计算机视觉日报 2015-09-08 人造样本用于行人检测和识别；模板匹配的目标跟踪研；目录图...
计算机视觉日报 2015-09-08[*]人造样本用于行人检测和识别 @计算机视觉小菜鸟
[*]模板匹配的目标跟踪研究 @计算机视觉小菜鸟
[*]目录图片vs.自然图像深度分类/特征方面差异的讨论 @爱可可-爱生活
@好东西传送门 出品, 过往目录 见http://ml_cv.memect.com
订阅：给 hao@memect.com 发封空信， 标题: 订阅计算机视觉日报
邮件版包括7条，本期的Web版有完整内容7条
今日焦点 (3)
http://tp4.sinaimg.cn/5331877099/50/5723333775/1 计算机视觉小菜鸟 网页版 2015-09-08 18:46
视觉
IEEE Xplore Abstract - Virtual and Real World Adaptation for Pedestrian Detection 人造样本用于行人检测和识别 http://t.cn/RyURgnt
http://tp4.sinaimg.cn/5331877099/50/5723333775/1 计算机视觉小菜鸟 网页版 2015-09-08 18:20
视觉
IEEE Xplore Abstract - A Geometric Particle Filter for Template-Based Visual Tracking 模板匹配的目标跟踪研究 http://t.cn/RyU8nKC
http://tp2.sinaimg.cn/1402400261/50/5713579194/1 爱可可-爱生活 网页版 2015-09-08 06:28
经验总结 视觉 算法 博客 分类
【目录图片vs.自然图像深度分类/特征方面差异的讨论】《Classification And Feature Extraction – Why Catalog Images Are So Different》by kielmann http://t.cn/RyU5KAK
最新动态
http://tp4.sinaimg.cn/5331877099/50/5723333775/1 计算机视觉小菜鸟 网页版 2015-09-08 18:02
视觉
IEEE Xplore Abstract - Scene-Specific Pedestrian Detection for Static Video Surveillance 通用行人检测改造为可以针对具体场景的检测 http://t.cn/RyU8wWb
http://tp1.sinaimg.cn/5220650532/50/5701668539/1 好东西传送门 网页版 2015-09-08 07:23
深度学习 知识工程 自然语言处理 简报 语义网 主题模型
第354期机器学习日报(2015-09-07)http://t.cn/RyUtO2C 1) OWL/RDF/描述逻辑的监督学习框架DL-Learner 2) Differential Topic Models 3) Depth-Gated LSTM 4) minhash和simhash的比较 5) Text Understanding from Scratch 完整版31条 http://t.cn/RyUtO29
http://ww1.sinaimg.cn/large/005HjjGQgw1evuosgdtwlj30ez09l75u.jpg
温故知新 (2)更早的微博，有新精彩评论或被再次推荐 。请查看本期的Web版“温故知新”栏
http://tp3.sinaimg.cn/1630461754/50/40066407832/1 IT程序猿 网页版 2015-09-05 11:00
深度学习 视觉 孙剑
《从How-Old.net看人脸识别技术的演进和基础环节》微软亚洲研究院视觉计算组首席研究员孙剑博士撰写了本文，他基于近期的两项人脸识别应用，深入浅出的介绍了这项应用背后的深度学习方法、人脸识别基础环节等内容。（来自： CSDN）cc @酷勤网-程序员的那点事
http://ww1.sinaimg.cn/large/612edf3ajw1evre6u9pnyj20c82sae1w.jpg
自动化网官方微博 网页版 转发于2015-09-08 08:48
微软亚洲研究院视觉计算组首席研究员孙剑博士撰写了本文，他基于近期的两项人脸识别应用，深入浅出的介绍了这项应用背后的#深度学习#方法、#人脸识别#基础环节等内容。
http://tp1.sinaimg.cn/1240281152/50/5609223605/1 路遥_机器学习 网页版 2015-06-03 18:32
深度学习 视觉 算法 分类 论文
我们组的新文章 http://t.cn/R2a8P0d 探索无监督学习的用途。如果某些类没有训练样本，监督学习无能为力，但利用无监督学习，仍然可以去分类。这个问题叫Zero-shot Learning。我们的方法，用一个在一千个类的ImageNet上训练好的CNN，去给两万个类的ImageNet做分类，效果超越了Google之前的两个方法。
http://ww4.sinaimg.cn/large/49ed3040gw1esr30iu1ufj21820ha40j.jpg
页:
[1]