本文將提供部落格中文章的索引,讀者可以依照有興趣的主題慢慢讀過。以下為整理過的系列文章:
- 機率與統計:首先介紹了二項分布、Poisson 分布、以及指數分布與它們之間的對應關係。延伸下去討論機率分布的參數估計,像是無偏與有偏估計、最大似然估計與最大後驗機率估計。下一步討論的是資訊理論、常態分布、先驗機率與常見機器學習的關係,希望這一系列的文章能讓讀者將機率、統計、與機器學習的知識連結在一起。
- 二維電腦視覺演算法及深度學習模型:結合了傳統的電腦視覺以及深度學習的電腦視覺演算法與模型。儘管現在深度學習相當普遍,了解背後電腦視覺的原理仍然非常重要。希望讀者能夠對於兩種類型的方法能夠融會貫通,並且也希望這一系列的文章能成為準備電腦視覺面試的材料。
- 三維點雲演算法及深度學習模型:包含了 point cloud alignment 的文章,以及如何找出三維點雲中的物體的深度學習模型。
機率與統計
- 從二項分布到 Poisson 分布 Binomial & Poisson distribution
- 從 Poisson 分布到指數分布 Poisson & Exponetial distribution
- 無偏估計與有偏估計 Unbiased/Biased Estimators
- 最大似然估計與最大後驗機率估計 Maximum likelihood estimation & Maximum a posteriori estimation
- 為什麼機器學習裡大家都用常態分布 Normal Distribution?
- 從簡單的資訊理論談到機器學習
- 正規化 Regularization 與 Maximum A Posteriori Estimation 中先驗機率 Prior 的選擇
電腦視覺演算法及深度學習模型
特徵點與特徵向量
- 整理常見的 image feature detectors 與 feature descriptors
- 深度學習的文章:
- TILDE 與 Quad-net
- Learning Discriminative and Transformation Covariant Local Feature Detectors
- Key.Net: Keypoint Detection by Handcrafted and Learned CNN Filters
- SuperPoint: Self-Supervised Interest Point Detection and Description
- MatchNet 與 L2-Net
- UCN - Universal Correspondence Network
- D2-Net: A Trainable CNN for Joint Description and Detection of Local Features
相機模型、相機矩陣、相機 Calibration
兩張圖片的變換關係:Homography、Essential Matrix、Fundamental Matrix
- 利用 Homography 矩陣描述兩張圖片的變換關係
- 介紹 essential matrix 及 fundamental matrix
- Triangulation 及 Rectification
- 完整分析 2D Projective Transformation(一)
- 分析 2D Projective Transformation 與 RANSAC 演算法的細節
- 利用雙視角重建三維世界
- 計算 Fundamental 矩陣
- 深度學習的文章:
Stereo Matching
Optical Flow & Tracking
- 電腦視覺中特徵點的光流與追蹤 Optical Flow & Tracking
- Lucas-Kanade 演算法的各種變形
- 簡介 Horn-Schunck Optical Flow
- 利用深度學習解決 optical flow 的問題