判别分析

核心提示： 1引言 条形码（简称条码）技术是集条码理论、光电技术、计算机技术、通信技术、条码印制技术于一体的一种自动识别技术，条形码是由宽度不同、反射率不同的条（黑色）和空（白色），一维条形码生成与识别技术，按照一定的编码规则编制而成，用以表达一组数字或字母符号信息的图形标识符，参考文献1．熊小寒．条形码技术与标准化[M]．天津： 1引言 条形码（简称条码）技术是集条码理论、光电技术、计算机技术、通信技术、条码印制技术于一体的一种自动识别技术。条形码是由宽度不同、反射率不同的条（黑色）和空（白色），按照一定的编码规则编制而成，用以表达一组数字或字母符号信息的图形标识符。条形码符号也可印成其它颜色，但两种颜色对光必须有不同的反射率，保证有足够的对比度。条码技术具有速度快、准确率高、可靠性强、寿命长、成本低廉等特点，因而广泛应用于商品流通、工业生产、图书管理、仓储标证管理、信息服务等领域。　 本文针对EAN-13条码，介绍了其格式、编码规则等技术特点,并在Visual C++ 6.0环境下实现了一维条码的图像生成与识别，具有较好的应用价值。 2　 EAN-13条形码简介 一维条码主要有EAN和UPC两种，其中EAN码是我国主要采取的编码标准。EAN是欧洲物品条码（European Article Number Bar Code）的英文缩写，是以消费资料为使用对象的国际统一商品代码

转自 https://www.zhihu.com/question/26493945 作者：YaqiLYU 第一部分：目标跟踪速览 先跟几个SOTA的tracker混个脸熟，大概了解一下目标跟踪这个方向都有些什么。一切要从2013年的那个数据库说起。。如果你问别人近几年有什么比较niubility的跟踪算法，大部分人都会扔给你吴毅老师的论文，OTB50和OTB100(OTB50这里指OTB-2013，OTB100这里指OTB-2015，50和100分别代表视频数量，方便记忆)： Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013. Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015. 顶会转顶刊的顶级待遇，在加上引用量1480+320多，影响力不言而喻，已经是做tracking必须跑的数据库了，测试代码和序列都可以下载： Visual Tracker Benchmark ，OTB50包括50个序列，都经过人工标注： 两篇论文在数据库上对比了包括2012年及之前的29个顶尖的tracker，有大家比较熟悉的OAB, IVT, MIL, CT, TLD, Struck等，大都是顶会转顶刊的神作

6．一种概率算法 　　缪内的结果虽然很好，但它毕竟是依赖于一个悬而未决的假设．因而在实用中，它是不能被采用的．故我们回到勒默的结果，看看从这个结果还能引伸出什么方法来． 　　勒默的结果说，若n是合数，则存在a，满足(a，n)=1使样的a至少有多少． 　　 　n是合数时，由勒默的结果定理2.12，Mn是Un的真子群，即Mn≠Un，因而Mn在Un中的指标至少是2，即(Un∶Mn)≥2．故Mn中的元素个数至多是Un中元素个数的一半，即Un中不在Mn中的元素个数至少 　　　 (modn)． 　　证明 对1到n之间的数a，若(a，n)≠1，则显然a不满足　 　 　　这个推论可以产生一种作“素性判别”的概率算法： 　　对任何输入n，从1到n之间随机地抽取k个数a1，a2，…，ak 是否成立，若有某个ai使此同余式不成立，则断言n是合数；若对a1，…，ak，同余式都成立，则断言n是素数． 　　在这个算法中，ai的选取是随机的，而且结论(断言)正确性不是完全确定的，故此算法叫概率算法．在这个概率算法中，当得到断言说输入n是合数时，由定理2.11，结论是正确的；当得到断言说输入是素数时，没有什么定理可以确保结论是正确的．也就是说，此算法在执行完毕后，可能将一个事实上是合数的输入断言为是素数了．但是，由以上定理2.15的推论，这种出错的概率是很小的．因为，若n事实上是合 　 　 乎为零(但不是零！)

简介：　　 　　前面学到的网络比如CNN、RNN这些都是基于有监督式的学习，训练模型时我们需要输入样本和对应的label，给定损失函数，利用网络来学习数据的模式和特征。那么我们就不禁提出一个想法，有没有一种网络，对于给定的输入，且输入的数据无指定label，通过一个网络对这些数据进行学习，自动得出损失函数，从而学习数据的分布呢？答案肯定是有的，这就是16年非常火热的无监督式的学习下的生成对抗GAN网络,被一些学者认为是20年来机器学习领域最酷的想法。本文只是记录对该网络的个人理解，仅供个人学习和参考。 论文： Generative Adversarial Net(2014) GAN论文集合： 这里 GAN代码集合： 这里 GAN的基本概念： 　　GAN的思想是一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数，比如两个人掰手腕，假设总的空间是一定的，你的力气大一点，那你就得到的空间多一点，相应的我的空间就少一点，相反我力气大我就得到的多一点，但有一点是确定的就是，我们两人的总空间是一定的，这就是二人博弈，但是呢总利益是一定的。引申到GAN里面就是可以看成，GAN中有两个这样的博弈者，一个是生成模型（G），一个是判别模型（D），他们各自有各自的功能。 生成模型(伪装者角色)：在GAN网络中生成器扮演伪装者角色，我希望生成的数据伪装度特别高

　　生成对抗网络（GAN），是深度学习模型之一，2014年lan Goodfellow的开篇之作 Generative Adversarial Network ， GAN概述 　　GAN包括两个模型，一个是 生成模型 （generative model），一个是 判别模型 （discriminative model）。生成模型要做的事情就是生成看起来真的和原始数据相似的实例，判断模型就是判断给定的实例是生成的还是真实的（真实实例来源于数据集，伪造实例来源于生成模型）。 　　生成器试图欺骗判别器，判别器则努力不被生成器欺骗。两个模型经过交替优化训练，互相提升 图1-1 GAN网络整体示意图 　　如上图所示，我们有两个网络，生成网络G（Generayor）和判别网络D（Discriminator）。生成网络接收一个（符合简单分布如高斯分布或者均匀分布的）随机噪声输入，通过这个噪声输出图片，记做G(z)。判别网络的输入是x，x代表一张图片，输出D(x)代表x为真实图片的概率。 GAN模型优化训练 目的 ：将一个随机高斯噪声z通过一个生成网络G得到一个和真实数据分布\({p_{data}}(x)\)差不多的生成数据分布\({p_G}(x;\theta )\)，其中的参数\(\theta \)是网络参数决定的，我们希望找到\(\theta \)使得\({p_G}(x;\theta )\)和\