科学网

 找回密码
  注册

tag 标签: multiscale

相关帖子

版块 作者 回复/查看 最后发表

没有相关内容

相关日志

新博文尝试
wushuishaonian 2018-12-30 03:06
multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling multiscale modeling 我能否自己选择关键词好像不行啊。自己的关键词能否选择呢? 深度学习,按个人的理解主要就是多层神经网络。而多层神经网络目前效果比较好的是卷积神经网络,目前在图像和音频信号上效果比较好,而在自然语言处理上效果没有显示出来。 深度学习从统计学的角度来说,就是在预测数据的分布,从数据中学得一个模型然后再通过这个模型去预测新的数据,这一点就要求测试数据和训练数据必须是同分布。 深度学习,它是在一定的学习量的积累基础之上的质的飞越,就是学习能力的质变和新实现。度学习的前提在于大数据技术的成熟和支撑。同时,深度学习是一种经验的连接和运用。它是人类的经验和智慧在机器中的再生和活化。
个人分类: 尝试|1433 次阅读|0 个评论
William Curtin's presentation on multiscale material model
ZHANGJINGNUS 2012-10-15 21:37
今天是MMM2012 SINGAPORE的第一天,原来在BROWN University 的 William Curtin 教授作了第一个报告,这是我听到的最好好的报告之一。他的主题是:Perspective on multiscale materials modelling: Why, What, How, Who, Where and so what? 我主要理解2点 (1)What is multiscale material modelling? Wiki: In engineering , mathematics , physics , meteorology and computer science , multiscale modeling is the field of solving physical problems which have important features at multiple scales, particularly multiple spatial and(or) temporal scales. Important problems include scale linking (Baeurle 2009 , de Pablo 2011 , Knizhnik 2002 , Adamson 2007 ). (2)This internal conference on multiscale material modelling was First held in 2002, after 10 years, what we get? We have key understanding: there are two key points: Different scales information passing and concurrent coupling.for scale information passing, for Lower scale: what is the key information needed to pass up;for higher scale: Theory can accept the appropriate lower-scale information.
4167 次阅读|0 个评论
如何跟踪一本书?
热度 1 wanglin193 2010-10-12 13:08
指定一本书的封面作为模板,如何在一个图像里找到它的位置和姿态? 模板: ,图像: 基本上有两种方法: 1. 基于特征的方法,需要 计算模板的特征,比如角点局部梯度等,然后在图像中定位,流行的方法有SIFT和HOG(Histogram of oriented gradients)等。 2. 基于区域的方法 ,更像是一种模板匹配的方法,利用梯度下降的方法,比如Lucas Kanade算法。实际上第一种方法更适合进行物体检测,而第二种方法在初始搜索位置(比如视频前一帧中物体位置)和物体实际位置(物体在当前帧中位置)非常接近的时候,可以很快收敛到最优点,这个特性可以用来进行跟踪。 利用国庆长假做了个多尺度L-K算法的小程序,可以实现6个参数仿射(affine)变换和8个参数投影变换的模板匹配。作用是定位一本书(一个矩形平面),得到模板与物体实际位置的8个变换参数,模板就是上面那个书的封面。各个尺度上匹配结果,蓝色线框为初始位置,红色为收敛结果。效果如下: 图像和模板的金字塔每层尺寸分别是: 图像 | 模板 40×30 | 18×13 80×60 | 37×27 160×120 | 75×54 320×240 | 151×109 迭代次数分别是38,6,8,7,可以看出在分辨率最小的图上,匹配结果已经基本达到预期,在其他几层上很快就收敛了。 根据LK算法的描述,关键在于计算匹配函数对于8个参数偏导数,求出最快下降方向pinv %先计算模板梯度 =gradient(temp); xx=x.*x; xy=x.*y; yy=y.*y; %再算Jacobian与梯度内积,x,y是模板上每个点坐标,gx,gy是梯度 JJ= ; pinv = inv(JJ'*JJ)*JJ'; 以上计算是在模板上离线进行的,可以称为 训练(training) 步骤。 如果计算仿射变换,Jacobian矩阵为6列: JJ= ; 如果计算光流,Jacobian矩阵为2列: JJ= ; 匹配(fitting) 是个迭代过程: %imw是从图像采样结果,warping image imr = temp - imw; %乘以最快下降方向,得到参数变化 dp = pinv*imr(:); %compositional method Ht = Ht* ; Ht = Ht/Ht(3,3); Ht是其次坐标表达的变换矩阵。金字塔每层迭代结束后,Ht要传给下一层,作为初始参数,对应大一号模板和大一号图像的匹配。每层开始,计算矩形四个角点tpcor的初始位置(图上蓝线框): %tpcor是以模板中心为原点的4个角点坐标 pd = (Ht* )'; pd(:,1)=pd(:,1)./pd(:,3); pd(:,2)=pd(:,2)./pd(:,3); plot(pd(:,1),pd(:,2),'-b',pd( ,1),pd( ,2),'-b'); 程序没有对物体的4个角点进行任何约束,实际上它们的位置应该满足一定的统计特性。 这个方法很简单,虽然只有8个参数,只能能跟踪平面,但它可以作为跟踪复杂物体的基础。因为任何物体都可以用有限个数的空间平面来近似拟合。各个平面的跟踪不是单独进行的,它们总体要满足一定的约束,可以用很少的参数来表达。比如人脸,可以用几十个三角型平面来表达,但它的形状姿态变化却可以用子空间(就是PCA)法用10多个参数来表达,它发展出来的方法就是著名的Active Appearence Model。 L-K方法请参考 http://www.sciencenet.cn/m/user_content.aspx?id=367906
个人分类: 增强现实|6327 次阅读|1 个评论

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-5-9 21:35

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部