SVM分类检测（Python2.7）
HoG，PCA，PSO，硬负开采，滑动窗口，NMS
最好的检测方法是：
HoG（功能）-> PCA（较少功能）+ PSO（最佳C＆gamma）->原点SVM-> HNM（更多功能）->更好的SVM-> SW-> NMS（bbox回归）
对不起，我很懒惰。
我认为我应该澄清该程序的步骤。
提取HoG功能（脚本1）
训练PSO的初始模型（脚本2）
进行pca和pso以获得更好的参数C和伽玛（脚本6）
使用no-pca功能和最佳参数来训练第二个模型（脚本2）
为了提高精度，请使用第二个模型进行hnm并获得最终模型（脚本7）
最后，选择您要进行定位的算法（脚本8或9或10）
PS：
我使用pca的原因是为了加快pso的速度。 老实说，pso真的很慢。
对于第4步，您也可以使用由pca处理的功能，但是我强烈建议您尽可能保留更多功能。
2021-07-08 13:09:18
18.47MB
1
matlab快速非支配算法代码
（示例面部检测结果来自anXDdd。）
项目4：带有滑动窗口的人脸检测
VL
Feat
Matlab参考：
＃＃概述
滑动窗口模型在概念上很简单：将所有图像块独立地分类为对象或非对象。
滑动窗口分类是对象检测的主要范例，特别是对于一个对象类别-面Kong-它是计算机视觉最引人注目的成功之一。
例如，现代相机和照片整理工具具有出色的人脸检测功能。
这些成功的面部检测（通常是对象检测）可以追溯到有影响的工作，例如和。
您可以查看这些文件，以获取有关如何实现检测器的建议。
但是，对于该项目，您将实现的更简单（但仍然非常有效！）的滑动窗口检测器。
Dalal-Triggs不仅着重于学习，还更着重于表示，并介绍了类似于SIFT的梯度直方图（HoG）表示（如右图所示）。
因为您已经实现了SIFT描述符，所以不会要求您实现HoG。
但是，您将负责其余的检测管道-处理异构训练和测试数据，训练线性分类器（HoG模板），并使用分类器以多个比例对数百万个滑动窗口进行分类。
幸运的是，线性分类器结构紧凑，训练Swift，执行速度快。
线性SVM还可以训练大量数据，包括开采的硬底
2021-06-21 00:16:56
91.24MB
1
四大常用限流算法原理详解：计数器固定窗口、计数器滑动窗口、漏桶、令牌桶算法.pdf
2021-05-28 12:02:40
910KB
1