对于高斯稠浊模子（GMM）的matlab源代码：-OntheGaussianmixturemodel(GMM)ofthematlabsourcecode:
2023/5/4 18:38:03
12KB
1
行人检测是视频监控中的一个底子下场，连年来已经患上到了长足的普及。
然则，由于源熬炼样本以及目的场景中行人样本之间的差距，在某些人民数据集上熬炼的通用行人检测器的成果在使用于某些特定场景时会明晰飞腾。
另外，在目的场景中手动标志样本也是一项高尚且费时的责任。
咱们提出了一种别致的转移学习框架，该框架能够自动将通用检测器转移到特定于场景的行人检测器，而无需手动标志目的场景中的熬炼样本。
在咱们的方式中，咱们经由对于目的场景使用通用检测器来患上到初始检测下场，咱们将该下场称为目的样本。
咱们使用了多少种线索来过滤目的模板，从末了的检测下场中咱们能够未必它们的标签。
高斯稠浊模子（GMM）用于患上到每一个视频帧中的行为地域以及一些其余目的样本，这些目的样本没法被通用检测器检测到，由于这些目的样本距离摄像机较远。
目的样本以及目的模板之间的相关性以及源样本以及目的模板之间的相关性经由怪异编码举行估算，而后用于盘算源样本以及目的样本的权重。
明显性检测是在源样本以及目的模板之间举行相关性盘算以消除了非明显地域干扰以前的一项必不可少的责任。
齐全这些思考都是在单个目的函数下拟定的，经由对于齐全这些样本削减基于怪异编码的权重来
然则，由于源熬炼样本以及目的场景中行人样本之间的差距，在某些人民数据集上熬炼的通用行人检测器的成果在使用于某些特定场景时会明晰飞腾。
另外，在目的场景中手动标志样本也是一项高尚且费时的责任。
咱们提出了一种别致的转移学习框架，该框架能够自动将通用检测器转移到特定于场景的行人检测器，而无需手动标志目的场景中的熬炼样本。
在咱们的方式中，咱们经由对于目的场景使用通用检测器来患上到初始检测下场，咱们将该下场称为目的样本。
咱们使用了多少种线索来过滤目的模板，从末了的检测下场中咱们能够未必它们的标签。
高斯稠浊模子（GMM）用于患上到每一个视频帧中的行为地域以及一些其余目的样本，这些目的样本没法被通用检测器检测到，由于这些目的样本距离摄像机较远。
目的样本以及目的模板之间的相关性以及源样本以及目的模板之间的相关性经由怪异编码举行估算，而后用于盘算源样本以及目的样本的权重。
明显性检测是在源样本以及目的模板之间举行相关性盘算以消除了非明显地域干扰以前的一项必不可少的责任。
齐全这些思考都是在单个目的函数下拟定的，经由对于齐全这些样本削减基于怪异编码的权重来
2023/4/18 0:39:57
1.18MB
1
Python3写的EM算法，包含两个程序，一个是em分类，一个是GMM使用（EM算法推导（收敛性证明和在GMM中的使用））我的博客：https://blog.csdn.net/kevinoop/article/details/80522477
2016/5/20 23:24:10
3KB
1
本程序为matlab程序。
em算法，指的是最大期望算法（ExpectationMaximizationAlgorithm，又译期望最大化算法），是一种迭代算法，在统计学中被用于寻觅，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。
em算法，指的是最大期望算法（ExpectationMaximizationAlgorithm，又译期望最大化算法），是一种迭代算法，在统计学中被用于寻觅，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。
2018/8/19 23:04:08
2KB
1
这是一个说话人识别matlab源代码，有两个特征可以选择MFCC和SBC,模式婚配使用了GMM。
测试了80人的数据库，MFCC识别正确率为80%，SBC为40%左右
测试了80人的数据库，MFCC识别正确率为80%，SBC为40%左右
2016/10/7 9:30:18
61KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB