<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Wislon的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Wislon</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Wislon]]></copyright><item><title><![CDATA[Python3入门笔记（1） —— windows安装与运行]]></title><link>https://blog.csdn.net/Wislon/article/details/84822263</link><guid>https://blog.csdn.net/Wislon/article/details/84822263</guid><author>Wislon</author><pubDate>Wed, 05 Dec 2018 10:35:51 +0800</pubDate><description><![CDATA[转自 https://www.cnblogs.com/weven/p/7252917.html

Python的安装：

1.进入Python官方网站下载安装包

点击导航栏的 Downloads 会自动识别你的windows系统  你会看到  Python3.6.2 和 Python2.7.13   （32位系统）的安装包

注：Python3以后版本不再向Python2进行兼容，所有如果你是单...]]></description><category></category></item><item><title><![CDATA[Python3入门笔记（1） —— windows安装与运行]]></title><link>https://blog.csdn.net/Wislon/article/details/84331292</link><guid>https://blog.csdn.net/Wislon/article/details/84331292</guid><author>Wislon</author><pubDate>Wed, 21 Nov 2018 22:22:48 +0800</pubDate><description><![CDATA[ 

 Python的设计哲学是“优雅”、“明确”、“简单”。这也是我喜欢Python的理由之一

Python的安装：

1.进入Python官方网站下载安装包

点击导航栏的 Downloads 会自动识别你的windows系统  你会看到  Python3.6.2 和 Python2.7.13   （32位系统）的安装包

注：Python3以后版本不再向Python2进行兼容，所有如果你是...]]></description><category></category></item><item><title><![CDATA[图像凸包的显示]]></title><link>https://blog.csdn.net/Wislon/article/details/81565692</link><guid>https://blog.csdn.net/Wislon/article/details/81565692</guid><author>Wislon</author><pubDate>Fri, 10 Aug 2018 16:32:06 +0800</pubDate><description><![CDATA[最近在研究图像的显著性分析，看到有关利用图像特征点进行图像显著性分析的方法，为了方便显著图像的特征点，我们可以利用convexhull的方法得到关于图像特征点的一个凸包。比如：

rgb_im = imread('leaf.bmp');
figure,imshow(rgb_im);
corner_im2 = getsalientpoints(rgb_im);
corner_im = elimate...]]></description><category></category></item><item><title><![CDATA[显著性检测综述(完整整理)（转自https://blog.csdn.net/qq_32493539/article/details/79530118）]]></title><link>https://blog.csdn.net/Wislon/article/details/81516432</link><guid>https://blog.csdn.net/Wislon/article/details/81516432</guid><author>Wislon</author><pubDate>Wed, 08 Aug 2018 22:05:51 +0800</pubDate><description><![CDATA[显著性对象检测综述

参考：http://mmcheng.net/zh/paperreading/

一、    程明明等人的论文：Salient Object Detection: A Surve（简单归纳了文章中的我认为比较重要的部分）

该论文旨在全面回顾突出显示目标检测的最新进展，并将其与其他密切相关领域（如通用场景分割，目标建议生成以及固定预测的显著性）相关联。主要内容涉及i）根源，关键...]]></description><category></category></item><item><title><![CDATA[MATCONVNET进行FCN语义分割]]></title><link>https://blog.csdn.net/Wislon/article/details/80934518</link><guid>https://blog.csdn.net/Wislon/article/details/80934518</guid><author>Wislon</author><pubDate>Thu, 05 Jul 2018 23:19:48 +0800</pubDate><description><![CDATA[CN语义分割算法已经在很多主流深度学习平台上实现了，包括Caffe、TenserFlow、MatConvNet等。这篇博客主要介绍如何在MatConvNet上运行起FCN语义分割，包括CPU和GPU版本。博主的平台是Matlab2017a+Cuda8.0。下载中心配置步骤1.下载代码2. 配置MatConvNet2.1 使用CPU2.2 使用GPU，CUDA加速2.3 编译MatConvNet3....]]></description><category></category></item><item><title><![CDATA[MatConvNet中关于vl_simplenn_display的一些分析]]></title><link>https://blog.csdn.net/Wislon/article/details/80922390</link><guid>https://blog.csdn.net/Wislon/article/details/80922390</guid><author>Wislon</author><pubDate>Thu, 05 Jul 2018 09:59:08 +0800</pubDate><description><![CDATA[一、关于各层data size的分析layer1：  floor((224-7)/2)+1=109              这里7是filter大小，2是stridelayer4： floor((109+0+1-3)/2)+1=54               这里0和1是前向和后向的pad，3是filter大小，2是stridelayer5：floor((54+1+1-5)/2)+1=26　　...]]></description><category></category></item><item><title><![CDATA[十分钟看懂图像语义分割技术]]></title><link>https://blog.csdn.net/Wislon/article/details/80919641</link><guid>https://blog.csdn.net/Wislon/article/details/80919641</guid><author>Wislon</author><pubDate>Wed, 04 Jul 2018 22:32:51 +0800</pubDate><description><![CDATA[大多数人接触 “语义” 都是在和文字相关的领域，或语音识别，期望机器能够识别你发出去的消息或简短的语音，然后给予你适当的反馈和回复。嗯，看到这里你应该已经猜到了，图像领域也是存在 “语义” 的。今天是 AI 大热年，很多人都关注与机器人的语音交互，可是有没有想过，将来的机器人如果不能通过图像来识别主人，家里的物品、宠物，那该多没意思。说近一些，假如扫地机器人能够机智地绕开你丢在地上的臭袜子而扫走旁...]]></description><category></category></item><item><title><![CDATA[matlab 2014a 和VS2015编译过程出现无法打开文件“ucrt.lib”的问题]]></title><link>https://blog.csdn.net/Wislon/article/details/80905200</link><guid>https://blog.csdn.net/Wislon/article/details/80905200</guid><author>Wislon</author><pubDate>Tue, 03 Jul 2018 22:22:09 +0800</pubDate><description><![CDATA[今天在用matlab 2014a 和VS2015编译过程出现无法打开文件“ucrt.lib”的问题，发现网上有些帖子来解决这个问题，我试一下，都没有成功，后来用一个最简单的方式，先在电脑上安装Windows Kits，然后找到包含ucrt.lib的文件，将文件中的lib文件直接复制到你运行的matlab程序的个目录下即可！...]]></description><category></category></item><item><title><![CDATA[深度学习与卷积神经网络]]></title><link>https://blog.csdn.net/Wislon/article/details/80788923</link><guid>https://blog.csdn.net/Wislon/article/details/80788923</guid><author>Wislon</author><pubDate>Sun, 24 Jun 2018 08:24:37 +0800</pubDate><description><![CDATA[1.卷积与神经元         1.1 什么是卷积？         简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)         如下图就表示卷积的运算过程：                                              （图1）        卷积运算一个重要的特点就是，通过卷积运算，可以使原信号...]]></description><category></category></item><item><title><![CDATA[谱聚类（spectral clustering）原理总结]]></title><link>https://blog.csdn.net/Wislon/article/details/78953442</link><guid>https://blog.csdn.net/Wislon/article/details/78953442</guid><author>Wislon</author><pubDate>Tue, 02 Jan 2018 16:56:04 +0800</pubDate><description><![CDATA[谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。

1. 谱聚类概述

　　　　谱聚类是从图论中演化出来的算法，后来在聚类中]]></description><category></category></item><item><title><![CDATA[转---院士大牛们一年N篇7点以上SCI的诀窍]]></title><link>https://blog.csdn.net/Wislon/article/details/78898735</link><guid>https://blog.csdn.net/Wislon/article/details/78898735</guid><author>Wislon</author><pubDate>Tue, 26 Dec 2017 09:20:24 +0800</pubDate><description><![CDATA[这是一个一年三篇IF大于7的牛人当我问道他怎么这么强的时候，他给我看的院士导师传授的发文章秘笈。看了实在是心中有一种感觉，特奉献出来
一、研究生必备四本
俗话说好记性不如烂笔头，所以一定要首先养成做笔记的好习惯！作为研究生下面这几个本子是必不可少的
1，实验记录本（包括试验准备本），这当然首当其冲必不可少，我就不多说了；
2，Idea记录本，每次看文献对自己有用的东西先记下，由此产生的id]]></description><category></category></item><item><title><![CDATA[MATLAB调用C/C++函数的方法]]></title><link>https://blog.csdn.net/Wislon/article/details/78777298</link><guid>https://blog.csdn.net/Wislon/article/details/78777298</guid><author>Wislon</author><pubDate>Mon, 11 Dec 2017 22:03:30 +0800</pubDate><description><![CDATA[通过MATLAB将C/C++函数编译成MEX函数，在MATLAB中就可以调用了。

1，首先装编译器
Matlab里键入mex -setup，选择你要编译C++的编译器

2，写C++函数
函数的形式必须是
void mexFunction(int nlhs, mxArray *plhs[], int nrhs, const mxArray *prhs[])
nlhs：输出参数个数]]></description><category></category></item><item><title><![CDATA[计算机视觉、机器学习相关领域论文和源代码大集合]]></title><link>https://blog.csdn.net/Wislon/article/details/78640864</link><guid>https://blog.csdn.net/Wislon/article/details/78640864</guid><author>Wislon</author><pubDate>Sun, 26 Nov 2017 23:00:02 +0800</pubDate><description><![CDATA[注：下面有project网站的大部分都有paper和相应的code。Code一般是C/C++或者Matlab代码。

最近一次更新：2013-1-29

一、特征提取Feature Extraction：

   SIFT [1] [Demo program][SIFT
 Library] [VLFeat]

   PCA-SIFT [2] [Project]

   Aff]]></description><category></category></item><item><title><![CDATA[《Edge Boxes: Locating Object Proposals from Edges》读后感]]></title><link>https://blog.csdn.net/Wislon/article/details/78532542</link><guid>https://blog.csdn.net/Wislon/article/details/78532542</guid><author>Wislon</author><pubDate>Tue, 14 Nov 2017 17:05:53 +0800</pubDate><description><![CDATA[《Edge Boxes: Locating Object Proposals from Edges》是ECCV2014的一篇关于目标检测的一篇文章，作者是来自于微软研究院的Piotr等人，属于大中牛范畴。本文并没有涉及到“机器学习”，其采用的是纯图像的方法，这点让我大感意外，因为很多提取proposals的文献，例如BING等，都是基于学习理论的方法。此外，本文的许多内容，甚至数学公式，都是基于作]]></description><category></category></item><item><title><![CDATA[matlab中数据类型及图像显示]]></title><link>https://blog.csdn.net/Wislon/article/details/78237799</link><guid>https://blog.csdn.net/Wislon/article/details/78237799</guid><author>Wislon</author><pubDate>Sat, 14 Oct 2017 23:00:20 +0800</pubDate><description><![CDATA[1、uint8与double
    double函数只是将读入图像的uint8数据转换为double类型，一般不使用；常用的是im2double函数，将

uint8图像转为double类型，范围为0-1，如果是255的图像，那么255转为1，0还是0，中间的做相应改变。
MATLAB中读入图像的数据类型是uint8，而在矩阵中使用的数据类型是double。因此
    I2=im2d]]></description><category></category></item><item><title><![CDATA[51单片机计时器中断]]></title><link>https://blog.csdn.net/Wislon/article/details/78210411</link><guid>https://blog.csdn.net/Wislon/article/details/78210411</guid><author>Wislon</author><pubDate>Thu, 12 Oct 2017 08:40:17 +0800</pubDate><description><![CDATA[单片机中，中断算是一个比较重要的部分，在51单片机中有八种中断方式 ，其中常用的的有五种，分别是外部中断0，计时器中断0，外部中断1，计时器中断1，和串口中断。今天主要介绍的是计时器中断。

    51单片机给我们提供了2个计时器中断，分别是计时器0和计时器1，他们对应的优先级分别是1和3，开启计时器并允许其中断后，计时器会从给定的初始值开始，每个指令周期加1，直到加到65535，再加一时计]]></description><category></category></item><item><title><![CDATA[单片机的定时初始值的设定]]></title><link>https://blog.csdn.net/Wislon/article/details/78107695</link><guid>https://blog.csdn.net/Wislon/article/details/78107695</guid><author>Wislon</author><pubDate>Tue, 26 Sep 2017 22:18:50 +0800</pubDate><description><![CDATA[C51 定时器 TL0=


 C51 定时器 TL0=(65536-50000)%256是怎么推导出来的？


 

 

其实很简单，不管你使用多大的晶振，使用51单片机，一般都是12分频出来，也就可以得出一个机器周期
机器周期=12/n(n指晶振频率)，假设你要定时的时间为M
那么定时的初值为：
M/机器周期=初值；
TH0=（65536-初值）/256；    ]]></description><category></category></item><item><title><![CDATA[马尔科夫链的一个应用实例]]></title><link>https://blog.csdn.net/Wislon/article/details/77017557</link><guid>https://blog.csdn.net/Wislon/article/details/77017557</guid><author>Wislon</author><pubDate>Wed, 09 Aug 2017 21:55:41 +0800</pubDate><description><![CDATA[最近在研究马尔科夫链，看得云里雾里的，先给出一个实例，以防忘记！！ 
假设现有商品ABC今年的市场占率分别为20%、20%和40%，A商品每年流失30%到B，流失30%到C；B商品下一年会流失20%到A，流失30%到C ；C商品每年会流失40%到A，流失40%到B，则刚开始ABC的市场占有率形成的矩阵[A0 B0 C0]=[0.2 0.2 0.4]，商品流动率形成的马尔科夫矩阵p=[0.4 0.3]]></description><category></category></item><item><title><![CDATA[关于方差、协方差、协方差矩阵的概念及意义]]></title><link>https://blog.csdn.net/Wislon/article/details/54906407</link><guid>https://blog.csdn.net/Wislon/article/details/54906407</guid><author>Wislon</author><pubDate>Tue, 07 Feb 2017 09:32:07 +0800</pubDate><description><![CDATA[期望

离散型随机变量的一切可能的取值xi与对应的概率Pi(=xi)之积的和称为该离散型随机变量的数学期望（设级数绝对收敛），记为
 E（x）。随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。
若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。



方差
方差是]]></description><category></category></item><item><title><![CDATA[图像深度]]></title><link>https://blog.csdn.net/Wislon/article/details/51328763</link><guid>https://blog.csdn.net/Wislon/article/details/51328763</guid><author>Wislon</author><pubDate>Fri, 06 May 2016 09:13:11 +0800</pubDate><description><![CDATA[​图像深度是指存储每个像素所用的位数,也用于量度图像的色彩分辨率.图像深度确定彩色图像的每个像素可能有的颜色数,或者确定灰度图像的每个像素可能有的灰度级数.它决定了彩色图像中可出现的最多颜色数,或灰度图像中的最大灰度等级.比如一幅单色图像,若每个象素有8位,则最大灰度数目为2的8次方,即256.一幅彩色图像RGB3个分量的象素位数分别为4,4,2,则最大颜色数目为2的4+4+2次方,即1024,就]]></description><category></category></item></channel></rss>