标签: pattern-recognition

我想使用高斯混合模型进行数据聚类(使用期望最大化(EM)算法,该算法根据每个观察结果为每个组分密度分配后验概率).是否有一个c ++库,其中包含与样本数据集和示例一起实现的高斯混合模型？

我想找出正确的触发器.eq./function确定以下内容:两个DIRECTION VECTORS(已确定)之间的角度变化(以DEGREES为单位),代表两个线段.这用于SHAPE RECOGTNITION(由用户在屏幕上手绘)的上下文中.

基本上,

a)如果用户绘制(粗糙)形状,例如圆形,椭圆形或矩形等,则构成该形状的线被分解为20个点(xy对).

b)我为每个LINE SEGMENTS都有DirectionVector.

c)因此,线段(x0,y0)的BEGINNING将是前一行的END点(以便形成一个像矩形一样的闭合形状,比如说).

所以,我的问题是,给定上下文(即确定多边形的类型),如何找到两个DIRECTION VECTORS之间的角度变化(可用作x和y的两个浮点值)？

我见过很多不同的触发器.方程式,我正在寻求澄清.

非常感谢提前大家!

我必须找到解决问题的最佳方法,以尝试识别身体动作 - 将iPhone放在口袋里 - 比如waling,停止,左/右转,坐着.

我正在考虑尝试找到与每个操作相对应的数据,然后根据此数据检查传入值(使用阈值)并查看发生了什么.当然,这是一种非常粗略的方法,所以可能使用类似支持向量机的 方法,但这似乎太复杂了我必须开发它的时间.

你会在这推荐哪种方法？

我一直在尝试使用普通的tesseract 3 OCR使用不同的选项来从一个字母表中获取数据,我的学生将其标记为多个选择问题的答案,如下所示:

最好的输出之一是:

EEEEEEEEEEEEEEEEEEEEEEEEE
DDDDDDDDDDDDDDDDDDDDDDDDD
CCCCCCCCCCCCCCCCCCCCCCCCC
BBBBBBBEBBBBBBBBBBBBBBBBB
AAAAAAAAAAAAAAAAAAAAAAAAA
6789012345678901234567890
2222333333333344444444445
EEEEE EEEE EE EEE EEEEEEE
DDDDDD DDD DDDDDDDDDDDD
CCCCCCCCCCCCCCCCCC CCCCC
B BEBE BB BBBBBBBBBBBBBBB
AA AAA AAAAA AAAAAAAA
1234567890123455789012345
OOOOOOOOO1111111111222222

我知道我可以解析.txt并获得更好的结果,但它错过了很多信息并得到了一些彩绘块的字母.

我想知道如何才能在这种情况下获得更好的结果.

我还希望有一个表格,其中绘制的块显示为不同的字符,例如,对于图像的第一行和第二行:

01 A B C - E   26 A B C D E
02 A - C D E   27 A B C D E

如果你们有类似的经历,任何信息将不胜感激!提前致谢!

我正在研究带有数字的经典示例。我想创建我的第一个神经网络来预测数字图像 {0,1,2,3,4,5,6,7,8,9} 的标签。所以第一列train.txt有标签，所有其他列是每个标签的特征。我定义了一个类来导入我的数据：

class DigitDataset(Dataset):
    """Digit dataset."""

    def __init__(self, file_path, transform=None):
        """
        Args:
            csv_file (string): Path to the csv file with annotations.
            root_dir (string): Directory with all the images.
            transform (callable, optional): Optional transform to be applied
                on a sample.
        """
        self.data = pd.read_csv(file_path, header = None, sep =" ")
        self.transform = transform

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        if torch.is_tensor(idx):
            idx = idx.tolist()

        labels = self.data.iloc[idx,0]
        images = self.data.iloc[idx,1:-1].values.astype(np.uint8).reshape((1,16,16))

        if self.transform is not None:
            sample = …

我正在尝试编写一个游戏,用户可以通过用手指绘制某些图案来发出命令......例如,如果他画了一个圆圈,一个'S'字母,一个表示法,等等.

我已经熟悉了触摸事件,我能够读取坐标...我的问题是找到有关识别模式的算法和信息,有一定程度的错误....例如,如果我是应该检测一个圆圈我应该检测它,即使用户没有完成一个完美的.

这个问题有什么资源吗？谢谢!

我正在做计算机视觉领域的毕业项目，我只选修了一门讨论非常基本概念的统计学课程，现在我在相当高级的主题上面临更多困难，所以我需要帮助（书籍、教程、课程, ..etc) 掌握和回顾统计学中的基本思想和概念，然后深入研究计算机视觉中使用的细节（统计细节）。

如何为交叉验证生成ROC曲线？

对于单个测试,我认为我应该对SVM的分类分数进行阈值以生成ROC曲线.

但我不清楚如何生成交叉验证？

我发现很难理解自组织映射和神经气体之间的区别。我阅读了维基百科文章和神经气体网络学习拓扑文章。

SOM 算法和 Neural Gas 算法看起来如此相似。在两者中，它都找到获胜神经元，获胜神经元激发，激发神经元激发邻域神经元，其中邻域由邻域函数确定。在神经气体中，权重调整为
并在 SOM 中权重调整为
.
他们两个是一样的吧？

SOM 算法是

神经气体算法是

这两种算法有什么区别？

文章里说

我不明白这是什么意思。有人可以帮助我理解这一点。

调整后兰特指数 (ARI) 是比较两个集群的流行指标。不幸的是，在执行聚类分析并比较它们之后，我通常会得到负的 ARI。我如何解释这些负面的 ARI 来描述这些集群的差异？然后，如果负的 ARI 毫无意义，是否有任何关于适当措施的建议？