海康算法训练
A. bp神经网络算法训练集怎么来的
你自己取的。。。。
B. 如何使用OpenCV中的AdBoost算法训练分类器
OpenCV训练分类器
一、简介
目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。
该方法的基本步骤为：
首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。
分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
目前支持这种分类器的boosting技术有四种：
Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。
根据上面的分析，目标检测分为三个步骤：
1、 样本的创建
2、 训练分类器
3、 利用训练好的分类器进行目标检测。
二、样本创建
训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。
负样本
负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件必须手工创建。
e.g: 负样本描述文件的一个例子：
假定目录结构如下：
/img
img1.jpg
img2.jpg
bg.txt
则背景描述文件bg.txt的内容为：
img/img1.jpg
img/img2.jpg
正样本
正样本由程序craatesample程序来创建。该程序的源代码由OpenCV给出，并且在bin目录下包含了这个可执行的程序。
正样本可以由单个的目标图片或者一系列的事先标记好的图片来创建。
Createsamples程序的命令行参数：
命令行参数：
－vec
训练好的正样本的输出文件名。
－img
源目标图片（例如：一个公司图标）
－bg
背景描述文件。
－num
要产生的正样本的数量，和正样本图片数目相同。
－bgcolor
背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。
－bgthresh
－inv
如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev
背景色最大的偏离度。
－maxangel
－maxangle，
－maxzangle
最大旋转角度，以弧度为单位。
－show
如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。
－w
输出样本的宽度（以像素为单位）
－h《sample_height》
输出样本的高度，以像素为单位。
注：正样本也可以从一个预先标记好的图像集合中获取。这个集合由一个文本文件来描述，类似于背景描述文件。每一个文本行对应一个图片。每行的第一个元素是图片文件名，第二个元素是对象实体的个数。后面紧跟着的是与之匹配的矩形框（x, y, 宽度，高度）。
C. 如何利用OpenCV自带的haar training程序训练分类器
利用OpenCV自带的haar training程序训练一个分类器，需要经过以下几个步骤：
（1）收集训练样本：
训练样本包括正样本和负样本。正样本，通俗点说，就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是，负样本也并非随便选取的。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的图片，而负样本显然不能是一些包含天空的，海洋的，风景的图片。因为你最终训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的图片应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的图片。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。
另外，需要提醒的是，adaboost方法也是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。
这里，假设所有的正样本都放在f:/pos文件夹下，所有的负样本都放在f:/neg文件夹下；
D. 刘汝佳的新书《算法竞赛入门经典——训练指南》怎么样 代码详细吗有题目吗难易程度怎样
http://wenku..com/view/98e1458271fe910ef12df88f.html
E. 看完并熟练运用刘汝佳的算法入门经典和训练指南，可以达到什么水平参加ACM之类的竞赛呢
你要能全部看懂+实现代码并能AC同算法题目，再加上2个同等水平之上的队友，银牌都拿不到的话，绝对是倒了八辈子霉。
F. 《算法竞赛入门经典训练指南》pdf下载在线阅读，求百度网盘云资源
《算法竞赛入门经典 训练指南 升级版》（刘汝佳）电子书网盘下载免费在线阅读
资源链接：
链接: https://pan..com/s/1Qdp8nP4olJEuUABqF15HSQ 提取码: t51c
书名：算法竞赛入门经典 训练指南 升级版
作者：刘汝佳
出版社：清华大学出版社
出版年份：2021-5-1
内容简介：
《算法竞赛入门经典——训练指南（升级版）》是《算法竞赛入门经典（第2版）》一书的重要补充，旨在补充原书中没有涉及或者讲解得不够详细的内容，从而构建一个更完整的知识体系。本书通过大量有针对性的题目，让抽象复杂的算法和数学具体化、实用化。
《算法竞赛入门经典——训练指南（升级版）》共包括6章，分别为算法设计基础、数学基础、实用数据结构、几何问题、图论算法与模型以及更多算法专题。全书通过206道例题深入浅出地介绍了上述领域的各个知识点、经典思维方式以及程序实现的常见方法和技巧，并在章末给出了丰富的分类习题，供读者查漏补缺和强化学习效果。
《算法竞赛入门经典——训练指南（升级版）》题目多选自近年来ACM/ICPC区域赛和总决赛真题，内容全面，信息量大，覆盖了常见算法竞赛中的大多数细分知识点。书中还给出了所有重要的经典算法的完整程序，以及重要例题的核心代码，既适合选手自学，也方便院校和培训机构组织学生学习和训练。
作者简介：
刘汝佳，2000年3月获得NOI2000全国青少年信息学奥林匹克竞赛一等奖。大一时获2001年ACM/ICPC国际大学生程序设计竞赛亚洲-上海赛区冠军和2002年世界总决赛银牌。2004年至今共为 ACM/ICPC亚洲赛区命题二十余道，担任6次裁判和2次命题总监，并应邀参加IOI和ACM/ICPC相关国际研讨会。曾出版《算法竞赛入门经典》《算法竞赛入门经典——训练指南》《编程挑战》等畅销书。
陈锋，任职于厦门宇道信隆信息科技有限公司，担任技术总监职务，专注于人工智能以及算法技术在金融科技领域的应用。同时担任四川大学ACM/ICPC算法竞赛集训队特邀指导老师，榕阳编程NOI、NOIP指导教练。所带学员多次获得ICPC金/银牌，进入NOI省队等。曾出版《算法竞赛入门经典——训练指南》《算法竞赛入门经典——习题与解答》《算法竞赛入门经典——算法实现》等畅销书。
G. 算法训练难学吗
这个是看你的时候如果你对算法很有兴趣的话，那么学算法学起来是非常有趣的一件事，如果你对算法没有兴趣，那么学算法你将会非常的痛苦。当然，如果你的数学基础还有逻辑思维很好的话，学算法也是比较简单的！
H. 在机器学习中用算法训练数据的时候，是不是每个分类给
题目都不完整，如何回答。
I. 自动驾驶领域算法训练主要用到哪些数据
数据主要以车载摄像头采集的2D图像数据和激光雷达采集的3D点云数据为主，场景包括换道超车、通过路口、无红绿灯控制的无保护左转、右转，以及一些复杂的长尾场景诸如闯红灯车辆、横穿马路的行人、路边违章停靠的车辆等等。