0%

发表于 更新于 分类于 阅读次数：
本文字数： 290 阅读时长 ≈ 1 分钟

2018年7月13日 下午2:16

  1. 这篇文章中让我明白了即使同样是HOG算法，但是效果天壤之别的原因
    1. 原因在于一些方法是否使用，这些方法看似与HOG算法本身无关，但是却十分的关键
      1. 能够更加有效的区分梯度显示边缘。这是因为对各个像素的梯度进行了全局归一化，并且在描绘梯度方向时加入了梯度量级的非线性映射，使得梯度方向产生明显的深浅和长度差异，更易于区分边缘，凸显明显的梯度变化。
      2. 此外在输入图像时，采用Gamma校正对输入图像进行颜色空间的标准化能够抑制噪声，使得产生的边缘更加明显，清晰
    2. 区别可以更加直观的从hog梯度特征图中明显的看出

80行Python实现-HOG梯度特征提取 - CSDN博客

发表于 更新于 分类于 阅读次数：
本文字数： 573 阅读时长 ≈ 1 分钟

2018年7月12日 下午4:16

  1. 机器学习本身的核心难点我认为有两个：
    1. 特征的提取、产生
    2. 各种模型本身的运行原理
  2. 特征提取和模型发现的共同点
    1. 他们描述的都是对输入数据的数学处理过程
    2. 一个典型的例子就是：神经网络模型
      1. 其中前面的卷进和池化操作也可以就说成是特征的提取，数据还维持着原先数据的部分特征
      2. 后面的sofmax就是一个典型的多分类模型
  3. 特征提取和模型发现的不同点
    1. 特征提取之后，数据还维持着源数据的一些特征
    2. 模型处理之后，最后输出的是一个处理数据的结果
    3. 特征提取可以理解成是平常知识的总结，而模型处理就像是老师给你的试卷在打分。
    4. 很多时候，在特征提取的过程中已经将原始的数据弄的非常的混乱，我也不知道为啥能够用这些已近非常混乱的数据最为特征进行处理。 说说对机器学习的认识
  4. 这其中可能涉及到的计算：
    1. 这里有简单的四则运算就可以解决
    2. 有些可能涉及到矩阵和向量，涉及到多个维度
    3. 还有些可能涉及难的算法，类似于图论等等。
  5. 发明特征提取和模型的难点在哪里？
    1. 特征提取的算法(计算方式)的发明，难点在于你不知道怎样的特征才能起到好的回归或者分类的效果，也就是说你没有目标，这时候做事情自然就不好做了。
    2. 1 * (？* ？* ？….) = ？
      1. 中间的(？* ？* ？….) 是我们的提取方法和模型，但是我们的结果不具体，并且问号有几个不知道？他们之间的组合关系是啥也不知道？问号代表的一种运算，但具体是啥也不知道？

发表于 更新于 分类于 阅读次数：
本文字数： 151 阅读时长 ≈ 1 分钟

2018年7月12日 下午3:58

先看看这篇的总结：

什么是模型，训练模型，机器学习，分类和回归模型不同？

  1. 特征是什么？
    1. 图像的特征 = 某个区域的像素点经过某种四则运算之后得到的结果。
  2. 如何进行判决特征 ？
  3. 如何得到这个判决？
    1. 就是机器学习的过程，因为机器学习一部分就是分类，分类的能否正确看的就是这个判决条件是否准确。

发表于 更新于 分类于 阅读次数：
本文字数： 415 阅读时长 ≈ 1 分钟

2018年7月12日 下午3:36

  1. 什么是模型？
    1. 代表着一种从输入数据到输出数据的一种处理过程
    2. 在分类模型中，理解成一种如何进行判决过程更好理解。这个模型就决定这份数据对应于什么样的结果。
  2. 分类模型和回归模型的不同？
    1. ::模型的输入和输出都是具体的数值，一个数值如果在回归问题中可以作为最后的结果，但是在分类模型中，还需要在进行一步：根据阈值来判断是否属于某个类型::
  3. 什么是训练模型？
    1. 训练模型，其实就是在训练模型的参数的过程
  4. 机器学习，学习的是什么？
    1. 笼统的可以说是在学习参数
    2. 在分类模型中，机器学习的过程就是得到判决的过程。这个判决是判断你属于A还是B的分类标准。
  5. 不同模型之间的区别？
    1. 不同的模型有时即使是相同的数据，但是他们需要的、用来当参数的内容也不同
    2. 即使参数相同，但是不同模型利用传入的参数会进入不同的运算公式，处理的方式也不同。
    3. 不同模型对数据的处理方式的不同，会产生不同的效果，这就是区分模型好坏的标准，并且处理速度也是一个重要的考量标准。

发表于 更新于 分类于 阅读次数：
本文字数： 117 阅读时长 ≈ 1 分钟

2018年7月11日 上午11:33

  1. 首先数据的个数是恒定的，比如这里一共创建了10个数字，不论reshep成几维
  2. reshep在元素不变的情况下如何处理这10个数字呢？原则？
    1. 从左向右，保证reshep中参数的正确(跳过-1，最后处理-1)

发表于 更新于 分类于 阅读次数：
本文字数： 178 阅读时长 ≈ 1 分钟

2018年7月11日 上午10:33

  1. 浮雕效果是如何抹去颜色的？
    1. 首先变成灰度图
    2. 根据公式newP = gray0-gray1+150
    3. 这个公式中的gray0-gray1其实就是一个横向的梯度
    4. 这样就等于一个横向的边缘检测
  2. 油画效果
    1. 这里关键是使用了一个分类统计的思想，然后再去填充。

8- OpenCV+TensorFlow 入门人工智能图像处理-浮雕效果&油画效果 - 简书