cryppie@cryppie
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
“google deng cai uiuc 大致：两个矩阵Sw和Sb，求矩阵W，使得原来不同类的样本x，经过矩阵向量相乘后的新样本y=Wx能够分开。大致目标就是W使两类样本之间的距离尽可能大。 做人脸用空间的困难在于，人脸的样本少，像orl一个人只有十张吧，而特征空间大，一张图64x64，特征空间64x64>>10，所以…”
“不懂粒子，帮顶，盼达人解惑”
“在hilbert空间中，svm也就是一个线性分类器，gram矩阵不再是内积矩阵，而是换成了其它函数比如rbf 不直接，可以用迭代 【 在 hmily821224 的大作中提到: 】 : 第2个问题，就事论事的说 : 到底怎么做呢？ : 线性分类器：对C类问题，构造C个线性函数gi(x),i = 1,...,C : ..…”
“feature+boosting足以”
“【 在 cryppie 的大作中提到: 】 : The EM Algorithm and Extensions, 2nd Edition : Geoffrey J. McLachlan, Thriyambakam Krishnan : ISBN: 978-0-471-20170-0 : ................…”
“【 在 cryppie 的大作中提到: 】 : The EM Algorithm and Extensions, 2nd Edition : Geoffrey J. McLachlan, Thriyambakam Krishnan : ISBN: 978-0-471-20170-0 : ................…”
“用gmm都可以做到97%以上 可以用indexing的方法，有点像visual detection和recognition的味道 第2个问题：线性分类器怎么做，它就怎么做，一样的”
“对各种特征 不要陷入这一块”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。