<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Cratial]]></title><description><![CDATA[问题求解与分享]]></description><link>https://blog.youkuaiyun.com/Cratial</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Cratial]]></copyright><item><title><![CDATA[SELD2022：（一）数据集收集与组织详解]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/131055201</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/131055201</guid><author>Cratial</author><pubDate>Mon, 05 Jun 2023 21:18:47 +0800</pubDate><description><![CDATA[声音事件检测与定位（SELD）作为DCASE挑战赛的子任务，从2019年开始已经举办了好几届。该子任务的目标也从2022年开始由原来的在仿真数据集上设计更优声学模型，过渡到了在真实数据集上进行模型优化。相对而言，SELD2022和SELD2023子任务在数据集构建与模型评测上相对于前几届挑战赛有比较大的变化，且逐渐向真实应用场景靠近。为此，我将通过几篇系列文章来从数据集构建与组织、基线模型方法设计、可提升模型性能的途径等三个方面来介绍该项挑战赛。]]></description><category></category></item><item><title><![CDATA[DCASE挑战赛中的声音事件检测与定位(SELD)子任务介绍]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/131041107</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/131041107</guid><author>Cratial</author><pubDate>Mon, 05 Jun 2023 10:03:02 +0800</pubDate><description><![CDATA[SELD任务可以描述为下图，针对给定的多通道声音数据，采用声学计算模型（sound event localization and detection system）同时检测该时序信号中包含的声音事件类型，并在它们出现的时候定位其在空间中的位置（这里估计的是角度azimuth和elevation）。]]></description><category></category></item><item><title><![CDATA[与声音计算研究相关的挑战赛——DCASE和L3DAS]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/131035852</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/131035852</guid><author>Cratial</author><pubDate>Sun, 04 Jun 2023 20:22:09 +0800</pubDate><description><![CDATA[声音事件检测与定位]]></description><category></category></item><item><title><![CDATA[多模态回归—不止L1与L2损失]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/110792169</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/110792169</guid><author>Cratial</author><pubDate>Mon, 07 Dec 2020 10:11:31 +0800</pubDate><description><![CDATA[前言：本篇博文为译文，翻译自Patrick Langechuan Liu 发表在towards data science的博文 “Multimodal Regression — Beyond L1 and L2 Loss”

原博文链接：https://towardsdatascience.com/anchors-and-multi-bin-loss-for-multi-modal-target-regression-647ea1974617

原博文撰写时间：2019-09-30

深度学习最著名的应用是]]></description><category></category></item><item><title><![CDATA[情绪计算——“情绪空间”表达]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/109642713</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/109642713</guid><author>Cratial</author><pubDate>Thu, 12 Nov 2020 15:05:02 +0800</pubDate><description><![CDATA[常见的情绪表示可以用高兴、中性、伤心、惊讶等离散化形式，亦可以用Valence（警觉度）、Arousal（唤醒度）和Dominance（受支配程度）等连续维度表示不同的情绪。


]]></description><category></category></item><item><title><![CDATA[论文解读---Frozone: Freezing-Free, Pedestrian-Friendly Navigation in Human Crowds]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/109561381</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/109561381</guid><author>Cratial</author><pubDate>Sun, 08 Nov 2020 17:16:41 +0800</pubDate><description><![CDATA[论文地址：https://arxiv.org/abs/2003.05395

原文提交到arXiv时间：11 Mar 2020

Abstract— We present Frozone, a novel algorithm to deal with the Freezing Robot Problem (FRP) that arises when a robot navigates through dense scenarios and crowds. Our method senses and expl]]></description><category></category></item><item><title><![CDATA[论文解读---The Emotionally Intelligent Robot: Improving Social Navigation in Crowded Environments]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/109405599</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/109405599</guid><author>Cratial</author><pubDate>Sat, 31 Oct 2020 17:48:17 +0800</pubDate><description><![CDATA[论文地址：https://arxiv.org/abs/1903.03217

Abstract— We present a real-time algorithm for emotion-aware navigation of a robot among pedestrians. Our approach estimates time-varying emotional behaviors of pedestrians from their faces and trajectories using a co]]></description><category></category></item><item><title><![CDATA[多模态机器学习简述（Guide to Multimodal Machine Learning）]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/109275992</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/109275992</guid><author>Cratial</author><pubDate>Sun, 25 Oct 2020 17:25:30 +0800</pubDate><description><![CDATA[前言：本篇博文为译文，翻译自Parth Chokhra 发表在Medium的博文 “Guide to Multimodal Machine Learning”

原博文链接：https://towardsdatascience.com/guide-to-multimodal-machine-learning-b9b4f8e43cf7

原博文撰写时间：2020-09-27

我最近从Facebook在Driven Data网举办的厌恶表情包检测挑战赛（Hateful Meme Challenge 2020）]]></description><category></category></item><item><title><![CDATA[“Emotion“ 表示【情感】OR【情绪】]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/108966632</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/108966632</guid><author>Cratial</author><pubDate>Thu, 08 Oct 2020 20:51:21 +0800</pubDate><description><![CDATA[【引子】近期进入了新的环境，想给自己换一个新的方向，之前的学习工作就告一段落了，很遗憾没有动力写篇博文纪念一下逝去的岁月。就让过去的经历在心中沉淀着，等到发酵的时间到了才给自己一个机会来回顾那些时光吧。

从计算机视觉角度来看，目前有 emotion recognition 和 affective computing 两个比较流行的研究方向，但这两个方向具体有什么差异笔者也不知道，从各位学者的研究方向总结起来看，表述自己的研究兴趣为 affective computing会更多一些。翻译成中文时，我们应该.]]></description><category></category></item><item><title><![CDATA[matlab编程实践中查找了半天的编程小技巧合集]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/102846349</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/102846349</guid><author>Cratial</author><pubDate>Thu, 31 Oct 2019 21:59:03 +0800</pubDate><description><![CDATA[关于本博文的说明：本博文主要总结笔者在运用matlab进行编程过程中遇到的语法使用问题及解决方案，记录将采用问答的形式慢慢展开，本博文将根据实际情况不定期更新.

本文所述小技巧，主要来自笔者在运用matlab进行大量数据预处理时所遇问题，及对应的解决方案，可能比较冷门，不会常用。

1. 元胞数组赋值

问：如何构建一个元胞数组（假如特别大），然后对其进行连续赋值呢？


data = cel...]]></description><category></category></item><item><title><![CDATA[滤波器简介：FIR与IIR]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/96423786</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/96423786</guid><author>Cratial</author><pubDate>Fri, 19 Jul 2019 16:24:15 +0800</pubDate><description><![CDATA[关于本博文的说明：本博文为翻译文章，主要分享数字滤波器相关知识，包括有限脉冲响应数字滤波器(finiteimpulseresponse, FIR)和无限脉冲响应数字滤波器(infiniteimpulseresponse,IIR). 原文为‘Introduction to Filters: FIR versus IIR’，由Siemens Phenom发布，原文链接为https://com...]]></description><category></category></item><item><title><![CDATA[论文解读---基于双半脑领域对抗神经网络的脑电情绪识别]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/93087965</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/93087965</guid><author>Cratial</author><pubDate>Thu, 20 Jun 2019 22:15:30 +0800</pubDate><description><![CDATA[论文地址：A Bi-hemisphere Domain Adversarial Neural Network Model for EEG Emotion Recognition

本文工作是对前期研究（A Novel Neural Network Model based on Cerebral Hemispheric Asymmetry for EEG Emotion Recognition | ...]]></description><category></category></item><item><title><![CDATA[论文解读---基于脑连接与空间信息运用卷积神经网络实现的脑电情绪识别]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/91558381</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/91558381</guid><author>Cratial</author><pubDate>Wed, 12 Jun 2019 16:44:59 +0800</pubDate><description><![CDATA[论文地址：Convolutional Neural Network Approach for EEG-Based Emotion Recognition Using Brain Connectivity and Its Spatial Information

本文提出了一种基于卷积神经网络（CNNs）的深度学习方法，用于基于脑电图（EEG）的情绪识别研究。特别地，本文在深度学习模型中引入了大脑连...]]></description><category></category></item><item><title><![CDATA[论文解读---一种基于半脑不对称性的脑电情绪识别神经网络模型]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/91492420</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/91492420</guid><author>Cratial</author><pubDate>Wed, 12 Jun 2019 12:20:05 +0800</pubDate><description><![CDATA[论文地址：A Novel Neural Network Model based on Cerebral Hemispheric Asymmetry for EEG Emotion Recognition

本文解读的是一篇发表于IJCAI-18的论文，文章提出了一种新的深度神经网络模型-BiDANN模型，该模型考虑了训练和测试数据之间的分布差异和大脑左右半脑的不对称性，以处理两种常见的脑电情绪识别...]]></description><category></category></item><item><title><![CDATA[多尺度熵---Understanding Multiscale Entropy]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/88918132</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/88918132</guid><author>Cratial</author><pubDate>Sat, 30 Mar 2019 20:35:51 +0800</pubDate><description><![CDATA[关于本博客的说明：本文为翻译文章，原文为 ‘Understanding Multiscale Entropy’ 由Narayan P Subramaniyam 发布在SAPIEN LABS，原文链接为https://sapienlabs.co/understanding-multiscale-entropy/

一、引言

多尺度熵（Multiscale entropy, MSE）将样本熵扩展到多...]]></description><category></category></item><item><title><![CDATA[瞎折腾系列之服务器同时连接有线网和无线网]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/88763918</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/88763918</guid><author>Cratial</author><pubDate>Sat, 23 Mar 2019 19:52:38 +0800</pubDate><description><![CDATA[关于本博客的说明：本文主要分享如何在Ubuntu系统上同时使用有线网（内网）和无线网（外网）.

一、在Ubuntu系统上实现有线访问内网 and 无线访问外网

解决方法一

解决方法二

二、实现通过无线网访问服务器（没能实现）

三、在Windows系统上实现有线访问内网 and 无线访问外网

问题引导：为实现通过VNC远程（不在有线局域网内）访问服务器，特进行以下折腾工作.

一、在Ub...]]></description><category></category></item><item><title><![CDATA[服务器加装硬盘]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/87866602</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/87866602</guid><author>Cratial</author><pubDate>Thu, 21 Feb 2019 19:16:13 +0800</pubDate><description><![CDATA[关于本博客的说明：本文主要分享如何为服务器加装机械硬盘。

目录

1. 确认原硬盘节点

2. 加装物理硬盘，并再次查看硬盘信息

3. 创建分区

4、创建新的挂载点

5、手动挂载分区

6、添加访问权限

7、设置为开机自动挂载分区

具体加装过程：

1. 确认原硬盘节点

sudo fdisk -l



即原硬盘标识为sda

2. 加装物理硬盘，并再次查看硬盘信息



新加硬盘显...]]></description><category></category></item><item><title><![CDATA[多核学习工具箱Shogun的手动编译过程]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/84261272</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/84261272</guid><author>Cratial</author><pubDate>Mon, 19 Nov 2018 22:39:05 +0800</pubDate><description><![CDATA[多核学习工具箱Shogun的手动编译过程

目录

多核学习工具箱Shogun的手动编写过程

一、写在前面的话

二、正式开始吧

三、可能有用的附录

四、写在最后的话

A.可能的更新1

B.可能的更新2

一、写在前面的话

任务出发点：

因为在近期的学习过程中需要用到特征融合策略，经过研究发现多核学习可以适应不同来源数据的异构分布，可以通过采用不同的核函数或同一核函数不同参数设置的方...]]></description><category></category></item><item><title><![CDATA[Nvidia GeForce GPU在MATLAB中的加速实现过程]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/80692829</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/80692829</guid><author>Cratial</author><pubDate>Wed, 20 Jun 2018 09:42:29 +0800</pubDate><description><![CDATA[NVIDIA]]></description><category></category></item><item><title><![CDATA[傅里叶变换理论相关知识与maltab实现]]></title><link>https://blog.youkuaiyun.com/Cratial/article/details/80224007</link><guid>https://blog.youkuaiyun.com/Cratial/article/details/80224007</guid><author>Cratial</author><pubDate>Mon, 07 May 2018 21:33:38 +0800</pubDate><description><![CDATA[关于本博客的说明： 本次博客主要分享快速傅里叶变换的理论相关知识及matlab提供的相关计算函数. 傅里叶变换（Fourier Transform, FT）在信号处理、物理、通信、地质学、天文学、光学等很多领域都有应用，它将一个函数或是一组数据从时域变换到频域，即傅里叶变换可以展示时间序列的频率分布情况。离散傅里叶变换（Discrete Fourier Transform, DFT）对离散信号进行...]]></description><category></category></item></channel></rss>