本章内容□ 组合相似的分类器来提髙分类性能□应用AdaBoost算法□ 处理非均衡分类问题 7.1基于数据集多重抽样的分类器 ...
分类：
编程语言 时间：
2016-05-01 20:22:15
阅读次数：
307
声明：本文转载自 Liulina603
1、Haar-like特征
Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。
Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩...
分类：
其他好文 时间：
2016-04-29 19:17:52
阅读次数：
243
reference link：
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/xyy19920105/article/details/50817725
思想
从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征...
分类：
其他好文 时间：
2016-04-29 17:24:54
阅读次数：
237
提升(boosting)方法是一种常用的统计学习方法。在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类性能。提升方法Adaboost算法
提升方法基本思路
AdaBoost算法
Adaboost的例子
Adaboost算法的训练误差分析
Adaboost算法的解释
前向分步算法
前向分步算法与AdaBoost
提升树
提升树算法
梯度提升Valiant是哈...
分类：
其他好文 时间：
2016-04-29 17:17:42
阅读次数：
311
编者按：本文收集了百来篇关于机器学习和深度学习的资料，含各种文档，视频，源码等。而且原文也会不定期的更新，望看到文章的朋友能够学到更多。
《Brief History of Machine Learning》
介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learning.
《Deep Learnin...
分类：
其他好文 时间：
2016-04-27 11:01:08
阅读次数：
522
声明：本文转载自 Liulina603
1、Haar-like特征
Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。
Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩...
分类：
其他好文 时间：
2016-04-26 21:20:35
阅读次数：
192
reference link：
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/xyy19920105/article/details/50817725
思想
从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征...
分类：
其他好文 时间：
2016-04-26 07:12:32
阅读次数：
242
决策树decision tree 什么是决策树输入：学习集输出：分类觃则（决策树） 决策树算法概述 70年代后期至80年代初期，Quinlan开发了ID3算法（迭代的二分器）Quinlan改迚了ID3算法，称为C4.5算法1984年，多位统计学家在著名的《Classification and reg ...
分类：
编程语言 时间：
2016-04-23 19:58:10
阅读次数：
1522
继RCNN，fast RCNN之后，目标检测界的领军人物Ross Girshick在2015年提出faster RCNN。目标检测速度达到15fps。...
分类：
编程语言 时间：
2016-04-22 19:39:38
阅读次数：
298
本文主要是介绍自适应提升学习算法（Adaptive Boosting,Adaboost）原理，因为其中涉及到分类器，而分类器往往是基于一些样本特征得到的，所以在此介绍最常用的Adaboost算法结合Haar-like特征。该算法首先在人脸检测中得到广泛运用，而后也被用于其它有关目标检测中。 1.Ad ...
分类：
编程语言 时间：
2016-04-21 01:33:12
阅读次数：
526
