04 2013 档案

摘要：转自： http://www.matrix67.com/blog/archives/4713 今天见到一种看上去很帅的质数筛选法。在平面直角坐标系上画出抛物线 y = x2的图像，然后标出抛物线上的所有格点（两坐标均为整数的点）。其中，只有点 (0, 0) 正好在 y 轴上，其余的点要么在 y 轴左侧，要么在 y 轴右侧。把 y 轴左侧除了 (-1, 1) 以外的所有格点与 y 轴右侧除了 (1, 1) 以外的所有格点相连，这些连线将自动避开 y 轴上纵坐标为质数的点。连接足够多的线条之后，质数就逐渐露了出来。这是因为， (-a, a2) 和 (b, b2) 的连线将经过 (0, a  阅读全文

摘要：转自：http://www.sigvc.org/bbs/thread-800-1-1.html总觉得即使是“浅谈”两个字，还是让这个标题有些过大了，更何况我自己也才刚刚接触这么一个领域。不过懒得想其他标题了，想起来要扯一下这个话题，也是因为和朋友聊起我自己最近在做的方向。Manifold Learning 或者仅仅 Manifold 本身通常就听起来颇有些深奥的感觉，不过如果并不是想要进行严格的理论推导的话，也可以从许多直观的例子得到一些感性的认识，正好我也就借这个机会来简单地谈一下这个话题吧，或者说至少是我到目前为止对这它的认识。这两个词，在谈 Manifold 之前，不妨先说说 Learn 阅读全文

摘要：一人脸识别系统结构图1显示了人脸识别系统所包含的各个模块，其中，图像采集模块用于采集包含人脸的图像；人脸检测跟踪模块用于确定视频中人脸的位置和大小，并确定同一个人在帧间的对应关系；而特征点定位模块用于定位眼睛、嘴巴等脸部特征点的位置；图像质量评估模块，用于从采集的同一个人的多张人脸图像中，根据人脸姿态和光照条件选择最适合识别的一张或者几张人脸进行人脸识别/认证；人脸特征提取模块用于根据眼睛位置将人脸进行标准化，得到设定大小的脸部区域，并提取用于识别的人脸特征；人脸认证/识别模块用于判定当前人脸特征是否为库中人脸特征；活体认证模块，其作用是识别当前是真人还是照片、视频或者模型，从而避免仿冒造成的 阅读全文

摘要：转自：http://bbs.chinaunix.net/forum.php?mod=viewthread&tid=40773041、linux进程间通讯 继承unix进程间通讯：管道 信号 AT&T :system V IPC 通讯进程只能在单个计算机 ：信号量消息队列 共享内存 BSD:形成了基于socket的进程间通讯机制 TCP/IP2、管道 （1）无名管道:父子进程 #include <unistd.h> int pipe(int pipefd[2]); 创建一个管道 fd[0]:读端 fd[1]:写端... 阅读全文

摘要：转自：http://www.cnblogs.com/celerychen/archive/2013/04/02/2995586.html本文要介绍的是SSE4.1指令集中的几条整数指令及其在视频编码中的应用。1.单指令32字节差分绝对值求和指令MPSADBW 这条指令类似于SSE的PSADBW，但它实现的功能更强大。包括微软官方网站上对这条指令的说明都不是能够让人一目了然。下面这张图也许可以帮助我们理解： 这条指令的灵活之处在于源操作数和目的操作数的位置都是可选的。如何选择关键在于后面那个mask常量。这个常量是一个立即数，但只用到了其中的低三位。 其中，最低2位，用于选择源操作数的... 阅读全文

摘要：2005年5月，我开始用VIM。此后渐入佳境，原来因版权自律而放弃盗版UltraEdit的遗憾一扫而 空。并且，从VIM我才体会到，什么才是真正的编辑利器。在善用佳软或其他论坛发文，我都是先在VIM中输入，并方便高效地编辑好格式，再贴到网上。而我的通讯录、记事、读书笔记、工作记录也是在VIM中完成的。包括一些文档、数据的处理，让VIM过一下，也会提高不少效率。一句话，自用VIM以来，对它迷恋日深，几乎要超过 Total Commander。但是，正如善用佳软及论坛发文所提，我大力推荐“用IrfanView/XnView代替ACDSee、用7-zip代 替 WinRar/WinZip、用GIMP 阅读全文

摘要：Vim 是一个Linux 平台上功能非常强大的编辑器，他是早年的Vi 编辑器的加强版。这个gVim 是windows 版的，并且有了标准的windows 风格的图形界面，所以叫g(graphical)Vim。我们可以将gvim 理解为vim（vi的加强版）图形化版本，其指令和用法都完全相同，所以可以參考vim的指令。这是一个国际版本，会根据安装的平台自动选择相应语言包， 支持中文及其各种编码，连界面也是中文的，请放心使用。这个极具Unix特色和风格(simple is the best)的编辑器相信会给您带来不同的感受。【历史回顾】Vim 是从vi 发展出来的一个多平台文本编辑器。代码补完、编 阅读全文

摘要：转自：http://www.csdn.net/article/2013-03-25/2814634-data-de-duplication-tactics-with-hdfs摘要：随着收集到数据体积的激增，去重无疑成为众多大数据玩家面对的问题之一。重复数据删除在减少存储、降低网络带宽方面有着显著的优势，并对扩展性有所帮助。在存储架构中，删除重复数据的常用方法包括哈希、二进制比较和增量差分；而本文专注的是使用MapReduce和HDFS对数据进行去重。随着存储数据信息量的飞速增长，越来越多的人开始关注存储数据的缩减方法。数据压缩、单实例存储和重复数据删除等都是经常使用的存储数据缩减技术。重复数据 阅读全文

摘要：转自：http://blog.chinaunix.net/uid-26548237-id-3541783.html1、向量空间模型 向量空间模型作为向量的标识符，是一个用来表示文本文件的代数模型。它应用于信息过滤、信息检索、索引以及相关规则。 文档和问题都用向量来表示。 每一维都相当于一个独立的词组。如果这个术语出现在文档中，那它在向量中的值就非零。已经有很多不同的方法来计算这些值，这些值叫做（词组）权重。其中一种广为人知的算法就是tf_idf权重。我们是根据应用来定义词组的。典型的词组就是一个单一词、关键词、或者较长的短语。如果字被选为词组，那么向量的维数就是出现在词汇表中不同字的个数... 阅读全文

摘要：转自：http://www.sigvc.org/bbs/thread-72-1-1.htmlhttps://netfiles.uiuc.edu/jbhuang1/www/resources/vision/index.htmlMaintained by Jia-Bin Huang3D Computer Vision: Past, Present, and FutureTalk3D Computer Visionhttp://www.youtube.com/watch?v=kyIzMr917RcSteven Seitz, University of Washington, Google Tech 阅读全文

摘要：转自：http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/概率论只不过是把常识用数学公式表达了出来。——拉普拉斯记得读本科的时候，最喜欢到城里的计算机书店里面去闲逛，一逛就是好几个小时；有一次，在书店看到一本书，名叫贝叶斯方法。当时数学系的课程还没有学到概率统计。我心想，一个方法能够专门写出一本书来，肯定很牛逼。后来，我发现当初的那个朴素归纳推理成立了——这果然是个牛逼的方法。——题记目录0. 前言1. 历史 1.1 一个例子：自然语言的二义性 1.2 贝叶斯公式2. 拼写纠正3. 模型比较与贝叶斯奥卡姆剃刀 3.1 再访拼写纠 阅读全文

摘要：提示：本文为笔者原创，转载请注明出处: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研究动态、招生情况等。总之，我认为，知识只有分享才能产生更大的价值，真诚希望下面的链接能对朋友们有所帮助。（1）googleResearch；http://research.google.com 阅读全文

摘要：转自：http://www.cnblogs.com/diguage/archive/2013/04/06/3001939.html 以前没有攒资料的习惯，这一两年才养成了这个习惯。有次和大学老师聊天，和她说攒了不少资料，她就让我分享给她看。后来和她进一步沟通，觉得整理一下，分给学弟学妹看也许对他们更有帮助。为了这个目标，把资料重新梳理了一下，并且添加了一点我个人对学习方法的理解，分享出来，希望对大家有所帮助！ 本文章面向刚刚踏入挨踢行业的新手，高手可以直接飞过！当然，如果有好的资料，或者一些不同的看法，请留言交流！学习方法论享受学习！寻找学习中的乐子，享受这种乐子！强化学习中的成就感，提高.. 阅读全文

摘要：转自：http://www.cppblog.com/cxiaojia/archive/2013/04/08/199198.html介绍ACE自适配通信环境（ADAPTIVE Communication Environment）是可以自由使用、开放源码的面向对象（OO）构架（Framework），在其中实现了许多用于并发通信软件的核心模式。ACE提供了一组丰富的可复用C++Wrapper Facade（包装外观）和构架组件，可跨越多种平台完成通用的通信软件任务，其中包括：事件多路分离和事件处理器分派、信号处理、服务初始化、进程间通信、共享内存管理、消息路由、分布式服务动态（重）配置、并发执行和同 阅读全文