摘要: latex添加图像时,要将.eps文档放在当前文件夹中,然后使用: % For one-column wide figures use\begin{figure}\begin{center}% Use the relevant command to insert your figure file.% 阅读全文
posted @ 2017-03-01 16:12 Providence 阅读(788) 评论(0) 推荐(0) 编辑
摘要: 多示例学习:包(bags) 和 示例 (instance). 包是由多个示例组成的,举个例子,在图像分类中,一张图片就是一个包,图片分割出的patches就是示例。在多示例学习中,包带有类别标签而示例不带类别标签,最终的目的是给出对新的包的类别预测。 多示例学习是弱监督学习中的一个popular的方 阅读全文
posted @ 2016-11-16 22:10 Providence 阅读(11853) 评论(1) 推荐(2) 编辑
摘要: 首先,matlab中any函数:检测矩阵mask中是否有非零元素,如果有,返回1,;如果没有非零元素,即所有元素都是0,那么则返回0。 assert()是一个调试程序时经常使用的宏,在程序运行时它计算括号内的表达式,如果表达式为false,程序将报告错误,并且终止执行;如果表达式不为0,即为true 阅读全文
posted @ 2016-04-08 10:04 Providence 阅读(896) 评论(0) 推荐(1) 编辑
摘要: 转自http://blog.csdn.net/zouxy09/article/details/8781543CNNs是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。在CNN中,图像的一小部分(局部感受区域)作为层级结构的最低层的输入,... 阅读全文
posted @ 2015-07-02 11:46 Providence 阅读(1340) 评论(0) 推荐(1) 编辑
摘要: Graph cuts是一种基于图论的方法,它是一种能量优化算法,在计算机视觉领域应用于前景背景分割,立体视觉,抠图等。这类方法首先使用无向图G=表示要分割的图像,V和E分别是顶点和边的集合。此处的Graph和普通的Graph稍有不同,普通的图由顶点和边构成,如果边的有方向的,这样的图被则称为有向图,... 阅读全文
posted @ 2015-05-31 17:11 Providence 阅读(1175) 评论(0) 推荐(0) 编辑
摘要: #pragma comment(lib,"ws2_32.lib")#pragma comment(lib,"ws2_32.lib")表示连接Ws2_32.lib这个库。和在工程设置里写上链入Ws2_32.lib的效果一样,不过这种方法写的程序,别人在使用你的代码时就不用再设置工程settings了。... 阅读全文
posted @ 2014-11-15 18:26 Providence 阅读(386) 评论(0) 推荐(0) 编辑
摘要: dist——欧式距离加权函数(Euclidean distance weight function)语法: Z = dist(W,P) df = dist('deriv') D = dist(pos)描述:dist是一个欧式距离加权函数,给一个输入使用权值,去获得加权的输入。1、dist(W,... 阅读全文
posted @ 2014-11-14 22:31 Providence 阅读(34083) 评论(0) 推荐(1) 编辑
摘要: 介绍两个matlab小函数:1、gradient借用别人的例子:例:>> x=[6,9,3,4,0;5,4,1,2,5;6,7,7,8,0;7,8,9,10,0]x = 6 9 3 4 0 5 4 1 2 5 6 7 7 8 0 7 8 9 10 0>> [Fx,Fy]=gradient(x)Fx... 阅读全文
posted @ 2014-11-14 20:07 Providence 阅读(1579) 评论(0) 推荐(0) 编辑
摘要: double 就是简单地把一个变量类型转换成double型,数值大小不变。函数im2double将输入换成double类型。如果输入是unit8,unit16或者是二值的logical类型,则函数im2double 将其值归一化到0~1之间,当然就是double类型的了。如果输入本身就是double... 阅读全文
posted @ 2014-10-26 21:56 Providence 阅读(849) 评论(0) 推荐(0) 编辑
摘要: TPR=TP/P :真正率:判断对的正样本占所有正样本的比例。 Precision=TP/(TP+FP) :判断对的正样本占判断出来的所有正样本的比例FPR=FP/N :负正率:判断错的负样本占所有负样本的比例。 Recall = TP/(TP+FN) = TP/P,就是TPR.ROC曲线:横轴是F... 阅读全文
posted @ 2014-10-26 21:30 Providence 阅读(1556) 评论(0) 推荐(0) 编辑