-
Freak算法
应用背景大量视觉应用依赖于整个图像匹配关键点。在过去的十年中对功能更快，更稳健的关键点和关联算法族群包括：尺度不变特征变换（SIFT），提速强大的功能（SURF），以及最近的二进制稳健不变可扩展关键点（BRISK），仅举几例。关键技术我们提出了一个新的关键点描述符的灵感来自于人类视觉系统和更精确的视网膜上，创造了快速视网膜关键点（FREAK）。二进制串的级联是通过有效地在视网膜的采样模式比较图像强度计算。
- 2022-02-10 17:20:59下载
- 积分：1
-
辛普森复合算法 典型
辛普森复合算法 典型-Simpson typical composite algorithm
- 2023-07-20 02:25:03下载
- 积分：1
-
解大规模线性方程组的预条件Gmres方法.系数矩阵可以非对称正定....
解大规模线性方程组的预条件Gmres方法.系数矩阵可以非对称正定.-Solution of large-scale linear equations of the preconditioned GMRES method. Coefficient matrix can be non-symmetric positive definite.
- 2022-05-15 20:02:59下载
- 积分：1
-
求矩阵的最大特征值
求矩阵的最大特征值-matrix for the largest eigenvalue
- 2022-01-21 21:13:50下载
- 积分：1
-
转换为基于 SIFT 的图像拼接的视频的尖叫声
这段代码是 utliised，如下所示：
1-将视频转换为帧，然后到图像的 SIFT 得到对取自两个图像的对应点
2 恢复 homographies 的每个图像
3-扭曲图像之间的单应
4 混合图像转换成使用加权的平均的马赛克
5-查看结果
- 2023-02-26 04:15:03下载
- 积分：1
-
C++ ItemCF
UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一
- 2022-03-26 08:57:57下载
- 积分：1
-
FIR数字滤波器设计，窗函数在信号处理中的作用
FIR数字滤波器设计，窗函数在信号处理中的作用-FIR digital filter design, window function in the signal processing of
- 2022-11-30 23:25:02下载
- 积分：1
-
master java practica
马德里大学信息学院操作系统实习
- 2022-04-02 01:45:05下载
- 积分：1
-
平均因子分解法应用于正定矩阵
平均因子分解法，适用于正定矩阵First, let s recall the definition of the Cholesky decomposition: Given a symmetric positive definite square matrix X, the Cholesky decomposition of X is the factorization X=U U, where U is the square root matrix of X, and satisfies:
(1) U U = X
(2) U is upper triangular (that is, it has all zeros below the diagonal).
It seems that the assumption of positive definiteness is necessary. Actually, it is "positive definite" which guarantees the existence of such kind of decomposition. -Average factor decomposition method applied to positive definite matrix First, let s recall the definition of the Cholesky decomposition: Given a symmetric positive definite square matrix X, the Cholesky decomposition of X is the factorization X = UU, where U is the square root matrix of X, and satisfies: (1) UU = X (2) U is upper triangular (that is, it has all zeros below the diagonal). It seems that the assumption of positive definiteness is necessary. Actually, it is positive
- 2022-10-16 04:30:02下载
- 积分：1
-
基于最小二乘原理的直线拟合程序
基于最小二乘原理的直线拟合程序-based on the principle of linear least squares fitting procedure
- 2022-05-30 11:54:45下载
- 积分：1
