转自哈夫曼树算法及C++实现

哈希映射函数

/* BKDR Hash Function */
unsigned int BKDR_hash(char *str)
{
    unsigned int seed = 131; // 31 131 1313 13131 131313 etc..
    unsigned int hash = 0;
    while (*str)
    {
        hash = hash * seed + (*str++);
    }
    return (hash & 0x7FFFFFFF);
}

使用tensorflow实现softmax分类

原文链接

• SIFT实验楼转载整理

一、SIFT介绍

1 简介

SIFT 算法是在一幅图片不同的尺度空间上检测图像关键点的局部特征算法。SIFT算法通过关键点进行匹配，检测图片中物体的位置尺度和旋转不变量，使得分类器有良好的效果。该算法的应用范围很广，在图像导航、追踪、动作识别等方面都有较深刻的应用。

2 知识点

• 卷积模糊概念
• 高斯卷积模糊
• 图像金字塔
• 关键点选取
• 描述子生成

三分搜索概念

三分搜索

三分搜索tips

• 找极大值的时候若左中点比右中点更靠近极大值，right取右边中点；否则left取左边中点（找极小值相反）
• 找极大值坐标的时候，while循环的判断条件可以设为right-left>4，留出空挡就可以不用判断边界了

原文链接

• 相似图片搜索的原理–阮一峰
• 相似图片搜索的原理(二)–阮一峰

脸部检测及landmarks标记

二分模板

int binarySearch(vector<int>nums, int key)
{
    int left = 0, right = nums.size()-1;
    while(left<=right)
    {
        int mid = left+(right-left)/2;
        if(key ? nums[mid]){
            right = mid-1;
        }else{
            left = mid+1;
        }
    }
    //可能还得加判断left，right是否在范围内
    return left or right;
}

背景

1. 论文: FaceNet: A Unified Embedding for Face Recognition and Clustering
2. 代码地址: Github

概况

1. 论文提出了名为FaceNet的框架，该框架学习的是从脸图到欧式距离的映射，这样就可以同图片之间的距离来衡量相似度。相比之前直接用softmax更加高效。
2. 端到端，框架的输出是一个多维度的embedding向量。
3. 损失函数采用的是三联子损失(triplet loss)
4. 文章采用的deepCNN的结构为：1）Zeiler&Fergus加上额外的1x1xN的卷积层,2）inception model
5. 该算法在LFW数据集上实现了99.63%的精确度，在YouTube脸库数据集上实现了95.12%的精确度，准确度比以往算法提升了30%