海康演算法訓練
A. bp神經網路演算法訓練集怎麼來的
你自己取的。。。。
B. 如何使用OpenCV中的AdBoost演算法訓練分類器
OpenCV訓練分類器
一、簡介
目標檢測方法最初由Paul Viola [Viola01]提出，並由Rainer Lienhart [Lienhart02]對這一方法進行了改善。
該方法的基本步驟為：
首先，利用樣本（大約幾百幅樣本圖片）的 harr 特徵進行分類器訓練，得到一個級聯的boosted分類器。
分類器中的"級聯"是指最終的分類器是由幾個簡單分類器級聯組成。在圖像檢測中，被檢窗口依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。
分類器訓練完以後，就可以應用於輸入圖像中的感興趣區域(與訓練樣本相同的尺寸)的檢測。檢測到目標區域(汽車或人臉)分類器輸出為1，否則輸出為0。為了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標。為了搜索不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。
目前支持這種分類器的boosting技術有四種：
Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
"boosted" 即指級聯分類器的每一層都可以從中選取一個boosting演算法(權重投票)，並利用基礎分類器的自我訓練得到。
根據上面的分析，目標檢測分為三個步驟：
1、 樣本的創建
2、 訓練分類器
3、 利用訓練好的分類器進行目標檢測。
二、樣本創建
訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如人臉或汽車等)，反例樣本指其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20)。
負樣本
負樣本可以來自於任意的圖片，但這些圖片不能包含目標特徵。負樣本由背景描述文件來描述。背景描述文件是一個文本文件，每一行包含了一個負樣本圖片的文件名（基於描述文件的相對路徑）。該文件必須手工創建。
e.g: 負樣本描述文件的一個例子：
假定目錄結構如下：
/img
img1.jpg
img2.jpg
bg.txt
則背景描述文件bg.txt的內容為：
img/img1.jpg
img/img2.jpg
正樣本
正樣本由程序craatesample程序來創建。該程序的源代碼由OpenCV給出，並且在bin目錄下包含了這個可執行的程序。
正樣本可以由單個的目標圖片或者一系列的事先標記好的圖片來創建。
Createsamples程序的命令行參數：
命令行參數：
－vec
訓練好的正樣本的輸出文件名。
－img
源目標圖片（例如：一個公司圖標）
－bg
背景描述文件。
－num
要產生的正樣本的數量，和正樣本圖片數目相同。
－bgcolor
背景色（假定當前圖片為灰度圖）。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh和bgcolor＋bgthresh中間的像素被認為是透明的。
－bgthresh
－inv
如果指定，顏色會反色
－randinv
如果指定，顏色會任意反色
－maxidev
背景色最大的偏離度。
－maxangel
－maxangle，
－maxzangle
最大旋轉角度，以弧度為單位。
－show
如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程繼續。這是個有用的debug選項。
－w
輸出樣本的寬度（以像素為單位）
－h《sample_height》
輸出樣本的高度，以像素為單位。
註：正樣本也可以從一個預先標記好的圖像集合中獲取。這個集合由一個文本文件來描述，類似於背景描述文件。每一個文本行對應一個圖片。每行的第一個元素是圖片文件名，第二個元素是對象實體的個數。後面緊跟著的是與之匹配的矩形框（x, y, 寬度，高度）。
C. 如何利用OpenCV自帶的haar training程序訓練分類器
利用OpenCV自帶的haar training程序訓練一個分類器，需要經過以下幾個步驟：
（1）收集訓練樣本：
訓練樣本包括正樣本和負樣本。正樣本，通俗點說，就是圖片中只有你需要的目標。而負樣本的圖片只要其中不含有目標就可以了。但需要說明的是，負樣本也並非隨便選取的。例如，你需要檢測的目標是汽車，那麼正樣本就應該是僅僅含有汽車的圖片，而負樣本顯然不能是一些包含天空的，海洋的，風景的圖片。因為你最終訓練分類器的目的是檢測汽車，而汽車應該出現在馬路上。也就是說，分類器最終檢測的圖片應該是那些包含馬路，交通標志，建築物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內的圖片。很明顯，這里的負樣本應該是包含摩托車、三輪車、自行車、行人、路面、灌木叢、花草、交通標志、廣告牌等。
另外，需要提醒的是，adaboost方法也是機器學習中的一個經典演算法，而機器學習演算法的前提條件是，測試樣本和訓練樣本獨立同分布。所謂的獨立同分布，可以簡單理解為：訓練樣本要和最終的應用場合非常接近或者一致。否則，基於機器學習的演算法並不能保證演算法的有效性。此外，足夠的訓練樣本（至少得幾千張正樣本、幾千張負樣本）也是保證訓練演算法有效性的一個前提條件。
這里，假設所有的正樣本都放在f:/pos文件夾下，所有的負樣本都放在f:/neg文件夾下；
D. 劉汝佳的新書《演算法競賽入門經典——訓練指南》怎麼樣 代碼詳細嗎有題目嗎難易程度怎樣
http://wenku..com/view/98e1458271fe910ef12df88f.html
E. 看完並熟練運用劉汝佳的演算法入門經典和訓練指南，可以達到什麼水平參加ACM之類的競賽呢
你要能全部看懂+實現代碼並能AC同演算法題目，再加上2個同等水平之上的隊友，銀牌都拿不到的話，絕對是倒了八輩子霉。
F. 《演算法競賽入門經典訓練指南》pdf下載在線閱讀，求百度網盤雲資源
《演算法競賽入門經典 訓練指南 升級版》（劉汝佳）電子書網盤下載免費在線閱讀
資源鏈接：
鏈接: https://pan..com/s/1Qdp8nP4olJEuUABqF15HSQ 提取碼: t51c
書名：演算法競賽入門經典 訓練指南 升級版
作者：劉汝佳
出版社：清華大學出版社
出版年份：2021-5-1
內容簡介：
《演算法競賽入門經典——訓練指南（升級版）》是《演算法競賽入門經典（第2版）》一書的重要補充，旨在補充原書中沒有涉及或者講解得不夠詳細的內容，從而構建一個更完整的知識體系。本書通過大量有針對性的題目，讓抽象復雜的演算法和數學具體化、實用化。
《演算法競賽入門經典——訓練指南（升級版）》共包括6章，分別為演算法設計基礎、數學基礎、實用數據結構、幾何問題、圖論演算法與模型以及更多演算法專題。全書通過206道例題深入淺出地介紹了上述領域的各個知識點、經典思維方式以及程序實現的常見方法和技巧，並在章末給出了豐富的分類習題，供讀者查漏補缺和強化學習效果。
《演算法競賽入門經典——訓練指南（升級版）》題目多選自近年來ACM/ICPC區域賽和總決賽真題，內容全面，信息量大，覆蓋了常見演算法競賽中的大多數細分知識點。書中還給出了所有重要的經典演算法的完整程序，以及重要例題的核心代碼，既適合選手自學，也方便院校和培訓機構組織學生學習和訓練。
作者簡介：
劉汝佳，2000年3月獲得NOI2000全國青少年信息學奧林匹克競賽一等獎。大一時獲2001年ACM/ICPC國際大學生程序設計競賽亞洲-上海賽區冠軍和2002年世界總決賽銀牌。2004年至今共為 ACM/ICPC亞洲賽區命題二十餘道，擔任6次裁判和2次命題總監，並應邀參加IOI和ACM/ICPC相關國際研討會。曾出版《演算法競賽入門經典》《演算法競賽入門經典——訓練指南》《編程挑戰》等暢銷書。
陳鋒，任職於廈門宇道信隆信息科技有限公司，擔任技術總監職務，專注於人工智慧以及演算法技術在金融科技領域的應用。同時擔任四川大學ACM/ICPC演算法競賽集訓隊特邀指導老師，榕陽編程NOI、NOIP指導教練。所帶學員多次獲得ICPC金/銀牌，進入NOI省隊等。曾出版《演算法競賽入門經典——訓練指南》《演算法競賽入門經典——習題與解答》《演算法競賽入門經典——演算法實現》等暢銷書。
G. 演算法訓練難學嗎
這個是看你的時候如果你對演算法很有興趣的話，那麼學演算法學起來是非常有趣的一件事，如果你對演算法沒有興趣，那麼學演算法你將會非常的痛苦。當然，如果你的數學基礎還有邏輯思維很好的話，學演算法也是比較簡單的！
H. 在機器學習中用演算法訓練數據的時候，是不是每個分類給
題目都不完整，如何回答。
I. 自動駕駛領域演算法訓練主要用到哪些數據
數據主要以車載攝像頭採集的2D圖像數據和激光雷達採集的3D點雲數據為主，場景包括換道超車、通過路口、無紅綠燈控制的無保護左轉、右轉，以及一些復雜的長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章停靠的車輛等等。