判别式

作者：Scofield 链接：https://www.zhihu.com/question/35866596/answer/236886066 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 so far till now, 我还没见到过将CRF讲的个明明白白的。一个都没。就不能不抄来抄去吗？ 我打算搞一个这样的版本，无门槛理解的。 ——20170927 陆陆续续把调研学习工作完成了，虽然历时有点久，现在put上来。评论里的同学也等不及了时不时催我，所以不敢怠慢啊…… 总结的还算比较体系化，蛮长的，请读者慢慢看，肯定有收获的。 (好痛苦，这么多公式都要在知乎上重输；是在MD上写的，在知乎上没想到格式这么难看……) ——20180129 概率图模型学习笔记：HMM、MEMM、CRF 一、Preface 二、Prerequisite 2.1 概率图 2.1.1 概览 2.1.2 有向图 vs. 无向图 2.1.3 马尔科夫假设&马尔科夫性 2.2 判别式模型 vs. 生成式模型 2.3 序列建模 三、HMM 3.1 理解HMM 3.2 模型运行过程 3.2.1 学习过程 3.2.2 序列标注（解码）过程 3.2.3 序列概率过程 四、MEMM 4.1 理解MEMM 4.2 模型运行过程 4.2.1 学习过程 4.2.2 序列标注（解码）过程 4.2.3

文章目录 目标跟踪 入门基础 介绍 研究 算法 现有目标跟踪方法简介 基于生成式模型的方法 基于判别式模型的方法 基于深度学习的方法 适用于目标跟踪的深度学习模型 深度判别式模型 深度生成式模型 其他深度学习模型 基于深度学习的目标跟踪方法 按网络结构分类 按网络功能分类 按照网络训练分类 其他深度目标跟踪算法 基于分类与回归相融合的深度目标跟踪方法 基于强化学习的深度目标跟踪方法 基于集成学习的深度目标跟踪方法 基于元学习的深度目标跟踪方法 数据库与评价标准 适用于深度学习目标跟踪的视频数据库 适用于深度学习目标跟踪的评价标准 应用实例介绍 目标跟踪 入门基础 介绍 目标跟踪是计算机视觉领域的一个重要分支，是模式识别，图像处理，计算机视觉，机器学习等学科的交叉研究，有着广泛的应用，如视频监控，虚拟现实，人机交互，图像理解，无人驾驶等 目前的目标跟踪的通常任务是 ，在视频的第一帧给定一个目标的矩形框，然后后续这个矩形框紧跟着要跟踪的物体。不过，目标跟踪与计算机视觉中的图像识别，分割，检测是分不开的，通常跟踪是这些分割检测的最后一步 研究 目标跟踪方向的论文可以关注计算机视觉的三大顶会 CVPR (Computer Vision and Pattern Recognition) ICCV (International Conference on Computer Vision)

1. LDA是什么 线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，FLD），是模式识别的经典 算法 ，在1996年由Belhumeur引入模式识别和人工 智能 领域。 基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有 最大的类间距离 和 最小的类内距离 ，即模式在该空间中有最佳的可分离性。 LDA的目标： 可以看到两个类别，一个绿色类别，一个红色类别。左图是两个类别的原始数据，现在要求将数据从二维降维到一维。直接投影到x1轴或者x2轴，不同类别之间会有重复，导致分类效果下降。右图映射到的直线就是用LDA方法计算得到的，可以看到，红色类别和绿色类别在映射之后之间的距离是最大的，而且每个类别内部点的离散程度是最小的（或者说聚集程度是最大的）。 2. LDA的一些说明 第一，降维后的维度是多少？ PCA降维是直接和数据维度相关的，比如原始数据是n维的，那么PCA后，可以任意选取1维、2维，一直到n维都行（当然是对应特征值大的那些）。 LDA 降维是直接和类别的个数相关的，与数据本身的维度没关系，比如原始数据是n维的，一共有C个类别，那么LDA降维之后，一般就是1维，2维到C-1维进行选择

在前一篇文章中，我简单的说明了 DACL 的数据结构组成，以及简单的存取方法，如果数据长度愈长的话，可以设定的权限就愈多，也可以有更多的组合，但数据量仍然可以控制在很小的长度，这是因为在 DACL 中，每个权限都是一个旗标值 (flag)，而一个 bit 就代表一个旗标，所以 bit 多的话旗标就愈多，一个 byte 可以容纳 8 个 bits，也就是可以有 8 种旗标，之所以会选择位来作为旗标，是因为 bit 的值不是 0 就是 1，单纯有力。 在前一篇文章中，我简单的说明了 DACL 的数据结构组成，以及简单的存取方法，如果数据长度愈长的话，可以设定的权限就愈多，也可以有更多的组合，但数据量仍然可以控制在很小的长度，这是因为在 DACL 中，每个权限都是一个旗标值 (flag)，而一个 bit 就代表一个旗标，所以 bit 多的话旗标就愈多，一个 byte 可以容纳 8 个 bits，也就是可以有 8 种旗标，之所以会选择位来作为旗标，是因为 bit 的值不是 0 就是 1，单纯有力。 例如，如果系统中有 C, R, U, D 四种权限，那么我们可以定义一个 byte 中的前 4 个位分别代表 C, R, U, D 的权限，所以可以有这样的设计： byte _permission = new byte(); this._permission = 0x02; // Read