如图3.5中的abc三张图从分布构建图-最小I-map 阅读全文

posted @ 2022-02-28 23:12 筷点雪糕侠阅读(72) 评论(0) 推荐(0) 编辑

概率图模型:原理与技术-3.3 图中的独立性,D-分离

摘要： d-分离

本 节 的 目 的 是 了 解 合 适 可 以 保 证 独 立 性 条 件 (X ⊥ Y | Z) 在 于 贝 叶 斯 网 络 结 构 (G) 相 关 的 分 布 中 成 立

$本节的目的是了解合适可以保证独立性条件(X\perp Y|Z)在于贝叶斯网络结构\mathcal(G)相关的分布中成立$ 直接连接这个一看就是互相影响的，不可能独立间接连接考虑下面四种间接连接的情况简单总结下就是 \(a,b,c三种情况是如果没有观察到Z。那么X，Y是相关的, 阅读全文

posted @ 2022-02-28 08:33 筷点雪糕侠阅读(146) 评论(0) 推荐(0) 编辑

2022年2月27日

概率图模型:原理与技术-3.2 贝叶斯网络

摘要：贝叶斯网络的定义

贝 叶 斯 网 络 是 一 个 有 向 无 圈 图 (D A G) G

$\color{red}{贝叶斯网络是一个有向无圈图(DAG)\mathcal{G}}$ 因子分解-基础

简 单 说 ， 贝 叶 斯 网 络 的 因 子 分 解 = 每 个 节 点 的 条 件 概 率 (已 知 所 有 父 节 点 的 情 况 下) 之 积

$\color{red}{简单说，贝叶斯网络的因子分解=每个节点的条件概率(已知所有父节点的情况下)之积}$ 概率图推理模式拿到一封好的推荐信的概率为 \(P(L= 阅读全文

posted @ 2022-02-27 22:34 筷点雪糕侠阅读(470) 评论(0) 推荐(0) 编辑

2022年2月26日

概率图模型:原理与技术-3.1.3.2 朴素贝叶斯网络

摘要：朴素贝叶斯模型定义概率图模型作用适用场景局限性显而易见，各变量之间的独立假设过强是最大的局限性,相互影响的变量被重复计算，证据被重复计算，特征过多，反而性能下降阅读全文

posted @ 2022-02-26 20:52 筷点雪糕侠阅读(49) 评论(0) 推荐(0) 编辑

概率图模型:原理与技术-2.2图

摘要：基本概念

节 点 X

$节点\mathcal{X}$

边 集 ε

$边集\varepsilon$

有 向 边 : X_{i} \to X_{j}

$有向边:X_i \to X_j$

无 向 边 : X_{i} - X_{j}

$无向边:X_i - X_j$

X_{i} ⇌ X_{j} : 这 条 边 可 以 是 有 向 的 (任 意 方 向), 也 可 以 是 无 向 的

$X_i \rightleftharpoons X_j:这条边可以是有向的(任意方向),也可以是无向的$ \(有向图\mathcal{G} 阅读全文

posted @ 2022-02-26 17:11 筷点雪糕侠阅读(232) 评论(0) 推荐(0) 编辑

概率图模型:原理与技术-2.1概率论

摘要：一些概念条件概率链式法则贝叶斯定理多项式分布，伯努利分布一些记号的说明

P (X = x) 缩 写 成 P (x)

$P(X=x)缩写成P(x)$

\sum_{x} 表 示 X 的 所 有 可 能 取 值 之 和 \sum_{x} P (x) = 1

$\sum_x 表示X的所有可能取值之和 \sum_x P(x)=1$

联 合 概 率 P (X = x, Y = y) 写 成 P (x, y)

$联合概率P(X=x,Y=y)写成P(x,y)$ 边缘分布

P (x) 就 是 随 机 变 量 X 的 边 缘 分 布

$P(x)就是随机变量X的边缘分布$ 阅读全文

posted @ 2022-02-26 14:56 筷点雪糕侠阅读(523) 评论(0) 推荐(0) 编辑

2022年2月25日

概率图模型-15.概率图模型在计算机视觉中的应用

摘要： ![](https://img2022.cnblogs.com/blog/2682749/202202/2682749-20220225082650549-412184799.png) ![](https://img2022.cnblogs.com/blog/2682749/202202/2682749-20220225082710434-28008007.png) ![](https://img 阅读全文

posted @ 2022-02-25 08:31 筷点雪糕侠阅读(115) 评论(0) 推荐(0) 编辑

公告

昵称：筷点雪糕侠
园龄： 3年2个月
粉丝： 8
关注： 0

+加关注

2025年3月

日

一

二

三

四

五

六

公告

搜索

常用链接

随笔分类 (133)

随笔档案 (126)

阅读排行榜

评论排行榜

推荐排行榜

最新评论