搜索资源列表
fast
- 这是Armstrong的机器学习FAST算法matlab源代码，是从作者个人主页上下的，可以运行
picrecognizesystem
- 使用C＃编写的采用卡尔曼滤波和bregeler算法的图象识别程序，在.net2005下运行，识别率高，自动特征库，有机器学习功能
gentleBoost.rar
- 当前流行的机器学习算法之一：boosting的变体——Gentleboost,The current popular one of machine learning algorithms: boosting variants- Gentleboost
LDA
- 线性判别分析（LDA）用于特征选择，可以对数据集或者图像提取有用特征，用于分类或者聚类等机器学习应用中-Linear Discriminant Analysis (LDA) for feature selection, application in dataset or image feature extraction, for classification or clustering applications in machine learning
TracKIT
- TrackIT是一款开放式的机器视觉开发平台，目前集成了从相机输入、色彩转换、彩色图像处理、灰度图像处理、二值图像处理、阈值分割、边缘检测、Blob检测、相机标定、Kalman滤波器、光流跟踪器、最近邻域跟踪、数学形态学方法、机器学习算法等近100个组件，并在不断添加更新中，采用开源OpenCV、WxWidgets、CMU139等标准工具，使用XML动态解析界面，所有参数在界面上直接调整，同时可立即看到调整效果，并可动态加载组件，可用于一般科学研究和机器视觉系统开发。运行时需要.net框架支持。
Geneticalgorithm
- 传算法的基本原理、设计方法及其并行实现，以及它在组合优化、机器学习、图像处理、过程控制、进化神经网络-Propagation algorithm of the basic principles, design methods and their parallel implementation, as well as in combinatorial optimization, machine learning, image processing, process control, evoluti
machinevision
- 国内机器视觉、图像处理行业分析，对研究生阶段学习这个行业的要求，希望这个方向的研究生-Domestic machine vision, image processing, industry analysis, stage of post-graduate study and the requirements of the industry, I hope in this direction a good look at the post-graduate
dgdgdgdgdgfdgdfgrelevance
- 基于支持向量机的相关反馈图像检索算法 相关反馈技术是近年来在图像检索中较为重要的 研究方法, 从机器学习的角度, 以支持向量机(SVM ) 为分类器, 提出了一种新的相关反馈方法-Support vector mach ine based relevance feedback algorithm in image retrieval
machine_study
- 这一个基于机器学习的PDF文件，共12个，全是英文，能够更准确的了解和学习机器学习-This is a machine learning-based PDF file, a total of 12, all in English, to a more accurate understanding and learning machine learning
Random-Fields-and-Geometry
- 该论文主要介绍马尔科夫随机场在视觉计算、图像处理、机器学习等研究领域中的应用，非常有实用价值-The paper introduces the Markov Random Field in visual computing, image processing, machine learning and other fields of study, very practical
meanshiftsegmentation
- 均值漂移图像分割测试程序,使用meanshift算法对彩色图像进行聚类分割，效果很好，并且显示使用时间、找到的类数，另包含RGB与LUV颜色空间的互相转换，图片矩阵数据转为降维数组等，程序中有详尽的注释和说明，并且配有测试结果图片，非常适合计算机视觉、机器学习、模式识别的朋友参考-failed to translate
10
- 本文提出了一种基于学习的相似性度量方 法, 即将图像配准的度量问题转化为模式分类问题, 由基于机器学习设计的分类器自动检验图像是否配准. 本文对400 组图像进行了配准检验, 实验结果显示了该方法的可行性和可靠性.-This paper proposes a similarity measure based on learning methods, about the measurement problems of image registration into the pattern c
afforge_src
- AForge.NET 是一个专门为开发者和研究者基于C#框架设计的，他包括计算机视觉与人工智能，图像处理，神经网络，遗传算法，机器学习，机器人等领域。-AForge.NET is a C# framework designed for developers and researchers in the fields of Computer Vision and Artificial Intelligence- image processing, neural networks, genetic
normizeimage
- 用于遍历一个文件夹下所有的图片文件，对图片进行归一化，同时还进行翻转，对于机器学习制作样本，归一化非常有用（环境opencv2.2 vc2010)-Traverse a folder for all image files, the picture is normalized, while the flip, making samples for machine learning, normalization is very useful (Environmental opencv2.2 vc2
IPT
- 个人在学习数字图像处理和机器视觉时编的一些代码-Individuals in learning digital image processing and machine vision some code when compiled
000
- 支持向量机(svM)是一种新的机器学习技术。本文采用一对一方法构建多分类SVM 分类器。利用常用的灰度共生矩阵方法提取图像纹理特征，组成特征向量，输入构建好的SVM 多分类器中进行分类。对从Brodatz纹理库中选取的4张纹理图像进行了分类实验，取得较好的 分类结果-Support vector machine (svM) is a new machine learning techniques. In this paper, one way to build a multi-cla
03
- 类的目的就是根据现有的图像特征建立一个分类器，能够对未知的图像类型进行预测。在现有众多分类 算法中，贝叶斯分类器由于其坚实的数学理论基础并能综合先验信息和数据样本信息，成为"-3前机器学习和数据挖 掘的研究热点之一。本文论述了内容图像检索中基于贝叶斯分类器的图像分类技术。介绍了贝叶斯分类器，叙述了 利用贝叶斯分类器进行图像分类的方法，以及图像特征的分布假定。最后通过对分类器的探讨，总结了贝叶斯估计 分类的不足。-The purpose of class is based on a
machine-learning-ex8
- Andrew Ng Cousera 机器学习 异常检测勇于服务器故障分析以及用于电影推荐的推荐系统的源代码和说明文档。(Andrew Ng Cousera's machine learning implement the anomaly detection algorithm and apply it to detect failing servers on a network. In the second part, you will use collaborative filtering t
半监督学习
- 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性
slambook
- 《视觉SLAM十四讲》高翔，完整版，前10章。对视觉定位，机器学习，深度学习有很大帮助(Gao Xiang, the complete version of vision slam 14 lectures, is very helpful for vision positioning, machine learning and deep learning)