无崖子的博客

原创 3D点云深度学习」综述论文--Deep Learning for 3D Point Clouds: A Survey

三维点云深度学习研究综述论文：Deep Learning for 3D Point Clouds: A Survey作者：Yulan Guo时间：2019-12引言动机：Point cloud learning（点云学习）由于在视觉、自动驾驶、机器人等方面的广泛应用，近年来受到了广泛的关注。最近，随着点云的深度学习变得更加兴旺，人们提出了许多方法来解决这一领域的不同问题。为了促进未来的研究，本文对点云深度学习方法的最新进展进行了全面的综述。挑战：深度学习技术目前已经成为成功解决各种二

原创 linux无界面下使用selenium和phantomJS

如果linux安装有界面，可以不使用phantomJS进行自动化测试一、无界面Linux自动化测试使用phantomJS配合selenium，可以创建无界面的浏览器，可以进行自动化操作二、Linux下载seleniumpip install selenium三、Linux下载phantomJShttp://www.phperz.com/article/14/1115/35197.html选择linux版本的四、代码运行def __init__(self): self.o

原创 苹果CMS搭建影视网站

搭建影视网站需要具备几个条件：1.国内服务器需要备案域名（国外的服务器不用备案）2.阿里云服务器或其他网站空间3.苹果CMS V10和海螺模板4.开通QQ开发者认证，并创建网站接入（https://connect.qq.com/manage.html#/）一、苹果CMS官网即可免费下载V10http://www.maccms.cn/二、源码上传到网站空间，并进行安装，可以百度下海螺...

原创 完整制作个人博客系统

一、下载Wordpress，并上传到虚拟空间上点击下载Wordpress5.3.2点击下载FlashFXP二、安装WordPress将WordPress压缩包解压至一个空文件夹，并上传它。在浏览器中访问wp-admin/install.php。它将帮助您把数据库连接信息写入到wp-config.php文件中。如果上述方法无效，也没关系，这很正常。请用文本编辑器（如写字板）手动打开w...

原创 Kali Linux渗透测试--windows 10入侵和提权过程

在进行入侵检测之前，配置好网络环境，使其相互连通，才能进行入侵。在使用Metasploit成功入侵之后拿到的只是一个基础的shell，要想拿到系统级别的shell，添加系统用户，获取用户登录口令，还需要进一步提权。一、Metasploit对windows 10入侵测试环境

原创 C#用普通邮箱SMTP发邮件

C#SMTP发邮件简单邮件传输协议 (Simple Mail Transfer Protocol, SMTP) 是事实上的在Internet传输email的标准。C#邮件传输主要用到了SmtpClient MailMessage 类。SmtpClient类是客户端类，客户端的Send方法实现了发送邮件的功能。Send方法的参数MailMessage对象。MailMessage类是邮件信息类...

原创 cv2.imread()报错error: (-215:Assertion failed) size.width>0 && size.height>0 in function ‘cv::imshow'

error: (-215:Assertion failed) size.width>0 && size.height>0 in function ‘cv::imshow’解决方法：把图片的名称和路径改成英文或数字窗口名字也应该设置为英文或数字，否则会显示乱码...

原创 区块链技术和文创领域会碰撞出什么火花？

摘要：文创领域主要包括广播影视、音像、传媒、工艺设计等文化创意领域。版权保护存在保护难、举证难、维权难三大问题。区块链技术的不可篡改和可追溯的优势能够很好的解决当前这种困境，主要是原创作者将创作内容保存到区块链上生成唯一不可更改的原创证明，通过智能合约进行交易。文创领域主要包括广播影视、音像、传媒、工艺设计等文化创意领域。版权保护是此领域的核心议题。版权保护主要存在保护难、举证难、维权难三大...

转载 OSI七层网络模型与TCP/IP四层网络模型的关系

一、OSI网络分层参考模型网络协议设计者不应当设计一个单一、巨大的协议来为所有形式的通信规定完整的细节，而应把通信问题划分成多个小问题，然后为每一个小问题设计一个单独的协议。这样做使得每个协议的设计、分析、时限和测试比较容易。协议划分的一个主要原则是确保目标系统有效且效率高。为了提高效率，每个协议只应该注意没有被其他协议处理过的那部分通信问题；为了主协议的实现更加有效，协议之间应该能够共享特定的...

原创 BSP-Net: Generating Compact Meshes via Binary Space Partitioning精讲

在近日举行的 CVPR 2020 大会上，最佳论文、最佳学生论文等奖项悉数公布。加拿大西蒙弗雷泽大学陈之钦（Zhiqin Chen ）等人的「BSP-Net」相关研究获得了最佳学生论文奖，他们的论文题目是《BSP-Net: Generating Compact Meshes via Binary Space Partitioning》。在最新一期的机器之心 CVPR 2020 线上论文分享中，西蒙弗雷泽大学 (SFU) 博士一年级学生陈之钦以第一作者的身份向我们分享了这篇最佳学生论文。在这项研究中，.

原创 BSP-Net：通过二进制空间划分生成紧凑网格

我们介绍了BSP-Net，它是一种通过二进制空间划分生成紧凑网格的网络。我们生成的网格是低多边形的，并保证是紧密的。边缘可以重现清晰的细节，但仍可以近似弯曲的边界。视频链接：https://youtu.be/9-ixexpjN-8?t=2我们的BSP-Net生成紧凑的低多边形网格。输出可以再现锐利的边缘和近似平滑的几何形状。诸如IM-NET之类的隐式模型需要等值曲面，从而导致网格过于网格化，而网格只能近似具有平滑表面的清晰细节。我们的关键思想源自二进制空间分区树（BSP）。如左..

原创 计算机图形学学习笔记：规则形体的表示

实体模型的三类表示： 边界表示（Boundary Representation, B-reps），即用一组曲面（含平面）来描 述物体，这些曲面将物体分为内部和外部。 边界表示具体又包括多边形表面模型和扫 描表示两种。 构造实体几何表示（Constructive Solid Geometry，CSG），它将实体表示成立 方体、长方体、圆柱体、圆锥体等基于体素的组合，可以采用并、交、差等运算构造新的形体。 空间分割表示（Space-Partitioning），用来描述物体的..

原创 神经网络模型(Backbone)--从AlextNet讲起

自己搭建神经网络时，一般都采用已有的网络模型，在其基础上进行修改。从2012年的AlexNet出现，如今已经出现许多优秀的网络模型，如下图所示。 主要有三个发展方向：Deeper：网络层数更深，代表网络VggNetModule： 采用模块化的网络结构（Inception），代表网络GoogleNetFaster: 轻量级网络模型，适合于移动端设备，代表网络MobileNet和ShuffleNetFunctional: 功能型网络，针对特定使用场景而发展出来。如检测模型YOLO，Faster R

原创 手把手教你从零搭建深度学习项目（附链接）

简介：在学习了有关深度学习的理论之后，很多人都会有兴趣尝试构建一个属于自己的项目。本文将会从第一步开始，告诉你如何解决项目开发中会遇到的各类问题。本文由六大部分组成，涵盖深度学习 ( DL ) 项目的整个过程。我们将使用一个自动漫画着色项目来说明深度学习的设计、程序调试和参数调整过程。第一部分：启动一个深度学习项目1. 应该选择什么样的项目？很多人工智能项目其实并没有那么严肃，做起来还很有趣。2017 年初，我着手启动了一个为日本漫画上色的项目，并作为我对生成对抗网络 ( GAN ) 研究的一.

原创 OpenAI发布具有1750亿个参数的GPT-3 AI语言模型

论文地址：https://arxiv.org/abs/2005.14165guthub：https://github.com/openai/gpt-3OpenAI的一组研究人员最近发表了一篇论文，描述了GPT-3，这是一种具有1,750亿个参数的自然语言深度学习模型，比以前的版本GPT-2高100倍。该模型经过了将近0.5万亿个单词的预训练，并且在不进行微调的情况下，可以在多个NLP基准上达到最先进的性能。在arXiv上发表的论文中，由30多位合著者组成的团队描述了该模型和几个实验。研究人员的目标是

原创 蚁群算法(ant colony optimization, ACO)

1 原理介绍​蚁群算法（Ant ColonyAlgorithm）最初于1992年由意大利学者M.Dorigo等人提出，它是一种模拟自然界中真实蚁群觅食行为的仿生优化算法。研究发现：每只蚂蚁觅食时在走过的路线上会留下一种称为信息素的物质，蚂蚁之间靠感知这种物质的浓度进行信息传递。蚂蚁在选择路径时总是倾向于朝信息索浓度高的方向移动，而距离短的路径上走过的蚂蚁多，留下的信息素也多，后续蚂蚁选择它...

原创 CNN中难点分析--对卷积层（Convolution）与池化层（Pooling）的理解

传统机器学习通过特征工程提取特征，作为Input参数进行输入，从而拟合一个相对合适的w参数，而CNN利用卷积层感知局部特征，然后更高层次对局部进行综合操作，从而得到全局信息，池化层层提取主要特征，从而自动提取特征。1、池化层的理解pooling池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。另外一点值得注意：pooling也可以提供一些旋转不变性。池化层可对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度并在一定程度上避免过拟合的出现；一方面进行特征压.

原创 机器学习常用的向量距离度量准则

原创 matplotlib中plt.scatter()与plt.plot()参数详解

scatter绘制散点，plot绘制经过点的曲线scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None,edgecolors=None, hold=None, data=None, **kwargs)x，y：输入数据，array_like，shape（n，）s：点的大小　 标量或array_like，

原创 目标检测的图像特征提取之LBP特征

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen,和 D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；1、LBP特征的描述原始的LBP算子定义为在33的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，33邻域内的8

原创 90题细品吴恩达《机器学习》，感受被刷题支配的恐惧

大家好，吴恩达《机器学习》多有名多经典我就不赘述啦，但是现在市面上基本都是他的课程和编程题的翻译版，很少有人翻译测验（quiz）的题。 最近我自己亲测感受了一下，会考一些你没有注意到的点，非常细腻。在错到怀疑人生的同时，可以帮你复习一下理论知识。所以就给大家版搬来啦~参考资料：Coursera | machine-learning (https://www .coursera.org/learn/machine-learning/) 「wangcong02345」的文章 https://blog.csd

原创 迁移学习的几种迁移方式

迁移学习是当前深度学习领域的一系列通用的解决方案，而不是一个具体的算法模型。Pre-training + fine-tuning（预训练+调参） 的迁移学习方式是现在深度学习中一个非常流行的迁移学习方式，尤其是以图像领域为代表，很多时候会选择预训练的 ImageNet对模型进行初始化。在迁移学习中，有几个概念，domain（域）和task（任务） 、source（源） 和target（目标）需要理清楚。- domain：一般指的是特征空间和概率分布 - task:包含标记空间和目标预测函数- sour

原创 NLP领域中的迁移学习现状

本文拓展自NAACL 2019教程“NLP领域的迁移学习”，这个教程是由Matthew Peters、Swabha Swayamdipta、Thomas Wolf和我组织策划的。在这篇文章中，我强调了一些在这个领域中的见解和收获，并根据最近的工作进展更新了一部分资料。整篇文章的结构如下图。图1一、内容简介我们在这篇文章中的对迁移学习的主要定义如图所示，迁移学习是一种从源设置中提取信息并将其应用于不同设定目标的方法。图2：迁移学习过程的说明在过去一年多的时间里，以预训练的语言模型形式进行的迁移学

原创 每日刷算法--剑指offer从尾到头打印链表

题目描述输入一个链表，按链表从尾到头的顺序返回一个ArrayList。分析：链表倒置有两种思路，第一种是可以从修改节点的next属性进行倒置，第二种可以把节点放在栈中，然后从栈顶开始取出即可实现倒置的效果代码：第一种： struct ListNode { int val; struct ListNode *next; ListNode(int x) : val(x), next(NULL) { }.

原创 每日刷算法--剑指offer替换空格

题目描述 请实现一个函数，将一个字符串中的每个空格替换成“%20”。例如，当字符串为We AreHappy.则经过替换之后的字符串为We%20Are%20Happy。分析：将长度为1的空格替换为长度为3的“%20”，字符差的产度变长。 如果允许我们开辟一个新的数组来存放替换空格后的字符串， 那么这道题目就非常简单。设置两个指针分别指向新旧字符串首元素， 遍历原字符串，如果碰到空格就在新字符串上填入“%20”，否则就复制元字符串上的内容。但是如果面试官要求 在原先的字符串上操作，并且保证原字..

原创 每日刷算法--剑指offer二维数组中的查找

题目描述在一个二维数组中（每个一维数组的长度相同），每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。一、分析这是一个行列有序二维数组，每行从左到右递增，每列从上到下地递增：例如[1,2,4,5,6]...

原创 卷积神经网络--图像卷积与反卷积（后卷积，转置卷积）

1.前言传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。对于1维的卷积，公式（离散）与计算过程（连续）如下，要记住的是其中一个函数（原函数或者卷积函数）在卷积前要翻转180度图一对于离散卷积，f的大小是n1，g的大小是n2，卷积后的大小是n1+n2-12.图像卷积图二同样地，卷积的时候需要对卷积核进行180的.

原创 Linux中本地复制和远程复制--cp和scp命令的使用方法

Linux为我们提供了两个用于文件copy的命令，一个是cp，一个是scp，但是他们略有不同。cp --- 主要是用于在同一台电脑上，在不同的目录之间来回copy文件scp --- 主要是在不同的Linux系统之间来回copy文件关于cp的具体用法：命令基本格式：cp [OPTIONS] SOURCE DEST --- 从源路径copy文件到目的路径cp [OPTIONS] SOURCE... DIRECTORY --- 将多个源文件copy到指定的目录（多个源文件用空格分隔）OPTION

原创 Flask框架路由和视图用法实例分析

Flask是由python实现的一个web微框架，让我们可以使用Python语言快速实现一个网站或Web服务。一、创建一个简单flask框架程序#1.导入Flask类from flask import Flask#2.创建Flask对象接收一个参数__name__，它会指向程序所在的包app = Flask(__name__)#3.装饰器的作用是将路由映射到视图函数[email protected]('/')def index(): return 'Hello World'#4.Flask

原创 Linux命令-nohup和&--不占用终端运行和后台运行方式

基础在linux终端或控制台上执行命令时，可能不希望脚本占住屏幕需要在后台执行脚本，有几种方法让脚本在后台执行：&当在前台运行某个作业时，终端被该作业占据；可以在命令后面加上& 实现后台运行。例如：sh test.sh &需要用户交互的命令不要放在后台执行，不过，作业在后台运行一样会将结果输出到屏幕上，如果放在后台运行的作业会产生大量的输出，最好使用下面的方法把它的输出重定向到某个文件中：command > out.file 2>&1 &amp

原创 一文看懂自然语言处理-NLP（4个典型应用+5个难点+6个实现步骤）

网络上有海量的文本信息，想要处理这些非结构化的数据就需要利用 NLP 技术。本文将介绍 NLP 的基本概念，2大任务，4个典型应用和6个实践步骤。NLP 为什么重要？“语言理解是人工智能领域 皇 冠 上的明珠”比尔·盖茨在人工智能出现之前，机器智能处理结构化的数据（例如 Excel 里的数据）。但是网络中大部分的数据都是非结构化的，例如：文章、图片、音频、视频…一文看懂自然语言处理-NLP（4个典型应用+5个难点+6个实现步骤）在非结构数据中，文本的数量是最多的，他虽然没有图片和视频占

原创 什么是梯度消失和梯度爆炸

一、梯度消失、梯度爆炸产生的原因说白了，对于1.1 1.2，其实就是矩阵的高次幂导致的。在多层神经网络中，影响因素主要是权值和激活函数的偏导数。1.1 前馈网络假设存在一个网络结构如图：其表达式为：若要对于w1求梯度，根据链式求导法则，得到的解为：通常，若使用的激活函数为sigmoid函数，其导数：这样可以看到，如果我们使用标准化初始w，那么各个层次的相乘都是0-1之间的小数，...

原创 Windows中redis的下载及安装、设置

除了原文的东西还有自己遇到的一些问题，这里记录一下。一、下载：下载地址： https://github.com/MicrosoftArchive/redis/releases根据系统下载的版本：以（64位为例）下载后一般解压到根目录下：如（E:\Redis-x64-3.2.100）二、安装：打开cmd命令窗口，使用命令进行安装和注册redis到window服务安装命令：redis-...

原创 java版原生app，追剧达人app

app演示效果http://fir.dataco.cn/letb，页面空白可添加广告

原创 GitHub的高级搜索方式--找到最想要的源码

GitHub的高级搜索方式平时在学完一个知识后，需要写些 demo来进行练手，这个时候 GitHub就是最好不过的资源库了，以下整理了一些关于在 github 上面找项目的一些小技巧。一、单条件使用#项目名称仓库名称包含 spring 的项目in:name spring项目描述仓库描述中包含 spring 的项目in:description springreadme文件re...

原创 矩阵和向量--形象理解线性代数的本质（三） 矩阵的升维和降维

引子：降维打击科幻小说《三体》里一种很魔幻的攻击方法——降维打击，以其神奇的作用方式和巨大的威力刷新了我们的三观。而在矩阵乘法计算中，这种降维打击时刻存在着。本节讲解一下矩阵乘法中造成的升维和降维。一、矩阵的降维还用游戏的例子，有4个角色，每个人都有不同的能力，将其用矩阵表示出来现在我们要评估他们的两种能力：领兵打仗的能力和协同将领的能力只要将两个矩阵相乘，就能根据 方法 X 对象...

原创 矩阵和向量--线性代数的本质--矩阵、线性变换、矩阵乘法与线性变换复合

线性代数的本质，源视频 https://www.bilibili.com/video/BV1ys411472E目录矩阵和线性变换矩阵乘法与复合变换Unfortunately, no one can be told what the Matrix is. You have to see it for your self.------ Morpheus矩阵是什么？矩阵（Matrix）是一...

原创 向量与矩阵--形象理解线性代数的本质（二） 矩阵乘法的3种理解方式

矩阵的乘法有3种不同的方法去解释它们的意义，而这三种方法都是等效的。分别是： 坐标空间的变换 跃迁运动 方法乘以对象引子：二维平面上有A、B两个点。很明显，对于这两个点，我们可以任意建立坐标系；而不同的坐标系下A、B 具有不同的坐标值。一、坐标空间的变换现在，坐标系1中有C(1,2)、D(3,2)两个点，可以将它们在坐标系中可视化表示出来，就是矩阵A。现在，我们在这个...

原创 向量与矩阵--形象理解线性代数的本质（一）

本科学习线性代数的时候，一直苦于对矩阵这么一堆罗列起来的数没有一种直观的感觉，也不知道它的具体应用，只是傻傻的学了为了得高分。当用到机器学习的时候才发现在高阶的应用领域都是需要线性代数作为基础的。之所以没有用到线性代数，不是因为它没有用，而是自己工作内容太LOW，够不到使用线性代数的水平。这里结合中科院王赫然博士的线性代数课程和网上的线性代数帖子，写一系列线性代数的博文，直观的讲解一下线性代数的...

原创 雷达的主要技术指标、应用与分类和雷达对抗

一、雷达的频段和战术指标（一）雷达的工作频率按照雷达的工作原理，不论发射波的频率如何，只要是通过辐射电磁能量和利用从目标反射回来的回波，以便对目标探测和定位，都属于雷达系统工作的范畴。常用的雷达工作频率范围为220MHz~35000MHz，实际上各类雷达工作的频率在两头都超出了上述范围。例如天波超视距（OTH）雷达的工作频率为4MHz或5MHz，而地波超视距的工作频率则低到2MHz。在频谱的另...