【二手物品交易网站源码】【股票源码演示】【大城溯源码印刷】adboost源码-皮皮网

【二手物品交易网站源码】【股票源码演示】【大城溯源码印刷】adboost源码

2024-11-23 12:37:15 来源：源码改超广角

1.å¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨
2.不会算法如何学习机器学习？
3.视觉机器学习20讲-MATLAB源码示例（20）-蚁群算法

adboost源码

å¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨

ããä¸ãç®ä»

ããç®åæ¯æè¿ç§åç±»å¨çboostingææ¯æåç§ï¼ Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboostã

ããæ ¹æ®ä¸é¢çåæï¼ç®æ æ£æµåä¸ºä¸ä¸ªæ¥éª¤ï¼

ãã1ã æ ·æ¬çåå»º

ãã2ã è®ç»åç±»å¨

ãã3ã å©ç¨è®ç»å¥½çåç±»å¨è¿è¡ç®æ æ£æµã

ããäºãæ ·æ¬åå»º

ããè´æ ·æ¬

ããæCtrl+Ræå¼Windowsè¿è¡ç¨åºï¼è¾å¥cmdæå¼DOSå½ä»¤çªå£ï¼è¾å¥d:åè½¦ï¼åè¾å¥cd D:\face\negdataè¿å¥å¾çè·¯å¾ï¼åæ¬¡è¾å¥dir /b > negdata.datï¼åä¼å¾çè·¯å¾ä¸çæä¸ä¸ªnegdata.datæä»¶ï¼æå¼è¯¥æä»¶å°æåä¸è¡çnegdata.datå é¤ï¼è¿æ ·å°±çæäºè´æ ·æ¬æè¿°æä»¶ãdoså½ä»¤çªå£ç»æå¦ä¸å¾ï¼

ããå¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨

ããæ£æ ·æ¬

ããå¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨

ããç±äºHaarTrainingè®ç»æ¶è¾å¥çæ£æ ·æ¬æ¯vecæä»¶ï¼æä»¥éè¦ä½¿ç¨OpenCVèªå¸¦çCreateSamplesç¨åºï¼å¨ä½ ææç§çopencv\binä¸ï¼å¦ææ²¡æéè¦ç¼è¯opencv\apps\HaarTraining\makeä¸ç.dswæä»¶ï¼æ³¨æè¦ç¼è¯releaseççï¼å°åå¤å¥½çæ£æ ·æ¬è½¬æ¢ä¸ºvecæä»¶ãè½¬æ¢çæ¥éª¤å¦ä¸ï¼

ããposdata/1().bmp 1 1 1

ãã2) è¿è¡CreateSamplesç¨åºãå¦æç´æ¥å¨VCç¯å¢ä¸è¿è¡ï¼å¯ä»¥å¨Project\Settings\Debugå±æ§é¡µçProgram argumentsæ è®¾ç½®è¿è¡åæ°ãä¸é¢æ¯ä¸ä¸ªè¿è¡åæ°ç¤ºä¾ï¼

ãã-info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num -w -h

ããè¡¨ç¤ºæä¸ªæ ·æ¬ï¼æ ·æ¬å®½ï¼é«ï¼æ£æ ·æ¬æè¿°æä»¶ä¸ºposdata.datï¼ç»æè¾åºå°pos.vecã

ããæèå¨dosä¸è¾å¥ï¼

ãã"D:\Program Files\OpenCV\bin\createsamples.exe" -info "posdata\posdata.dat" -vec data\pos.vec -num -w -h

ããå¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨

ããCreatesamplesç¨åºçå½ä»¤è¡åæ°ï¼

ããå½ä»¤è¡åæ°ï¼

ããï¼vec <vec_file_name>

ããè®ç»å¥½çæ£æ ·æ¬çè¾åºæä»¶åã

ããï¼img<image_file_name>

ããæºç®æ å¾çï¼ä¾å¦ï¼ä¸ä¸ªå¬å¸å¾æ ï¼

ããï¼bg<background_file_name>

ããèæ¯æè¿°æä»¶ã

ããï¼num<number_of_samples>

ããè¦äº§ççæ£æ ·æ¬çæ°éï¼åæ£æ ·æ¬å¾çæ°ç®ç¸åã

ããï¼bgcolor<background_color>

ããï¼bgthresh<background_color_threshold>

ããï¼inv

ããå¦ææå®ï¼é¢è²ä¼åè²

ããï¼randinv

ããå¦ææå®ï¼é¢è²ä¼ä»»æåè²

ããï¼maxidev<max_intensity_deviation>

ããèæ¯è²æå¤§çåç¦»åº¦ã

ããï¼maxangel<max_x_rotation_angle>

ããï¼maxangle<max_y_rotation_angle>ï¼

ããï¼maxzangle<max_x_rotation_angle>

ããæå¤§æè½¬è§åº¦ï¼ä»¥å¼§åº¦ä¸ºåä½ã

ããï¼show

ããï¼w<sample_width>

ããè¾åºæ ·æ¬çå®½åº¦ï¼ä»¥åç´ ä¸ºåä½ï¼

ããï¼hãsample_heightã

ããè¾åºæ ·æ¬çé«åº¦ï¼ä»¥åç´ ä¸ºåä½ã

ããä¸ãè®ç»åç±»å¨

ããHaartrainingçå½ä»¤è¡åæ°å¦ä¸ï¼

ããï¼data<dir_name>

ããåæ¾è®ç»å¥½çåç±»å¨çè·¯å¾åã

ããï¼vec<vec_file_name>

ããæ£æ ·æ¬æä»¶åï¼ç±trainingssamplesç¨åºæèç±å¶ä»çæ¹æ³åå»ºçï¼

ããï¼bg<background_file_name>

ããèæ¯æè¿°æä»¶ã

ããï¼npos<number_of_positive_samples>ï¼

ããï¼nneg<number_of_negative_samples>

ããï¼nstages<number_of_stages>

ããè®ç»çé¶æ®µæ°ã

ããï¼nsplits<number_of_splits>

ããå³å®ç¨äºé¶æ®µåç±»å¨çå¼±åç±»å¨ãå¦æ1ï¼åä¸ä¸ªç®åçstump classifierè¢«ä½¿ç¨ãå¦ææ¯2æèæ´å¤ï¼åå¸¦ænumber_of_splitsä¸ªåé¨èç¹çCARTåç±»å¨è¢«ä½¿ç¨ã

ããï¼mem<memory_in_MB>

ããï¼symï¼defaultï¼

ããï¼nonsym

ããï¼minhitrateãmin_hit_rateã

ããæ¯ä¸ªé¶æ®µåç±»å¨éè¦çæå°çå½ä¸çãæ»çå½ä¸çä¸ºmin_hit_rateçnumber_of_stagesæ¬¡æ¹ã

ããï¼maxfalsealarm<max_false_alarm_rate>

ããæ²¡æé¶æ®µåç±»å¨çæå¤§éè¯¯æ¥è¦çãæ»çéè¯¯è¦åçä¸ºmax_false_alarm_rateçnumber_of_stagesæ¬¡æ¹ã

ããï¼weighttrimming<weight_trimming>

ããï¼eqw

ããï¼mode<basic(default)|core|all>

ããï¼wãsample_widthã

ããï¼hãsample_heightã

ããä¸ä¸ªè®ç»åç±»å¨çä¾åï¼

ãã"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos -nneg -mem -mode ALL -w -h

ããè®ç»ç»æå¦ä¸ï¼

ããå¦ä½ç¨OpenCVè®ç»èªå·±çåç±»å¨

ãã

ããæåä½ ï¼ä½ å·²ç»å¦ä¼è®ç»åç±»å¨çä¹æååäºã

ããperformance.exe -data data/cascade -info posdata/test.dat -w -h -rs

ããperformanceçå½ä»¤è¡åæ°å¦ä¸ï¼

ããUsage: ./performance

ãã-data <classifier_directory_name>

ãã-info <collection_file_name>

ãã[-maxSizeDiff <max_size_difference = 1.>]

ãã[-maxPosDiff <max_position_difference = 0.>]

ãã[-sf <scale_factor = 1.>]

ãã[-ni]

ãã[-nos <number_of_stages = -1>]

ãã[-rs <roc_size = >]

ãã[-w <sample_width = >]

ãã[-h <sample_height = >]

ããä¹å¯ä»¥ç¨opencvçcvHaarDetectObjectså½æ°è¿è¡æ£æµï¼

ããCvSeq* faces = cvHaarDetectObjects( img, cascade, storage,

ãã1.1, 2, CV_HAAR_DO_CANNY_PRUNING,

ããcvSize(, ) ); //3. æ£æµäººè¸

不会算法如何学习机器学习？

先看看相关的图书：要有好几本作为参考，最好是角度差异大、深浅程度不同，比如系统的导论式的、深入的有推导的、浅出的二手物品交易网站源码手把手的。它要充当不同学习过程中的工具书。

网络教程：比如Andrew Ng的、各种专题的博客，有针对地找相应的教程，相对着看，网络资源比如cto学院的股票源码演示课程跟书的表达方式毕竟是不一样的，也是很有益的信息源。

paper：比如学CNN的时候，就搜一堆论文来，集中一段时间看一轮，一定要有针对性，带着很明确的问号去看。

开源资源：很多很多东西，其实都有人做出来开源了，直接拿来用，一边用一边理解，甚至可以学习源码。大城溯源码印刷

关注这个领域：关注相关的会议期刊，关注大牛们（Hinton、Bengio、LeCun等）的动向，微博加一堆领域大牛每天看一眼他们分享什么上来。

基础知识：线代、统计、概率、数学分析；信息论方面基本概念要理解，比如要知道相对熵是什么意思和怎么算；凸优化和最优估计相关内容，在各种各样问题中都会遇到，主力量柱源码学好了可以帮大忙。

机器学习主要就是找到目标函数并且做参数估计，虽然有很多现成工具，但是不熟悉优化问题的话，会很抓瞎。

熟悉几个模型：神经网络（SAE、RBM、CNN等）、SVM、最大熵、CRF、手机通用指标源码随机森林、GMM等等。了解不同应用场景下各种模型有什么优劣，挑一些自己以后可能常用到的多练习。

视觉机器学习讲-MATLAB源码示例（）-蚁群算法

蚁群算法是一种概率型优化算法，由Marco Dorigo在年提出，灵感来源于蚂蚁觅食路径的发现过程。该算法具备分布计算、信息正反馈和启发式搜索特性，是一种全局优化算法。在蚁群系统中，蚂蚁通过释放信息素进行信息传递，蚁群整体能够实现智能行为。经过一段时间后，蚁群会沿着最短路径到达食物源，这一过程体现了一种类似正反馈的机制。与其他优化算法相比，蚁群算法具有正反馈机制、个体间环境通讯、分布式计算和启发式搜索方式等特点，易于寻找到全局最优解。

蚁群算法广泛应用于组合优化问题，如旅行商问题、指派问题、Job-shop调度问题、车辆路由问题、图着色问题和网络路由问题等。其在网络路由中的应用受到越来越多学者的关注，相较于传统路由算法，蚁群算法具有信息分布式性、动态性、随机性和异步性等特点，非常适合网络路由需求。

深入学习蚁群算法的具体原理，请参考《机器学习讲》第二十讲内容。本系列文章涵盖了机器学习领域的多个方面，包括Kmeans聚类算法、KNN学习算法、回归学习算法、决策树学习算法、随机森林学习算法、贝叶斯学习算法、EM算法、Adaboost算法、SVM算法、增强学习算法、流形学习算法、RBF学习算法、稀疏表示算法、字典学习算法、BP学习算法、CNN学习算法、RBM学习算法、深度学习算法和蚁群算法。MATLAB仿真源码和相关数据已打包提供，欢迎查阅和使用。