条款01：视C++为一个语言联邦 将C++视为一个由相关语言组成的联邦而非单一语言。 C Object-Oriented C++ Template C++ STL 条款02：尽量以 const,enum,inline 替换 #define #define所使用的名称可能并未进入symbol table，调试增加困难 #define不重视作用域，不能提供封装性，无法利用#define创建一个class的专属常量...
2018, Dec 17 — 3 minute read立体匹配-SGBM算法 立体匹配相关算法 bm sgbm 常见立体匹配算法流程 常见的立体匹配算法主要包括以下四步 匹配代价计算 代价聚合 视差计算或优化 视差改良 内容详见论文[1]. SGBM算法概括 采用代价函数最小化的方式搜索视差。 SGBM基本理论 强烈推荐，文献[2]....
2018, Nov 08 — 14 minute read立体匹配-BM算法 立体匹配相关算法 bm sgbm 常见立体匹配算法流程 常见的立体匹配算法主要包括以下四步 匹配代价计算 代价聚合 视差计算或优化 视差改良 匹配代价计算常采用sad等方法，根据左右两幅图像上匹配点的像素之差的绝对值。 代价聚合常采用一个固定窗口，计算窗口内部的所有视差之和。 视差的计算最直观的方式是采用WTA(Winner Takes All)的方式，直接选取使得聚合代价最小的视差值。...
2018, Oct 29 — 5 minute read决策树 决策树学习算法包含特征选择,决策树的生成和决策树的剪枝过程. 决策树学习常用的算法有ID3,C4.5和CART,下面一一介绍. 特征选择 熵 为了便于说明,先给出熵与条件熵的定义. 熵是表示随机变量不确定性的度量. 设X是一个取有限个值的离散随机变量,其概率分布为 \[P(X=x_i)=p_i,i=1,2,...,n\] 则随机变量X的熵定义为 \[H(X)=-\sum_{i=1}^np_ilogp_i\] 条件熵$H(Y|X)$表示在已知随机变量X的条件下随机变量Y的不确定性. \[H(Y|X)=\sum_{i=1}^np_iH(Y|X=x_i)\] 其中$p_i=P(X=x_i),i=1,2…,n$ 信息增益...
2018, Aug 27 — 2 minute read朴素贝叶斯 朴素贝叶斯是基于贝叶斯定理和特征条件独立性假设的分类方法。 给定训练数据集,基于特征独立性假设学习输入输出联合概率分布;然后基于此模型,对给定的输入$x$,利用贝叶斯定理求出后验概率最大的$y$. 基本方法 条件概率分布的朴素贝叶斯的独立性假设 \[P(X=x|Y=c_k)=P(X^{(1)}=x^{(1)},...,X^{(n)}=x^{(n)}|Y=c_k)=\prod_{i=1}^nP(X^{(i)}=x^{(i)}|Y=c_k)\] 先验概率分布 \[P(Y=c_k),k=1,2,...,K\] 后验概率 \[P(Y=c_k|X=x)=\frac{P(X=x|Y=c_k)P(Y=c_k)}{\sum_kP(X=x|Y=c_k)P(Y=c_k)}\] 后验概率最大化即期望风险最小化 \[y=arg\max\limits_{c_k}P(Y=c_k|X=x)\] 朴素贝叶斯法的参数估计 极大似然估计 先验概率的极大似然估计...
2018, Aug 26 — 1 minute readAU识别 概述 面部表情是个体之间交互的最自然的非语言交际媒体之一。表情能够表达情感，明确和强调所说的内容，并且表达理解、分歧和意图。机器对面部表情的理解将为描述个体的情绪状态和心理模式提供有力的信息。由于社交机器人，情感在线辅导环境，智能人机交互（HCI）等多种应用领域的巨大潜力，自动表情识别技术近来备受关注，成为热门话题[1]。 本文运用深度学习中迁移学习的技术对AU图像进行分类，达到了相对较好的结果。所有代码见code CK+数据库 这个数据库是在 Cohn-Kanade Dataset 的基础上扩展来的，发布于2010年。这个数据库可以免费获取，包含表情的label和Action Units 的label。 这个数据库包括123个subjects, 593 个 image...
2018, Mar 21 — 2 minute read风格转移 这几天看了一篇风格转移的论文，这里大致介绍下论文的内容，并且推到下论文中出现的公式。 基本思想 有两张图片，我们关注一张图片的内容(Content)记为C，一张图片的风格(Style)记为S，想要生成一张图片包含C的内容和S的风格，记为G。 那么如何获取图片的C和S那？论文使用训练好的VGG net解决这一问题。 文中使用VGG net的中间层来表示C：对于一张input_image，中间某一输出层shape为$height\times width \times channel$，将其reshape成$(channel \times (height * width))$。这样便得到了C，简单的理解是使用训练好的VGG...
2017, Nov 29 — 1 minute readLinear Model 设\(x_1\)和\(x_2\)是两个标量或维数相同的向量，\(\alpha\)和\(\beta\)为任意标量，则称\(\alpha x_1 + \beta x_2\)为\(x_1\)和\(x_2\)的线性组合。若\(f\)为\(x\)的线性函数，则有\[f(\alpha x_1 + \beta x_2) = \alpha f(x_1) +...
2017, Aug 27 — 2 minute read