摘要： SIFT特征提取： 角点检测： Morvavec角点检测算子：基于灰度方差的角点检测方法，该算子计算图像中某个像素点沿水平、垂直方向上的灰度差异，以确定角点位置 Harris角点检测算子：不止考察水平，垂直4个方向上的灰度差异，而是考察了所有方向上的灰度差异，并且具有旋转不变性和部分放射变换的稳定性 阅读全文

摘要： clear all；clear clc； addpath(): 打开不在同一目录下的文件 addpath('sparse-coding');%sparse-coding，SIFT均表示路径，此目录下的两个文件夹 addpath('SIFT'); genpath（'BP'）： 结果产生包含BP,以及B 阅读全文

摘要： 1.两个求和符号的解读： 有两个∑的时候就有两个变量，是一个不变的情况下另一个从头到尾改变，然后之前那个再变一下，第二个再从头到尾变，一直到第一个变量变到最后，把这个过程中的项加起来！ 相当于下面的这个程序： 阅读全文

摘要： CRF是一种灵活的框架，它包含了用于视觉识别的各种各样的特征，特别的，CRF被用于学习低级（颜色和边缘）线索的最佳组合和预学习高级模块（基于部件检测器，bag-of-words分类器）对特定视觉识别问题（eg.图像分割）中图像模型提供推理功能。 学习条件随机场之前，需要了解概率图模型的相关知识。 概 阅读全文

摘要： top-down visual saliency via joint CRF anddictionary learning 自顶向下的视觉显著性是使用目标对象的可判别表示和一个降低搜索空间的概率图来进行目标定位。一，提出了一个联合CRF和判别字典自顶向下的显著性模型。该模型建立在包含潜在变量的CRF 阅读全文

摘要： 论文下载：http://www.ifp.illinois.edu/~jyang29/ 论文+代码：自顶向下的显著性，通过联合CRF和字典学习论文同一作者论文 http://faculty.ucmerced.edu/mhyang/pubs.html 深度学习入门：pytorch入门与实战 https: 阅读全文

摘要： 1 def divide_image(path,g_path1,g_path0): 2 img_lst = os.listdir(path) 3 for i in img_lst: 4 print('类别1,类别0') 5 img = cv2.imread(os.path.join(path,i)) 6 """ 7 cv2.namedWindow参数（‘窗口标题’，默认参数） 8 cv2.WIND 阅读全文

摘要： 1 def fun_ndarray(): 2 a = [[1,2,7], 3 [-6,-2,-3], 4 [-4,-8,-55] 5 ] 6 b = [3,5,6] 7 a = np.array(a) 8 b = np.array(b) 9 a_b_column = np.column_stack( 阅读全文

摘要： https://github.com/Vay-keen/Machine-learning-learning-notes 阅读全文

摘要： 创建分支（createBranch）伪代码： 检测数据集中的每个子项是否属于同一类 if so return 类标签 Else 寻找划分数据集的最好特征 划分数据集 创建分支节点 for 每个划分的子集 调用函数createBranch并增加返回结果到分支节点中 return 分支节点 阅读全文