manifold

一、谱残差(Spectral Residual, SR) 一种简单的图像显著性计算模型 http://www.cnblogs.com/CCBB/archive/2011/05/19/2051442.html 图像显著性论文（二）—Saliency Detection: A Spectral Residual Approach https://blog.csdn.net/chenjiazhou12/article/details/39522467 Spectral Residual 小记 http://lowrank.science/Spectral-Residual/ 二、超复数傅里叶变换(Hypercomplex Fourier Transform, HFT) 主页：论文、代码、实验结果 https://sites.google.com/site/jianlinudt/hft 三、基于图形的流形排序(Graph-Based Manifold Ranking, GBMR) 图像显著性处理–流形排序算法 https://blog.csdn.net/qq_16786501/article/details/75568363 基于流行排序的显著性检测方法-MR https://blog.csdn.net/qq_22238021/article/details/74078929 来源：

不管之前介绍的K-means还是K-medoids聚类，都得事先确定聚类簇的个数，而且肘部法则也并不是万能的，总会遇到难以抉择的情况，而本篇将要介绍的Mean-Shift聚类法就可以自动确定k的个数，下面简要介绍一下其算法流程： 　　1.随机确定样本空间内一个半径确定的高维球及其球心； 　　2.求该高维球内质心，并将高维球的球心移动至该质心处； 　　3.重复2，直到高维球内的密度随着继续的球心滑动变化低于设定的阈值，算法结束 具体的原理可以参考下面的地址，笔者读完觉得说的比较明了易懂： http://blog.csdn.net/google19890102/article/details/51030884 而在Python中，机器学习包sklearn中封装有该算法，下面用一个简单的示例来演示如何在Python中使用Mean-Shift聚类： 一、低维 from sklearn.cluster import MeanShift import matplotlib.pyplot as plt from sklearn.manifold import TSNE from matplotlib.pyplot import style import numpy as np ''' 设置绘图风格 ''' style.use( ' ggplot ' ) ''' 生成演示用样本数据 '''

测地线就是在一个三维物体的表面上找出两个点的最短距离。测地线的具体应用挺广的，比如说飞机船只的航道设计。首先我们知道在二维平面上两点之间线段最短，但若是换到三维这就没办法实现了，因为你无法穿透这个物体以寻求最短距离。所以，我们就得想办法在曲面上面寻求最短距离。因为曲面略微抽象而且路径很多让人感觉无从下手，所以看似很难找。 其实不然，想象一张纸（假设它的厚度是忽略不计的），你既可以平铺让它处于绝对二维状态，又可以将其折叠成不同形状使其处于三维状态。如果这样想，事情就变简单了。假设你的那张不计厚度的纸处于平面状态，纸上有两个位置不同的点，你可以很容易找到两点之间最短距离。然后，你再将纸折叠成不同形状，尽管此时面不同了，但是两点的最短距离依然还是原先那条线：因为面不管被如何折面积都是不变的。 所以要找到测地线的关键就是把曲面转化成平面的这一步。微积分里面的术语叫parametrization（参数化），先不做过多讲解。当把曲面参数化成二维面之后，我们可以通过微积分求导，最后把二维重新转回三维。 数学语言表达 The geodesic equation In a Riemannian manifold M with metric tensor g , the length L of a continuously differentiable curve γ : [ a , b ] → M

Counting 计数 Natural Number 自然数 Odd Number 奇数 Even Number 偶数 Mathematical Symbol 数学符号 Arithmetic 数术 Subtraction 减法 Multiplication 乘法 Division 除法 Mixed Operation 混合运算 Single Digit 个位数 Decimal System 十进制 Interger 整数 Number Axis 数轴 Negative Number 负数 Absolute Value 绝对值 Algebra 代数 Proprtion 比例 Factor 因子 Fraction 分数 Reduction of a Fraction 约数 Prime Nuber 质数 Composite Number 合数 Relatively Prime 互质 Pythagorean Theotem 勾股定理 Irrational Number 无理数 Real Number 实数 Basic Geometry 基本几何 Point 点 Line 线 Plane 面 Square 正方形 Circle 圆 Perimeter 周长 Area 面积 Half-Line 射线 Angle 角 Tangent Line 切线 Arc Length 弧长 Graph

【第一部分】问题总结 创建MobileNet V2时，第二个基本单元的步长与论文中不一致： MobileNet V2中使用了BatchNorm来优化网络，归一化来加速网络，HybridSN中添加后分类结果变差。 【第二部分】代码练习 使用MobileNet V1对CIFAR10进行分类 可分离卷积的实现： class Block(nn.Module): '''Depthwise conv + Pointwise conv''' def __init__(self, in_planes, out_planes, stride=1): super(Block, self).__init__() # Depthwise 卷积，3*3 的卷积核，分为 in_planes，即各层单独进行卷积 # group这个参数是用做分组卷积的，但是现在用的比较多的是groups = in_channel # 当groups = in_channel时，是在做的depth-wise conv的 self.conv1 = nn.Conv2d(in_planes, in_planes, kernel_size=3, stride=stride, padding=1, groups=in_planes, bias=False) # 在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理