BENULL-CSDN博客

原创 [异常检测] Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection

Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection会议： WACV 2020论文：https://arxiv.org/abs/1908.04321代码：https://github.com/Rodrigues-Royston/Multi-timescale-Trajectory-Prediction-for-Abnormal-Human-Activity-Detection在本文中，提出了一个多时

2022-01-03 15:57:29 1686

原创程序员怎么跨年？跨年烟花网页支持自定义文本烟花

程序员怎么跨年？跨年烟花网页支持自定义文本烟花

2021-12-31 10:46:26 962

原创 [异常检测] Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection

Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection单位：上海交通大学、商汤、上海AI Lab论文地址：https://arxiv.org/abs/2112.03649基于像素的方法可以直接利用显式运动特征比如光流，但基于姿态的方法缺乏运动表示。本文提出了一种新的Motion Embedder (ME），从概率角度提供姿态的运动表示。此外，还采用了一种新的特定任务的S

2021-12-29 21:17:40 1529

原创 [异常检测] Learning Memory-guided Normality for Anomaly Detection

Learning Memory-guided Normality for Anomaly Detection单位：Yonsei University会议：CVPR 2020论文地址：Learning Memory-guided Normality for Anomaly Detection代码地址：https://github.com/cvlab-yonsei/MNAD基于CNN方法的一个缺点就是没有考虑正常样本的多样性，CNNs的能力太强，对于输入是异常的视频帧样本，也能重建的像异常视频帧，

2021-12-28 21:56:44 2317 2

原创 A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos

A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos单位：北京航空航天大学会议：TCSVT论文地址：arxiv提出的Spatio-Temporal Graph Convolutional Neural Network (HSTGCNN) 由多个分支组成，这些分支对应于不同级别的图表示。高阶图表示编码人的轨迹和多个人之间的交互，而低阶图表示编码每个人的局部身

2021-12-27 19:08:16 1206

原创 [异常检测] Graph Embedded Pose Clustering for Anomaly Detection

Graph Embedded Pose Clustering for Anomaly Detection会议：CVPR 2020单位：Tel-Aviv University, Alibaba Group论文：arxiv代码：code创新从输入视频序列计算得到人体姿态图，之后通过时空图卷积自编码器和聚类将这些姿态图映射到隐空间提出了两种粒度的异常检测粗粒度，指定某类行为是正常其余为异常行为（ShanghaiTech Campus数据集上）细粒度，指定某类行为为异常其余非异常行为（NTU

2021-12-22 20:47:27 1737

原创 [异常检测]Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos

Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos单位: Deakin University会议: CVPR 2019论文地址: arxiv代码: skeleton_based_anomaly_detection问题该问题的挑战性在于缺乏人的监督和视频事件中人类可感知异常的定义很模糊。其中基于像素的特征受噪音影响大，掩盖了场景中的重要信息，更进一步，这些特征中存在的冗余信息增加了训练模型去

2021-12-21 19:01:19 559

原创 [异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION

[异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION会议： 2021 ICLR论文： https://openreview.net/forum?id=A5VV3UyIQz.代码：https://github.com/liznerski/fcdd创新点因为用于异常检测的深度单分类方法学习映射将正常样本集中在特征空间而将异常样本映射出去。由于这样的变换是非线性的，所以很难去解释。于是这篇文章提出了全卷积数据描述（FCDD），是对DSVDD的一种修改，使变换

2021-12-16 22:46:33 1761

原创 Vue3+TypeScript+Element-Plus+Flask开发记录

Vue3+TypeScript+Element-Plus+Flask开发记录1. 跨域Flask后端解决/pip install flask-cors全局配置from flask import Flask, requestfrom flask_cors import CORSapp = Flask(__name__)CORS(app, supports_credentials=True)使用 @cross_origin 配置单行路由from flask import Flask, r

2021-12-16 22:45:51 4539

原创推荐系统模型之DIN

推荐系统模型之DINDeep Interest Network(DIN)由阿里妈妈的精准定向检索及基础算法团队在2017年6月提出。它针对电子商务领域(e-commerce industry)的CTR预估，重点在于充分利用/挖掘用户历史行为数据中的信息。论文地址主要思路针对问题第一个问题是目前很多推荐系统模型，都是以 Embedding & MLP 的方法结合，这种方法相对传统机器学习有较好的效果提升，但是存在一些缺点用户的兴趣通常是多种多样的，而 Embedding &

2021-09-16 17:42:12 795 1

原创推荐系统模型之DeepFM

推荐系统模型之DeepFMDeepFM: A Factorization-Machine based Neural Network for CTR Prediction是华为和哈工大在2017发表的论文，在Wide&Deep结构的基础上，使用FM取代Wide部分的LR，不需要再做复杂的特征工程，可以直接把原始数据输入模型。主要思路DeepFM=DNN+FM因子分解机(Factorization Machines,FM)，具有自动学习交叉特征的能力，避免了Wide & Deep模型中浅

2021-09-12 15:14:21 351

原创推荐系统模型之Wide&Deep

推荐系统模型之Wide&DeepWide&Deep 简称WDL，是2016年Google 发表得一篇论文《Wide & Deep Learning for Recommender Systems》提出的推荐框架。Wide&Deep 模型由单层的 Wide 部分和多层的 Deep部分组成。这样的组合使得模型兼具了逻辑回归和深度神经网络的优点，能够快速处理并记忆大量历史行为特征, 并且具有强大的表达能力, 不仅在当时迅速成为业界争相应用的主流模型, 而且衍生出了大量以Wide

2021-09-09 21:14:57 273

原创 10路监控视频行为识别——展示界面

MonitoringPanel使用opencv-python或ffmpeg方式实时读取10路网络摄像头rtsp视频流，请求后端行为识别模型，返回行为识别结果包括骨架、包围盒进行展示，该项目为前端展示部分依赖pyqt5opencv-pythonffmpeg-python文件结构├── App.py 主入口├── Controller.py 后端交互文件├── UiWindow.py 界面文件├── Util.py 骨架绘制文件└── VideoC

2021-09-02 14:35:20 869

原创 [python] ffmpeg-python读取rtsp(tcp方式)

[python] ffmpeg-python读取rtsp(tcp方式)问题描述在多路无线摄像头同时接入时，网络不稳定，经常出现雪花屏的问题。参考网上资料，怀疑是网络摄像头默认使用RTSP协议，RTSP下层默认使用UDP传输，而UDP传输是不可靠的，会丢包，所以导致雪花屏。RTSP使用TCP或者UDP传输，使用TCP还是UDP取决于客户端的SETUP请求。所以尝试将由UDP改为TCP取流。opencv-python的videocapture获取rtsp只支持UDP方式，改为用FFmpeg-python

2021-08-27 19:31:20 8195 10

原创 [Python] MQTT介绍与使用

[Python] MQTT介绍与使用MQTT协议MQTT（Message Queuing Telemetry Transport，消息队列遥测传输协议），是一种基于发布/订阅（publish/subscribe）模式的"轻量级"通讯协议，该协议构建于TCP/IP协议上，由IBM在1999年发布。MQTT最大优点在于，可以以极少的代码和有限的带宽，为连接远程设备提供实时可靠的消息服务。作为一种低开销、低带宽占用的即时通讯协议，使其在物联网、小型设备、移动应用等方面有较广泛的应用。特点开放消息协议，简

2021-08-21 13:20:58 2513

原创记一次大数据挑战赛

记一次大数据挑战赛对于给定的一定数量到访过微信视频号“热门推荐”的用户，根据这些用户在视频号内的历史n天的行为数据，通过算法在测试集上预测出这些用户对于不同视频内容的互动行为（包括点赞、点击头像、收藏、转发等）的发生概率。本次比赛以多个行为预测结果的加权uAUC值进行评分2021微信大数据挑战赛第一次接触这类比赛，成绩不大行，记录一下自己实验到的东西，并不一定对因为第一次，对于什么特征在这类任务中比较重要也不清楚，造的特征主要参考了大佬的分享微信视频号推荐算法解题思路nn模型用的是deep

2021-06-30 21:34:46 193

原创 [论文阅读] Transformer(Attention Is All You Need)

Transformer 是 Google 团队在 17 年 6 月提出的 NLP 经典之作，由 Ashish Vaswani 等人在 2017 年发表的论文 Attention Is All You Need 中提出。Transformer 在机器翻译任务上的表现超过了 RNN，CNN，只用 encoder-decoder 和 attention 机制就能达到很好的效果，最大的优点是可以高效地并行化

2021-05-16 11:53:19 279

原创 [Scala] 2048小游戏

很长一段时间没有用过Scala，重新学习了下顺便写个2048练练手

2021-05-12 18:52:11 574

转载关于Python Decorator你应该知道的一切

关键词：Python、装饰器、装饰器的深入讨论、Python decorator前言最近学习Python,在看一个框架源码过程中对装饰器很困惑，Google了一圈，在stack overflow的一个问题讨论下面找到了这个总结，这里几乎有关于Python全部的内容。觉得很好，遂翻译过来。翻译基本都是意译，能看英文的还是尽量看上面链接过去的原版吧！Pyton装饰器基础在Python中，函数也是对象为了理解装饰器，你必须首先理解，在Python中函数也是对象。理解这个知识点很重要。让我们使用一个.

2021-04-22 20:57:08 161

原创 MacOS下OpenCV + Python+PyQt5 多进程Bug

MacOS下OpenCV + Python+PyQt5 多进程Bug

2021-04-12 23:49:56 217

原创旋转矩阵计算角度差

根据旋转矩阵的估计值和真值计算角度误差

2021-04-01 19:28:59 2621 1

原创 [论文阅读] ACTION-Net: Multipath Excitation for Action Recognition

提出了一个即插即用、轻量级的时空、通道和运动激励模块（ACTION）采用了多路径激励的方法有效地捕获时空特征、通道特征和运动特征提出的ACTION模块可以被任何二维卷积模型用来构建视频动作识别网络

2021-04-01 16:20:11 2580

原创知识图谱内容调研

知识图谱的本质是揭示实体之间关系的语义网络

2021-03-03 10:39:02 1146

原创基于Q-Learning 的FlappyBird AI

基于Q-Learning 的FlappyBird AI在birdbot实现的FlappyBird基础上训练AI，这个FlappyBird的实现对游戏进行了简单的封装，可以很方便得到游戏的状态来辅助算法实现。同时可以显示游戏界面方便调试，能够看到算法实现的效果。也可以选择关闭游戏界面以及声音，这样游戏仍然能正常运行，一般用于训练阶段，可以减少CPU的占用实现参考的是SarvagyaVaish的Flappy Bird RLQ-LearningQ-Learning是强化学习算法中value-based的算

2020-12-27 03:57:05 1645 1

原创强化学习简介

强化学习(Reinforcement Learning，RL)是机器学习中的一个领域，是学习做什么（即如何把当前的情景映射成动作）才能使得数值化的收益最大化,学习者不会被告知应该采取什么动作，而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益强化学习同机器学习领域中的**有监督学习**和**无监督学习**不同，有监督学习是从外部监督者提供的带标注训练集中进行学习（任务驱动型），无监督学习是一个典型的寻找未标注数据中隐含结构的过程（数据驱动型)强化学习是与两者并列的第三种机器学习范式，强化学习带来了

2020-12-27 02:36:48 4153 2

基于哈夫曼编码的文本文件压缩与解压缩

vs2015上Qt5新建的工程Generated File文件夹里的文件不存在，打不开

xC0000005: 读取位置 0xfeeefef6 时发生访问冲突