本博客只用于学习,如果有错误的地方,恳请指正,如需转载请注明出处. 看机器学习也是有一段时间了,这两天终于勇敢地踏出了第一步,实现了HOG+SVM对图片分类,具体代码可以在github上下载,https://github.com/subicWang/HOG-SVM-classifer.大家都说HOG+SVM是在行人检测中很合拍的一对.至于为啥,我也讲不清楚.我猜想这么合拍的一对应用在图片分类上效果应该也不错吧,事实证明确实还行,速度挺快,分类正确率还行.我用的数据集是http://www.cs.

CIFAR是一个用于普通物体识别的数据集.CIFAR数据集分为两种:CIFAR-10和CIFAR-100.The CIFAR-10 and CIFAR-100 are labeled subsets of the 80 million tiny images dataset. They were collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton. CIFAR-10由60000张大小为32*32的三通道彩色图像组成,被分为1

公号:码农充电站pro 主页:https://codeshellme.github.io 在机器学习算法中,有一种算法叫做集成算法,AdaBoost 算法是集成算法的一种.我们先来看下什么是集成算法. 1,集成算法 通常,一个 Boss 在做一项决定之前,会听取多个 Leader 的意见.集成算法就是这个意思,它的基本含义就是集众算法之所长. 前面已经介绍过许多算法,每种算法都有优缺点.那么是否可以将这些算法组合起来,共同做一项决定呢?答案是肯定的.这就诞生了集成算法(Ensemble Meth

KNN算法的实现 import pandas as pd from math import dist k = int(input("请输入k值:")) dataTest = pd.read_csv('iristest.csv', header=None).values trainData = pd.read_csv('iristrain.csv', header=None).values # 用于我懒得把测试数据和训练数据封装成不同类,所以就会在成员变量里面同时出现测试数据专有的属性和

原帖地址:https://www.jiqizhixin.com/articles/2018-04-03-5 K 近邻算法,简称 K-NN.在如今深度学习盛行的时代,这个经典的机器学习算法经常被轻视.本篇教程将带你使用 Scikit-Learn 构建 K 近邻算法,并应用于 MNIST 数据集.然后,作者将带你构建自己的 K-NN 算法,开发出比 Scikit-Learn K-NN 更准更快的算法. 1. K 近邻分类模型 K 近邻算法是一种容易实现的监督机器学习算法,并且其分类性能的鲁棒性还不错

https://www.cs.toronto.edu/~kriz/cifar.html Version Size md5sum CIFAR-10 python version 163 MB c58f30108f718f92721af3b95e74349a CIFAR-10 Matlab version 175 MB 70270af85842c9e89bb428ec9976c926 CIFAR-10 binary version (suitable for C programs) 162 MB c

数据集下载地址:下载 摘要:MicroblogPCU是从新浪微博採集到的.它能够被用于研究机器学习方法和社会关系研究. 这个数据集被原作者用于探索微博中的spammers(发送垃圾信息的人).他们的demo在这里 数据集的属性信息: weibo_user.csv   -user_id: 用户ID -user_name: 用户昵称 -gender:性别,male,female.other -class:账户级别 -message:账户注冊位置或其它个人信息 -post_num: 邮政编码 -fol

最近再研究这个算法,找了不少资料来研究,发现这方面的资料好的并不多,今天就把找到的经典的资料做一个汇总,方便后续查阅吧. 一 基本概念和推导: 1 解释最清楚的:中文网站:https://blog.csdn.net/sinat_34474705/article/details/80219617 英文网站:https://www.learnopencv.com/histogram-of-oriented-gradients/ 2 wiki里面的资料: A 梯度直方图: https://zh.wik

#include<opencv2\core\core.hpp> #include<opencv2\highgui\highgui.hpp> #include<opencv2\opencv.hpp> #include<iostream> #include<fstream> using namespace std; using namespace cv; #define Max 100 class Cell{ private: int pixel_x

1.HOG特征提取所针对的图像的尺寸是固定的.输入的图像应首先resize到这个尺寸. 2.尺寸的划分3个等级:window,block,cell window即输入的需要提取特征的图片大小.然后将window划分为众多block,这些block之间有相互重叠的部分. 每一个block又划分为多个cell,cell之间紧邻且不重叠.block沿着水平和垂直方向滑动,按照固定的步长进行滑动, 最后就形成了block相互之间的重叠. 常见的尺寸:window:64x128;  block:16x16

实现思路步骤: 1.对原图像gamma校正,img=sqrt(img); 2.求图像竖直边缘,水平边缘,边缘强度,边缘斜率. 3.将图像每16*16(取其他也可以)个像素分到一个cell中.对于256*256的lena来说,就分成了16*16个cell了. 4.对于每个cell求其梯度方向直方图.通常取9(取其他也可以)个方向(特征),也就是每360/9=40度分到一个方向,方向大小按像素边缘强度加权. 5.每2*2(取其他也可以)个cell合成一个block,所以这里就有(16-1)*(16-

目录 工作原理 python实现 算法实战 约会对象好感度预测 故事背景 准备数据:从文本文件中解析数据 分析数据:使用Matplotlib创建散点图 准备数据:归一化数值 测试算法:作为完整程序验证分类器 使用算法:构建完整可用的系统 手写识别系统 准备数据:将图像转换为测试向量 测试算法:使用k-近邻算法识别手写数字 小结 附录 工作原理 存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系.输入没有标签的新数据后,将新数据的

目录 工作原理 python实现 算法实战 对mnist数据集进行聚类 小结 附录 工作原理 聚类是一种无监督的学习,它将相似的对象归到同一个簇中.类似于全自动分类(自动的意思是连类别都是自动构建的).K-均值算法可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成.它的工作流程的伪代码表示如下: 创建k个点作为起始质心 当任意一个点的簇分配结果发生改变时 对数据集中的每个数据点 对每个质心 计算质心与数据点之间的距离 将数据点分配到距其最近的簇 对每一个簇,计算簇中所有点的均值并将

项目 内容 课程班级博客 2018卓越工程师班 这个作业要求链接 实验三 软件工程结对项目 我的课程学习目标 1.体验软件项目开发中的两人合作,练习结对编程:2.掌握Github协作开发程序的操作方法. 这个作业在哪些方面帮助我实现学习目标 1.熟悉了结对编程:2.熟悉了GitHub的相关操作. 结对方学号-姓名 201871030117-李亚楠 结对方本次博客作业链接 李亚楠 本项目Github的仓库链接地址 实验三仓库链接 任务一:阅读<现代软件工程-构建之法>第3-4章内容,理解并掌握代

项目 内容 课程班级博客链接 班级博客 这个作业要求链接 作业要求 我的课程学习目标 1.体验软件项目开发中的两人合作,练习结对编程(Pair programming).2.掌握Github协作开发程序的操作方法. 这个作业在哪些方面帮助我实现学习目标 通过两人合作实现一个软件项目的开发以及使用GitHub协作开发程序 结对方学号-姓名 201871030131-谢林江 结对方本次博客作业链接 博客链接 项目Github的仓库链接地址 我的GitHub仓库地址 实验内容 任务一:阅读<现代软件工

基准数据集 深度学习中经常会使用一些基准数据集进行一些测试.其中 MNIST, Cifar 10, cifar100, Fashion-MNIST 数据集常常被人们拿来当作练手的数据集.为了方便,诸如 Keras.MXNet.Tensorflow 都封装了自己的基础数据集,如 MNIST.cifar 等.如果我们要在不同平台使用这些数据集,还需要了解那些框架是如何组织这些数据集的,需要花费一些不必要的时间学习它们的 API.为此,我们为何不创建属于自己的数据集呢?下面我仅仅使用了 Numpy 来

这是一份非常全面的开源数据集,你,真的不想要吗?   近期,skymind.ai 发布了一份非常全面的开源数据集.内容包括生物识别.自然图像以及深度学习图像等数据集,现机器之心将其整理如下:(内附链接哦~) 最近新增数据集 开源生物识别数据:http://openbiometrics.org/ Google Audioset:扩展了 632 个音频分类样本,并从 YouTube 视频中提取了 2,084,320 个人类标记的 10 秒声音片段. 地址:https://research.googl

数据集:http://bigdata.51cto.com/art/201702/531276.htm 计算机视觉 MNIST: 最通用的健全检查.25x25 的数据集,中心化,B&W 手写数字.这是个容易的任务——但是在 MNIST 有效,不等同于其本身是有效的. 地址:http://pjreddie.com/projects/mnist-in-csv/ CIFAR 10 & CIFAR 100: 32x32 彩色图像.虽不再常用,但还是用了一次,可以是一项有趣的健全检查. 地址:http

来自http://deeplearning.net/tutorial/gettingstarted.html#gettingstarted 一.下载 在后续的每个学习算法上,都需要下载对应的文档,如果想要一次全部下好,那么可以复制git上面的这个教程的资料: git clone git://github.com/lisa-lab/DeepLearningTutorials.git 二.数据集 MNIST 数据集(mnist.pkl.gz)(现在这个数据集除了教学,好像已经没什么人关注了) 这个M

机器学习领域中最迷人的主题之一是图像识别 (IR). 使用红外系统的示例包括使用指纹或视网膜识别的计算机登录程序和机场安全系统的扫描乘客脸寻找某种通缉名单上的个人.MNIST 数据集是可用于实验的简单图像集合­沙用红外的算法. 这篇文章并介绍了一个相对简单 C# 程序,向您介绍的 MNIST 数据集,这反过来你接触到红外的概念. 它不太可能你会需要使用红外大多数软件应用程序,但我觉得你可能有用的信息在这篇文章为四个不同的原因. 第一,没有更好的方法,了解的 MNIST 数据集和 IR 概念比通过