喀拉拉邦 更快的R-CNN的Keras实现：通过区域提议网络实现实时目标检测。 从克隆 修复了从原产地奥克隆克隆时的几个错误 用法： theano和tensorflow后端都受支持。 但是在theano中编译时间非常长，强烈建议使用Tensorflow。 train_frcnn.py可用于训练模型。 要训​​练Pascal VOC数据，只需执行以下操作： python train_frcnn.py -p /path/to/pascalvoc/ 。 Pascal VOC数据集（分类对象周围边界框的图像和注释）可以从以下网站获得： : simple_parser.py提供了使用文本文件输入数据的另一种方法。 只需提供一个文本文件，每行包含： filepath,x1,y1,x2,y2,class_name 例如： /data/imgs/img_001.jpg,837,346,981

图像配准是计算机视觉中诸多问题的基础，基于图像特征的配准方法仍然是该领域的研究热门。为了提高算法的效率，拥有更好的实用性，提出了一种基于FAST-DAISY的遥感图像配准方法。首先运用FAST算法提取特征点，提出分配主方向的方法，利用DAISY算法建立描述符，得到特征点集后，使用RANSAC（随机抽样一致性）算法剔除误匹配点对，最终估计仿射变换参数，利用二次线性插值法得到配准后的遥感图像。实验结果表明，算法对于平移、旋转、灰度差异、地物差异、位置差异、小尺度差异和噪声干扰的遥感图像有较好的配准效果，匹配时间通常介于SIFT与SURF-DAISY算法之间，算法在实用性上有较大优势。

拉格朗日插值法

人人快战 renren-fast-vue基于vue，element-ui进行开发，实现后台管理前端功能，提供一套更优的前端解决方案 前一级分离，通过token进行数据交互，可独立部署 主题定制，通过scss变量统一一站式定制 动态菜单，通过菜单管理统一管理访问路由 数据切换，通过mock配置对接口数据／ mock模拟数据进行切换 发布时，可动态配置CDN静态资源／切换新旧版本 演示地址： ://demo.open.renren.io/renren-fast（账号密码：admin / admin） 说明文档 项目开发，部署等说明都在中。 更新日志 每个版本的详细更改都记录在中。

最近唯一能够像SiamMask一样在线操作并从边界框初始化开始生成mask的跟踪器是Yeo等人的基于超像素的方法.①作者认为以往直接回归box的方法存在一定的偏差，而使用分割提取mask然后再确定box的方法能够更好的定位box 的宽高。 ②现有的跟踪器，都使用矩形边界框来初始化目标并估计其在后续帧中的位置。尽管简单的矩形很方便，但通常无法正确表示对象。

A Fast Proximal Method for Convolutional Sparse Coding.pdf

目录 一、何为目标检测 二、如何做到目标检测 三、R-CNN 引入 R-CNN的缺点有哪些 四、Fast R-CNN 引入 Fast R-CNN比R-CNN优化的地方，以及其依旧存在的问题 五、Faster R-CNN 引入 网络结构 网络训练 RPN网络训练 总体流程 RPN网络标签的生成 RPN网络LOSS Faster R-CNN网络训练 一、何为目标检测 给你一张图片，告诉我图里有什么？在哪？ 二、如何做到目标检测         学过深度学习的都知道已经事情，一个深度神经网络就是一个巨大的函数，给它输入，它给你输出，相信很多读者都自己构建过深度神经网络并在MNIST手写数字数据集上

TAU = KENDALLTAU(Y) 返回一个 N×N 矩阵，其中包含 T×N 矩阵 Y 中每对列之间的成对 Kendall 秩相关系数。系数针对关系进行调整（这就是所谓的“tau-乙”）。 当没有联系时，Kendall 的 tau-b 与标准 tau（或 tau-a）相同。 TAU = KENDALLTAU(Y, w) 返回加权 Kendall 等级相关矩阵，其中 w 是 [T * (T - 1) / 2]×1 的权重向量，用于观察 i 和 j 之间的所有比较组合。 参考：F. Pozzi、T. Di Matteo、T. Aste，“指数平滑加权相关性”，欧洲物理期刊 B，第 85 卷，第 6 期，2012 年。DOI：10.1140/epjb/e2012-20697-x 该算法可能比 Matlab CORR 函数（秒 vs 小时）快得多，已被认为适用于小型数据集：需要机器虚拟内

Learning-Spark-Lightning-Fast-Data-Analysis 高清版 pdf 电子书 带目录

Girshick - 2015 - Fast r-cnn.pdfGirshick - 2015