基于对现有图割算法的研究，本文进一步设计了基于自适应分水岭算法并且使用非参数深度平滑模型来建立图割的能量方程的立体匹配方法。提出了新的自适应局部阈值方法，并将其应用于分水岭结合Prim算法的区域融合中。该方法选取相同亮度的像素当作同一个特征矢量形成像素组层，这样两幅或多幅图像的匹配可以在特征区域像素组层来计算，大大减少了数据量。在最小化能量方程时，基于像素组层优化现有的α-扩展算法，降低运行时间。实验结果表明：通过Middlebury测试平台对算法定量评估得出在所有区域误匹配、非遮挡区域以及深度不连续区域的误匹配率都控制在8.5%以内，在Middlebury测试平台135组数据中排名第19位。

机器学习手写数字识别系统项目完整代码和参考报告+适用学生党+利用机器学习完成手写数字识别+博客链接：https://blog.csdn.net/shooter7/article/details/113337835 手写体数字识别是机器学习中模式识别的一个重要的研究方向，在现今这个信息化的时代中有着非常广泛的应用，例如邮件分拣、银行票据识别。，其准确率还不够理想，仍需要进一步提升。手写体数字识别系统的工作主要是运用K最邻近算法实现了对手写体数字的识别，支持上传本地图片和调用摄像头进行拍摄两种识别的途径，同时有添加完善数据集、查看测试集的识别率的功能，形成了一个比较完整的手写数字识别系统。本文还运用python的GUI编程中的tkinter模块设计了一个简洁友好的用户界面。本文重点阐述了手写数字识别图像处理流程，运用KNN算法进行分类识别，同时运用数理统计的方法对K值的选取进行优化，最后对整个系统的实现结果进行了分析。采用了TestDigits测试集，并对其进行测试，实验的数据显示本文所设计的手写体数字识别系统取得较高的识别率，对上传和拍摄的图片也有着较高的识别率。

项目介绍： 要求： 数目检测和昆虫种类识别 项目进度 2017/4/8---------二值化 2017/4/9---------图片中昆虫虫体计数 2017/4/22-------PyQt 和 OpenCV_VideoFrame 结合做出基本界面 摄像头 Frame 中检测虫体数目，并在界面中显示标出 学习昆虫图像特征的提取，参考论文中提出的几个特征量 提取特征量并进行保存 按照神经网络方法搭建训练模型 搭建了线性 SVM 分类训练器 将特征提取和 UI 界面建立连接，实现拍照和预测判断一体 机器学习训练算法（参考 Python 机器学习） LogisticRegression SGDClassfier 还没有尝试 LinearSVM 朴素贝叶斯(文本分类，不用) K 邻近（分类） 决策树，不用 集成模型，不用 文件介绍 用户界面 MainWindow.ui-----------------------PyQtDesigner 设计的主界面文件 MainWindow.py----------------------PyUIC 转换而成的主界面程序 运行逻辑 VideoMainWin

Information Science and Statistics Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. However, these activities can be viewed as two facets of the same field, and together they have undergone substantial development over the past ten years. In particular, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic models. Also, the practical applicability of Bayesian methods has been greatly enhanced through the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation. Similarly, new models based on kernels have had significant impact on both algorithms and applications.

CenterNet:用于对象检测的关键点三元组

以通俗简介的方式，从浅入深介绍SVM原理和代码流程 让你从此不再惧怕SVM 视频部分： 01_SVM之回顾梯度下降原理02_SVM之回顾有约束的最优化问题03_SVM之回顾有约束的最优化问题-KKT几何解释04_SVM之回顾有约束的最优化问题-KKT数学解释05_SVM之回顾距离公式和感知器模型06_SVM之感知器到SVM的引入07_SVM之线性可分时损失函数的表示08_SVM之线性可分时损失函数的求解-对w,b变量求偏导09_SVM之线性可分时损失函数的求解-对β变量求解.10_SVM之线性可分时算法整体流程11_SVM之线性可分时案例12_SVM之线性不可分时软间隔介绍13_SVM之线性不可分时软间隔优化目标14_SVM之线性不可分时软间隔算法整体流程15_SVM之线性不可分时数据映射高维解决不可分问题16_SVM之线性不可分时核函数引入17_SVM之线性不可分时核函数讲解18_SVM代码之线性可分时和Logistic回归比较19_SVM代码之基于鸢尾花数据多分类参数解释20_SVM代码之基于鸢尾花数据网格搜索选择参数21_SVM代码之不同分类器，核函数，C值的可视化比较2

类别变量（categorical variable）：只有有限个值得变量，如性别就是一个类别变量，类似于这种。 如果不对这些变量做预处理，训练出来的模型可能是错误的。 主要有三种方法来处理这个变量。 如何从数据中找到类别变量？ 我们可以对每一列检查它的数据类型，某列的数据类型为”object”，表明该列有文本（也可能是其他的，但对我们的目标来说不重要），某列是数据是文本，则该列表示类别变量。 代码如下： # 获得类别变量的列名，存放在列表中 s = (X_train.dtypes == 'object') object_cols = list(s[s].index) 1.直接删除类别变量。

利用sklearn中的红酒数据集，训练决策树分类模型并评估。利用plt实现了分类的可视化，同时用graphviz可视化了决策树的生成过程。

smote的matlab代码 DataMiningCase 流失预警模型（二分类），代码原型为本人在某银行做的流失模型，AUC：83%、召回率（覆盖率）：19.4%，精确率：85%（数据是外部数据/代码已脱敏） 你将习得：数据的处理、LightGBM、sklearn包（里面含有：GridSearchCV寻找最优参、StratifiedKFold分层5折切分、train_test_split单次数据切分等）、stacking模型融合、画AUC图、画混淆矩阵图，并输出预测名单。 告诉你：是什么（WHAT）、怎么做(HOW)、为什么这么做(WHY)。 注释覆盖率为80%左右，旨在帮助快速入门，新手级，持续更新，提供免费支持，只需要一颗star 该项目涉及的如下： 商业理解 数据理解 数据处理（数据准备） 特征工程（数据准备） 建立模型 模型融合 模型评估及实验 画图 说明 本专题并不用于商业用途，转载请注明本专题地址，如有侵权，请务必邮件通知作者。 本人水平有限，代码搬到外部环境难免有遗漏错误的地方，望不吝赐教，万分感谢。 有代码疑惑的地方也请找我。 Email：909336740@qq.c

Perl扩展包内有（适合64位 linux机器）： Perl-libwww Perl-MailTools Perl-MIME-Lite Perl-DBI Perl-XML-Simple Perl-Config-General Perl-HTTP-Server-Simple perl-IO-Socket-SSL RRDtool