立体视觉，版权声明，资源来自百度文库。
立体视觉是计算机视觉重要的分支，立体视觉的主要任务是通过二维图像恢复三维环境，是一项困难的逆向工程。博主很久之前看到过这份ppt，感觉非常nice也非常全面，Post上来以供分享学习。
机器学习
图像跟踪（十一）CFWCR目标跟踪算法
时隔一年，再次回归目标跟踪领域，图像跟踪系列博客继续更新。目标跟踪领域在2017年发生了许多大事件，新老牛人提出了多个有趣的算法，这些在VOT2017中都有体现。这篇博客介绍的CFWCR算法取得了VOT2017比赛的第二名，CFWCR正是以MD大神的ECO（我之前的博客介绍过该算法）为Baseline的（CFWCR作者表示复现不了ECO的效果，这就很尴尬了），于是CFWCR的效果出来之后，就成为CF派系的重量级算法。
Scikit-learn学习笔记（三）从高维度观测数据进行预测
上一篇博客我们完成了一个六行的SVM，对python中数据和估计器等概念有了认识，这篇博客将更加详细的对sklearn的训练进行解释，同时也按照官网例程运行KNN和SVM等具有代表性的demo。
这节笔记对应的官网教程为： Statistical learning: the setting and the estimator object in scikit-learn 和 Supervised learning: predicting an output variable from high-dimensional observations
Scikit-learn学习笔记（二）入门例程，估计器
在上一篇博客我们搭起了环境，这篇博客将以最简介的代码快速上手sklearn。
这节笔记摘自官网Quick-Start的教程：An introduction to machine learning with scikit-learn。比起官网教程，这篇博客首先会概述基础概念，帮助快速理解和上手。话不多说，开始吧。
Scikit-learn学习笔记（一）环境搭建
Scikit-learn在机器学习领域已经无人不晓了，如此给力的工具应该早点接触到的。sk-learn既不支持深度学习，也不支持GPU加速，sk-learn是专门用来搞定传统机器学习的，这一点要给深度学习玩家提醒下。这篇博客主要讲Python环境的搭建，博主使用的是pycharm+anaconda，pycharm是python的IDE，支持断点调试和工作区变量查看，anaconda用来解决各种包的依赖关系，scikit-learn已经集成在其中了，安装之后检查包的更新就可以了。
信息检索（IR）的评价指标——Precision、Recall、F1、mAP、ROC、AUC
在信息检索、分类体系中，有一系列的指标，在学术研究和工程应用上经常出现。以上名词的中文名分别是：准确率、找回率、F1、平均正确率、ROC、AUC（ROC曲线下的面积）。
在信息检索中，常用Precision、Recall、F1、mAP指标进行评价系统性能，左图就是一份可以计算mAP的曲线图。
在分类和识别中，常用ROC和AUC来衡量体系性能，这也和我们常常认识的正例分对，错例分错相对应。这些指标常常在论文中出现，了解这些指标非常重要。下面的博客将详细介绍这些指标。
TensorFlow学习笔记（三）——Fetch与Feed
TensorFlow的基本数据单元是tensor（张量），如何讲tensor的值取出，又如何在运算过程中向tensor中传入值呢？Fetch与Feed是TensorFlow中关于数据存取的术语，博主就由代码来简要介绍下Fetch与Feed。
TensorFlow学习笔记（二）——基于图会话数学运算工具
TensorFlow使用图来表示计算任务，图中的节点被称之为op(operation的缩写)。TensorFlow程序通常被组织成一个构建阶段，和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图。在执行阶段，使用会话执行图中的op（op就是节点）。简单的说，先给出描述，只在run()方法中执行操作。
SyntaxNet：Neural Models of Syntax 自然语言神经网络框架
SyntaxNet由TensorFlow实现，本月Google正式开源了这一框架（GitHub），关于这一框架，我们可以参考相关论文。在准备完NPL的基础知识后，博主将在这篇博客介绍这篇论文：Global Normalized Transition-Based Neural Network。该架构的资料还来自谷歌研究博客。
机器学习中的偏离（bias）与偏差（variance）
在机器学习中，有两个很重要的概念，bias and variance，根据学习曲线判断当前的状态是high bias还是high variance来调整机器学习中的参数，以达到理想的效果。多年前学习斯坦福机器学习教程时对这两个概念的影响尤为深刻，鉴于这两个概念又是如此重要，特此整理。