DeepLearning

积分图与BoxFilter滤波

发表于 2020-01-01 更新于 2020-02-01 分类于计算机视觉CV 阅读次数： Valine：

简介
积分图的出现使得Haar特征的计算更为高效，这是一种动态规划算法，以减少重复计算缩减算法时间。它可以使复杂度为O(MN)的求和，求方差等运算降低到O(4)的复杂度，而BoxFilter可以降到O(1)，不过BoxFilter不支持多尺度。

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来（近似）刻画。

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

简述： 罗尔==>拉格朗日==>柯西，特殊性逐渐渐减弱。

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

向量范数：
向量范数定义了向量的距离，而距离满足正定，齐次，三角不等式。范数的使用可以帮助特征选择，使得模型更具解释性。

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

定义： 采样本质上是对随机现象的模拟，根据给定的概率分布，来模拟产生一个对应的随机事件。采样可以让人们对随机事件及其产生过程有更直观的认识。

实例：通过对二项分布的采样，可以模拟”抛硬币出现正面还是反面“这个随机事件，进而模拟产生一个多次抛硬币出现的序列。

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

马尔可夫链（Markov chain），又称离散时间马尔可夫链（discrete-time Markov chain）为状态空间中经过从一个状态到另一个状态的转换的随机过程。

该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。这种特定类型的“无记忆性”称作马尔可夫性质。

在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率。

随机漫步就是马尔可夫链的例子。随机漫步中每一步的状态是在图形中的点，每一步可以移动到任何一个相邻的点，在这里移动到每一个点的概率都是相同的（无论之前漫步路径是如何的）。【维基百科】

发表于 2020-01-01 更新于 2020-02-01 分类于机器学习阅读次数： Valine：

简述： 高斯混合模型是一种常见的聚类算法，与K均值算法类似，同样使用了EM算法进行迭代。高斯混合模型假设每个簇的数据都是符合高斯分布的，当前数据呈现的分布就是各个簇的高斯分布叠加在一起的效果，可用多个高斯分布函数的线性组合来对数据分布进行拟合。理论上，高斯混合模型可以拟合出任意类型的分布。