Canonical Correlation Analysis(CCA)典型相关分析也是一种常用的降维算法。我们知道，PCA(Principal Component Analysis) 主分量分析将数据从高维映射到低维空间同时，保证了数据的分散性尽可能地大, 也就是数据的方差或者协方差尽可能大。而LDA(Linear Discriminant Analysis) 线性判别分析则利用了类标签，利用一种

传统的 CV 问题，一般把特征提取和分类模型的构建训练分成两个步骤，CNN 可以把这两者合在一个网络里，目前很多实验证明，利用大量数据训练过的 CNN 可以用作很好的特征提取器，类似一种特征迁移。今天介绍一下，如何利用 Tensorflow 和 预先训练好的模型，做特征提取，我们可以用 TensorFlow GitHub 官网上的预训练模型来做特征提取：https://github.com/t..

VAE 模型是一种有趣的生成模型，与GAN相比，VAE 有更加完备的数学理论（引入了隐变量），理论推导更加显性，训练相对来说更加容易。VAE 可以从神经网络的角度或者概率图模型的角度来解释。VAE 全名叫 变分自编码器，是从之前的 auto-encoder 演变过来的，auto-encoder 也就是自编码器，自编码器，顾名思义，就是可以自己对自己进行编码，重构。所以 AE 模型一般都由两部分..

目标检测是计算机视觉领域非常重要的一个应用，是场景理解，多目标识别的前提，

在计算机视觉领域中，人脸检测或者物体检测一直是一个非常受关注的领域，而在人脸检测中，Viola-Jones人脸检测算法可以说是非常经典的一个算法，所有从事人脸检测研究的人，都会熟悉了解这个算法，Viola-Jones算法在2001年的CVPR上提出，因为其高效而快速的检测即使到现在也依然被广泛使用，OpenCV 和 Matlab中都将这个算法写进了函数库可以很方便的直接调用。虽然VJ人脸检测算法最

Principal components analysis这一讲，我们简单介绍Principal Components Analysis(PCA)，这个方法可以用来确定特征空间的子空间，用一种更加紧凑的方式（更少的维数）来表示原来的特征空间。假设我们有一组训练集{x(i);i=1,...m}\{x^{(i)}; i=1,...m \}，含有m个训练样本，每一个训练样本x(i)∈Rnx^{(i)

Linear discriminant analysis (LDA) 线性分类分析也是机器学习中常用的一种降维算法，与 PCA 相比，LDA 是属于supervised 的一种降维算法。PCA考虑的是整个数据集在高维空间的分散性，PCA降维之后依然要让数据在低维空间尽可能地分散。而LDA考虑的是类与类之间的差别(用距离来衡量)。我们先来看二分类的LDA，给定一个训练集 D={xi∈Rd

今天介绍数值计算和优化方法中非常有效的一种数值解法，共轭梯度法。我们知道，在解大型线性方程组的时候，很少会有一步到位的精确解析解，一般都需要通过迭代来进行逼近，而 PCG 就是这样一种迭代逼近算法。我们先从一种特殊的线性方程组的定义开始，比如我们需要解如下的线性方程组：Ax=bAx=b\mathbf{A} \mathbf{x} = \mathbf{b}这里的 A(n×n)A...

今天介绍向量空间中的投影，以及投影矩阵。假设空间中有两个向量 a,b\mathbf{a}, \mathbf{b}a,b，b\mathbf{b}b 在 a\mathbf{a}a 上的投影为 p\mathbf{p}p，我们要计算出 p\mathbf{p}p 到底是多少，如下图所示：为了计算 p\mathbf{p}p，我们可以先假设 p=xa\mathbf{p} = x \mathbf{a}p=x...

我们用单反或者手机拍照的时候，从取景到最终出图，是有一个完整的 pipeline 的，今天我们就大概介绍一下这个 pipeline：如何从环境光到 RAW 图到最后的 JPEG 图。sensor以前的摄影，都是黑白照片，虽然光的色散很早就发现了，可是彩色照相却很晚才有，尤其是数字照相，人们一直没有找到很好的方法来捕捉颜色，直到 Bayer 模式的发明，现在的数字 sensor 都是基于 Ba...