- 博客(61)
- 收藏
- 关注
RSS订阅原创 非Root环境下的数据挂载解决方案：SSHFS与Mount详解
Linux挂载技术详解：从SSHFS到内核级Mount 本文系统介绍了Linux系统中的挂载技术，重点讲解了非Root权限下的SSHFS挂载方案和标准的内核级Mount命令。主要内容包括： SSHFS挂载方案：适用于普通用户的远程数据访问方案，详细说明了创建挂载点、建立SSHFS映射、检查状态、卸载及自动化配置等操作步骤。 内核级Mount命令：深入解析了mount命令的标准格式、默认选项和常用参数，包括权限控制、性能优化、缓存管理等重要功能选项。 技术原理：阐述了挂载的基本概念和SSHFS基于FUSE技术
2026-02-04 16:32:54
825
原创 [论文笔记] Visual Speech Recognition for Multiple Languages in the Wild - 仅仅依靠公开数据如何实现 SOTA？
在“大数据为王”的时代，Visual Speech Recognition for Multiple Languages in the Wild反其道而行，证明了**精心设计的模型结构**（辅助任务 + 时间掩蔽）比单纯堆砌数据更有效。仅利用公开数据集，就在英语、中文等多语种上击败了使用数万小时私有数据的工业界模型。
2025-12-04 13:21:25
851
原创 [论文笔记] 基于 LSTM 的端到端视觉语音识别 (End-to-End Visual Speech Recognition with LSTMs)
这篇文章是端到端唇读领域的经典之作。它没有使用复杂的 3D-CNN，而是巧妙地利用双流架构（Raw + Diff）结合 LSTM/BLSTM，在 2017 年就实现了从像素到语义的端到端识别。对于后续研究，其最大的借鉴意义在于：**如何显式地让网络同时关注“形状”和“运动”**。
2025-12-03 20:26:50
514
原创 [论文笔记] End-to-End Audiovisual Fusion with LSTMs
本文是《End-to-end visual speech recognition with LSTMs》的进阶篇。它将基于 LSTM 的端到端架构从视觉（Visual）扩展到了视听（Audiovisual）领域，并将任务从单纯的“说话内容识别”扩展到“语音识别和非语言发声分类”。
2025-12-03 15:01:10
714
原创 [论文笔记] ASR is all you need: Cross-modal distillation for lip reading (2020)
本文深度解读了 2020 年唇语识别（Lip Reading/VSR）领域的经典论文《ASR is all you need: Cross-modal distillation for lip reading》。针对 VSR 任务中“高质量视听标注数据稀缺”的核心痛点，论文创新性地提出了一种跨模态知识蒸馏框架：利用在海量纯音频语料上预训练好的 ASR 模型（教师），通过“双重监督信号”（CTC 硬标签 + 概率分布软标签），指导仅输入视频信号的 VSR 模型（学生） 在无标签数据（如 VoxCeleb2）上
2025-12-02 16:06:16
860
原创 超越BGRU：时序卷积网络（TCN）如何成就唇语识别新SOTA（LIPREADING USING TEMPORAL CONVOLUTIONAL NETWORKS）
当前，词级的唇语识别效果最好的模型，通常由一个用来提取视觉特征的残差网络（ResNet），和一个用来理解时间序列的双向门控循环单元（BGRU）组合而成。在这篇论文里，作者主要做了三个关键的改进：（1）模型架构上，BGRU 层被替换为时间卷积网络 (TCN)（2）训练过程上，简化了流程，只需要一个阶段就能从头到尾训练好整个模型。（3）泛化能力上，提出了一种“可变长度”的数据增强方法，让模型能更好地适应各种长度的输入视频，提升了泛化能力。
2025-11-20 00:24:36
846
原创 深度学习中的Batch Size与Learning Rate：理论、实践与协同优化指南
超参数是在模型开始学习之前，由开发者人为设定的配置参数。它们如同训练过程的"蓝图"，指导模型如何学习和成长。网络参数：定义模型的基本架构与容量，如卷积核尺寸、全连接层神经元数量正则化参数：控制模型复杂度，防止过拟合，如Dropout率和权重衰减系数优化参数主导模型的学习过程与收敛行为，是本笔记的重点，包括学习率批样本数量、优化器选择等这类方法基于预设的时间表全局调整学习率。常用方法阶梯衰减：在预设轮次将学习率乘以衰减因子（如0.1）指数衰减ηtη0⋅γtηtη0⋅γ。
2025-11-18 11:45:54
1238
原创 唇语识别中的音频信号
摘要 声音是由声带振动产生的机械波，具有频率（决定音调）和振幅（决定音量）两个核心属性。为了让计算机处理声音，需通过PCM编码将模拟信号转换为数字信号，包括采样、量化和编码三个步骤。数字音频可采用无损或有损压缩存储。在唇语识别中，需将音频解码为PCM格式，并提取梅尔频谱图、MFCC、基频和共振峰等声学特征，其中共振峰与嘴部动作直接相关，是连接音频和视觉特征的重要桥梁。这些特征能有效表征语音内容，为唇语识别提供关键信息。
2025-11-17 22:44:12
1141
原创 Bash Shell脚本学习——唇读数据集格式修复脚本
类别语法要素记忆技巧基础命令cdecholsheadwcfindcattrcpmvgrepodcd=换目录echo=回声ls=列表wc=字数统计cat=串联tr=转换cp=复制mv=移动grep=全局正则od=八进制转储条件测试-z=zero(空吗?-eq=equal(相等吗?-gt=greater than(大于吗?命令替换$(命令)“先把命令结果算出来，再放这里” 动态获取数据算术运算$((表达式))数学计算小助手内部变量不加变量操作变量=值$变量给数据贴标签，用时喊名字错误处理。
2025-11-10 18:57:24
1162
原创 Bash Shell脚本学习——唇读数据集验证脚本
本文介绍了一个用于验证500类唇读数据集质量的脚本工具。该脚本主要功能包括：检查数据目录结构是否符合规范、统计各单词的训练/验证样本数量、快速识别数据缺失或异常的类别。通过组合wc、head、find等基础命令，配合变量操作和条件判断，实现了数据完整性的自动化验证。脚本采用✅/❌直观标记检查结果，适用于深度学习项目前期数据质量把控。核心知识点涵盖Linux基础命令、管道操作、条件判断及循环控制等shell编程技术，为数据处理提供了高效可靠的质量检查方案。
2025-11-10 11:05:38
957
原创 基于混合CTC/Attention的视听语音识别模型:AUDIO-VISUAL SPEECH RECOGNITION WITH A HYBRID CTC/ATTENTION ARCHITECTURE
本文提出了一种基于编码器-解码器框架的视听语音识别混合模型。编码器采用早期融合策略，通过双向LSTM联合处理音频和视频特征。解码器创新性地结合了CTC和Attention机制，实现多任务联合训练。实验表明，该模型在视听语音识别任务中表现优异，早期融合策略显著优于晚期融合。此外，引入外部字符级RNN语言模型进一步提升了识别准确率。这种混合架构充分利用了CTC的对齐鲁棒性、Attention的序列建模能力以及语言模型的先验知识，为多模态语音识别提供了有效解决方案。
2025-11-06 19:40:26
1256
原创 注意力机制：Jointly Learning to Align and Translate中从双向RNN编码器到软对齐的完整流程
本文提出了一种联合学习翻译和对齐的神经网络模型，采用双向RNN编码器获取上下文表示，并通过注意力机制隐式学习源语言与目标语言的词语对齐关系。解码器训练阶段使用Teacher Forcing策略逐步预测目标词，计算注意力权重并生成上下文向量，最终通过交叉熵损失优化模型参数。预测阶段采用自回归方式生成完整序列。该方法在一个统一框架内实现了翻译和对齐的协同学习，克服了传统统计机器翻译中分离处理这两个任务的局限性。
2025-11-05 17:14:42
1022
原创 CTC详解：从对齐规则到条件独立性的完整解析
在阅读《AUDIO-VISUAL SPEECH RECOGNITION WITH A HYBRID CTC/ATTENTION ARCHITECTURE》一文时，文中强调了CTC（Connectionist Temporal Classification）模型的两个关键特性：其一，它能够实现“单调对齐”并解决“句子结尾检测”问题(优点)；其二，它存在“条件独立性假设”,这对于唇语识别这类时序性极强的任务而言，是一个明显的短板(缺点)。为了深入理解这一优缺点背后的机理，我开始了对CTC模型的学习。
2025-11-03 17:52:22
1001
2
原创 洛谷 Array 数论
所以，由容斥定理得，答案=不递增+不递减-既不递增.也不递减（常数序列）包含从1到n的整数（可重复）。如果A单调不上升或单调不下降，A就可称为美丽的。找出在长度为n时，有几个美丽的A。（如果两个“1”相邻的话会出现新序列中有相同数字的情况）：设一个长度为（2*n-1）的序列，用1填满n个空，剩余（n-1）个空；：找到每一个“1”，用其前方总共的“空格数”构成新序列。易得，单调不递增的A的数目=单调不递减的A的数目=:因为空格的数目最多只有n-1。对于长度为n的数组A，A中只。可见，单调不递减的A的数目=
2023-09-07 23:05:01
392
原创 排列组合问题小总结
有一天他脑子抽了，从口袋里拿出了 N 个不同的球，想把它们放到 M个相同的盒子里，并且要求每个盒子中至少要有一个球，他好奇有几种放法，于是尝试编程实现，但由于他天天不好好学习，只会上 B 站看游泳教练，于是他向你求助。a[i]=c[r][i]*(r-i)^n：先选出i个“一定不放的垛”(c[r][i]表示从r个种选出i个。容斥原理：答案=a[0]-a[1]+a[2]-a[3]+a[4]-……核心公式：f[i][j]=f[i-1][j]*j+f[i-1][j-1];N个不同的果子+M个相同的垛（不允许空垛）
2023-09-05 17:04:22
232
原创 洛谷 1025 数的划分（分垛）（搜索/递推）
搜索法：一垛一垛选择，为了避免重复（1、1、5；5、1、1）不妨设立一个规则：只选择不递减序列。（这样的话只有1、1、5才是合法的）此时还剩下i-j个果子，我们再选择是将i-j个果子分为1个垛，还是2个垛，还是3个垛······还是j个垛。3.不要忘记啦，每个垛都没有特殊标记的！题目分析：明显这是一道不为空的“分垛题”。两种方法：搜索法（只适用小数据）和递推法（都适用~）设dp[i][j]代表刚好将i个果子分成j个垛（抽象化）。为了保证每垛非空，首先将j个垛都先“铺”上一个果子。
2023-09-01 11:31:18
165
原创 卡特兰数8.28
且里面的括号数目可能为1，2，3······n,所以共有f(0)*f(n-1)+f(1)*f(n-2)+f(2)*f(n-3)+······+f(n-1)*f(0)种。最后的最后，结合法一与法二的结果，f(0)*f(n-1)+f(1)*f(n-2)+f(2)*f(n-3)+······+f(n-1)*f(0)=（例如：n等于3时，所有合法序列为()()()、()(())、(())()、(()()) 和 ((()))）当有i个括号在里面，(n-1-i)个括号在外面时，共有f(i)*f(n-1-i)种情况。
2023-08-28 22:02:45
217
原创 洛谷 P1466 [USACO2.2] 集合 Subset Sums 递推
对于从1∼n 的连续整数集合，能划分成两个子集合，且保证每个集合的数字和是相等的。1.依照题目所示，将一列数字分为两列数字，也就等同于从这一列数字中选出部分数字组成一个集合。{3} 和{1,2} 是唯一一种分法（交换集合位置被认为是同一种划分方案，因此不会增加划分方案总数）3.由此得到f[x][y]——选出的最大数字为x,构成的和为y的集合，有多少种。{3,4,7} 和 {1,2,5,6}{1,2,4,7} 和 {3,5,6}{1,6,7} 和{2,3,4,5}{2,5,7} 和{1,3,4,6}
2023-08-26 10:31:19
383
原创 洛谷 1144 最短路计数（无权图最短路）
由题意得，这是一个无向图，且N（顶点的数量)和M（边的数量）的数据范围很大。这里可以将一条无向边拆成两条有向边（如：x,y之间有一条边，储存为x到y有一条边，y到x有一条边），用f数组（f[i]表示顶点i关联的最新的一条边）和结构体b数组（from,to,next)储存。重边是要被重复计算的，也就是点j的最短路可以由dl数组中多个点抵达，同时也可以由i点（dl中的点）的多条边抵达，只要调整bj[j]=1的位置以及引入“临时标记”dj即可。（详情见代码及注释）储存dl数组的点，层层遍历，更新dl数组的点。
2023-08-04 08:11:52
552
原创 洛谷 1137 旅行计划
这个国家有 N 个城市，编号为 1 至 N，并且有 M 条道路连接着，小明准备从其中一个城市出发，并只往东走到城市 i 停止。所以他就需要选择最先到达的城市，并制定一条路线以城市 i 为终点，使得线路上除了第一个城市，每个城市都在路线前一个城市东面，并且满足这个前提下还希望游览的城市尽量多。1.思考：题目的最终目的是求出的是N个答案——任意城市为终点的路线中，可以经过的最多的点的数量。我们可不可以通过部分点的ans[i]来更新部分点的ans[i],再来更新下一部分点的ans[i]......
2023-08-03 18:57:16
342
原创 洛谷 1038 神经网络
神经元按一定的顺序排列，构成整个神经网络。在兰兰的模型之中，神经网络中的神经元分为几层；称为输入层、输出层，和若干个中间层。每层神经元只向下一层的神经元输出信息，只从上一层神经元接受信息。下图是一个简单的三层神经网络的例子。因此，按层遍历点，将“神经信息一层层传递。
2023-08-03 12:10:18
172
原创 洛谷 3197 越狱（二分法计算幂）
由于数据过大，我们最后计算出的ans其实是(m^n)%100003-(m*(m-1)^(n-1))%100003;（比如：4%2-1%2=-1，它不等于（4-1）%2！监狱有n 个房间，每个房间关押一个犯人，有 m 种宗教，每个犯人会信仰其中一种。使用二分法：若b为奇数，a^b=a^(b/2)*a^(b/2)*a;若b为偶数，a^b=a^(b/2)*a^(b/2)。可能越狱的状态数量=所有状态数量-无法越狱状态数量（n个数字任意两个相邻的数字都不相同）=m^n-m*(m-1)^(n-1)
2023-07-29 10:00:56
151
原创 洛谷 3098 数列之异或（异或的规律）
例如：1^2^3^4^5^6^7=(1^2)^(3^4)^(5^6)^7=1^1^1^7=1^7=(最后的计算）001^111=110=6。1.找规律：任取一个奇数a，其二进制表示为xxxxxx1;则a-1二进制表示为xxxxxx0;求1⨁2⨁⋯⨁N 的值。A⨁B 即A , B 按位异或。依照上方规律，再结合异或运算的。
2023-07-29 09:26:19
297
原创 洛谷 1460 健康的荷斯坦奶牛（深搜/回溯法）
请你帮助农夫喂养他的牛，以保持它们的健康，使喂给牛的饲料的种数最少。给出牛所需的最低的维他命量，输出喂给牛需要哪些种类的饲料，且所需的饲料剂量最少。（3）搜索：遍历所有饲料（这里我们定的规矩是：所选择的饲料编号从小到大排列）——选择可用饲料（装进ys数组并加上标记）——搜索下一个饲料——回溯（标记取消，也就相当于从ys数组中退出）（1）减枝：如果当前使用的饲料数目多于最优方案的数目，那就没必要再搜索下去了。下面 g 行，第 n 行表示编号为 n 饲料包含的各种维他命的量的多少。1.整体思路：深搜（回溯法）
2023-07-29 09:23:16
183
原创 洛谷 3913 车的攻击（排序）
但是Ri太大了，它的范围是[1,10^9]，数组的下标无法承受。所以换种思路，将所有输入的Ri用数组储存，然后从小到大排序，遍历数组的每一位，当与前一位的数字不同时，说明又是新的“一行”，计数增加。N×N 的国际象棋棋盘上有K 个车，第i个车位于第Ri行，第Ci列。求至少被一个车攻击的格子数量。车可以攻击所有同一行或者同一列的地方。• 对于100% 的数据，1≤N≤10^9;1≤Ri,Ci≤N。第一反应用标记数组标记出现的行，例如:Ri=105,bj[Ri]=1。
2023-07-28 20:42:19
177
原创 洛谷 1469 找筷子（异或单身狗）
CX 小朋友找出了餐厅中所有的筷子，但遗憾的是这些筷子长短不一，而我们都知道筷子需要长度一样的才能组成一双，更麻烦的是 CX 找出来的这些筷子数量为奇数，但是巧合的是，这些筷子中只有一只筷子是落单的，其余都成双，善良的你，可以帮 CX 找出这只落单的筷子的长度吗？另外，异或运算还有”交换律“和”结合律“的性质，即1^0^1=1^1^0且1^0^1=1^（0^1），由此推广到a^b^c=a^c^b，a^b^c=a^（b^c）。异或的原理是：a⊕b = (¬a ∧ b) ∨ (a ∧¬b)（¬：非运算；
2023-07-28 20:37:45
137
原创 洛谷 1100 高低位交换（左移运算和右移运算）
给出一个可以用一个32 位的二进制数表示的非负整数（不足 32位用 0 补足）。我们称这个二进制数的前 16位为“高位”，后 16 位为“低位”。将它的高低位交换，我们可以得到一个新的数。试问这个新的数是多少（用十进制表示）。1.找到32位二进制数对应的数据类型——unsigned int(%u)unsigned long(%I64d)表示。2.位运算：将前16位与后16位分开。unsigned int表示。long long表示。
2023-07-28 15:36:06
150
原创 洛谷 1776 宝物筛选
他粗略估算了下每样宝物的价值，之后开始了宝物筛选工作：小 F 有一个最大载重为 W 的采集车，洞穴里总共有 n 种宝物，每种宝物的价值为 vi，重量为 wi，每种宝物有 mi 件。小 F 希望在采集车不超载的前提下，选择一些宝物装进采集车，使得它们的价值和最大。比如说：1号背包有5个，我们可以绑定为1个1号背包、2个1号背包、4个1号背包。V[i]表示价值，w[i]表示重量，f[i]表示给定i重量可以达到的最大价值。很重要的是，由于本题的数据太大了，我们要把多重背包问题转换为01背包问题来提高效率!
2023-07-22 20:41:04
200
原创 洛谷 5365 英雄联盟（动态规划）
小皮球只会玩 N 个英雄，因此，他也只准备给这 N 个英雄买皮肤，并且决定，以后只玩有皮肤的英雄。为了让自己看起来高大上一些，小皮球决定给同学们展示一下自己的皮肤，展示的思路是这样的：对于有皮肤的每一个英雄，随便选一个皮肤给同学看。比如，小皮球共有 5 个英雄，这 5 个英雄分别有 0,0,3,2,4 款皮肤，那么，小皮球就有 3×2×4=243×2×4=24 种展示的策略。且花i元能够拥有的最多的展示方案数量，是由花更少的钱所得到的展示方案数量决定的。f[i]表示花i元可以达到的最多的展示方案的数量。
2023-07-22 19:46:46
204
原创 洛谷 2347 砝码称重（动态规划）
使用前n个砝码可以表示出多少种重量”的子问题是，“使用前n-1个砝码可以表示多少种重量”，“”使用前n-2个砝码可以表示多少种重量”......遍历1-max（可称出的所以重量），对于dp[i][j]=1的，对dp[i-1][j]也标记上，同时标记dp[i][j+fm[i]]。例如：dp[5][2]=1表示用前5个砝码可以称出重量2。设有 1g、2g、3g、5g、10g、20g 的砝码各若干枚（其总重≤1000），可以表示成多少种重量？最终状态：i从1-max遍历，统计dp[js][i]=1的个数。
2023-07-22 15:11:11
398
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人