BoW(SIFT/SURF/...)+SVM/KNN的OpenCV 实现 - CodingCrazy 小组 （分享自 @推酷网） 🔗 网页链接 标记 //@doctorimage : 今晚看了下，并且下载了一部分，信息量太大了，东西太多了，哦，只能某位大牛的课程仔细学习下 “公开课可下载资源汇总” 🔗 网页链接 ，整理了10多个可以下载的公开课资源链接和方法，包括机器学习，神经网络，自然语言处理，概率图模型，算法等公开课以及龙星计划2012，2013的网盘链接，以及Udacity, edX和Coursera课程视频的下载方法，欢迎大家补充。 其实用最大熵准则很容易理解。当一次次的谣言最终被证实，当ZF一次次的辟谣被证明是说谎，大家都选择相信概率最大的（也许这里的最大是感觉上的最大）。//@南大周志华 : 创新啊//@文光围脖 : [思考]//@汪海林 : 这个第一次看到，我都蒙圈儿了 【请@贺卫方 @何兵 @袁裕来律师 @李庄 及其他公知答疑！】公知嘲讽说王书金承认杀人而检察院居然不承认是奇闻，却不具体说明检察院不承认的理由依据。我是很信任你们公知的，不过对检察院的下列理由依据，公知能解答反驳下吗？ doctorimage兄也一直在关注cvpapers上的cvpr2013 change-log吧 🔗 网页链接 CVPR2013:A New Perspective on Uncalibrated Photometric Stereo->link:🔗 网页链接 他们号称效果不错： Our quantitative tests show that our method outperforms all prior work of uncalibrated pho- tometric stereo under orthographic projection. 老师木终于回归CVML了//@ICT山世光 : @余凯_西二旗民工 好像更强调用sparsity，我感觉locality实践上也不错。但sparsity有潜力实现更大范围的feature grouping，很多问题上只做局部receiptive field难以用到诸如对称性之类的先验。 展开全文 hinton的模型中RBM是基本构件，h和v之间是全连接，学习时也无正则化，这明显只能得到global feature。卷积神经网络早就把local receptive field的想法用上了。假如不用local，而只用sparse约束，好似能达到一样的效果，local是sparse的结果，当然sparse不是本质原因。。。 展开全文 