<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Ewing_yy的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Ewing_yy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Ewing_yy]]></copyright><item><title><![CDATA[JAVA学习笔记—从入门到放弃02——装箱拆箱]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109239606</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109239606</guid><author>Ewing_yy</author><pubDate>Fri, 23 Oct 2020 11:46:50 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
  关于技术、关注yysilence00。有问题或建议，请公众号留言

1 什么是装箱？什么又是拆箱？ 
　　在前面的文章中提到，Java为每种基本数据类型都提供了对应的包装器类型，至于为什么会为每种基本数据类型提供包装器类型在此不进行阐述，有兴趣的朋友可以查阅相关资料。在Java SE5之前，如果要生成一个数值为10的Integer对象，必须这样进行：
Integer&nbsp;i&nbsp;=&nbsp;new&nbsp;Integer(10);
...]]></description><category></category></item><item><title><![CDATA[JAVA学习笔记—从入门到放弃01——switch_case]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109218751</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109218751</guid><author>Ewing_yy</author><pubDate>Thu, 22 Oct 2020 11:35:44 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
关于技术、关注yysilence00。有问题或建议，请公众号留言

JAVA学习笔记—从入门到放弃01——switch_case


除了if语句外，还有一种条件判断，是根据某个表达式的结果，分别去执行不同的分支。


例如，在游戏中，让用户选择选项：


单人模式


多人模式


退出游戏
这时，switch语句就派上用场了。


switch语句根据switch (表达式)计算的结果，跳转到匹配的case结果，然后继续执行后续语句，直到遇到break.]]></description><category></category></item><item><title><![CDATA[算法笔记——iou04]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216323</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216323</guid><author>Ewing_yy</author><pubDate>Thu, 22 Oct 2020 10:14:06 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。

1.IoU(区域交并比值)

  
  计算IoU的公式如下图，可以看到IoU是一个比值，即交并比。
  在分子中，我们计算预测框和ground-truth之间的重叠区域；
  分母是并集区域，或者更简单地说，是预测框和ground-truth所包含的总区域。
  重叠区域和并集区域的比值，就是IoU。
  

1.1：使用IoU来评估目标检测器 
在回归问题中，我们预测的bounding box的坐...]]></description><category></category></item><item><title><![CDATA[算法笔记——快速排序03]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216226</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216226</guid><author>Ewing_yy</author><pubDate>Thu, 22 Oct 2020 10:11:10 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
关于技术、关注yysilence00。有问题或建议，请公众号留言

1.快速排序
步骤为：

step1:
从数列中挑出一个元素(假设第一个)，称为"基准"（pivot），
step2:
重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个分区结束之后，该基准就处于数列的中间位置。这个称为分区（partition）操作。
step3:
递归地（recursive）把小于基准值元素的子数列和大于.]]></description><category></category></item><item><title><![CDATA[算法笔记——归并排序02]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216203</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109216203</guid><author>Ewing_yy</author><pubDate>Thu, 22 Oct 2020 10:09:05 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
  关于技术、关注yysilence00。有问题或建议，请公众号留言

1.归并排序
步骤为：
归并排序是采用分治法的一个非常典型的应用。归并排序的思想就是先递归分解数组，再合并数组。将数组分解最小之后，然后合并两个有序数组，基本思路是比较两个数组的最前面的数，谁小就先取谁，取了后相应的指针就往后移一位。然后再比较，直至一个数组为空，最后把另一个数组的剩余部分复制过来即可。
#!/usr/bin/env&nbsp;python3.6.5#&nbsp;-...]]></description><category></category></item><item><title><![CDATA[算法笔记——二叉树的遍历01]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/109215554</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/109215554</guid><author>Ewing_yy</author><pubDate>Thu, 22 Oct 2020 09:49:07 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
  有问题或建议，请公众号留言

下面主要讲二叉树

  
  整理知识，学习笔记
  发布日记，杂文，所见所想
  

1. 二叉树的遍历
1.1 广度优先遍历 breadth_travel
1.2 深度优先遍历 先序遍历，中序遍历，后序遍历三种
1.3 已知先序中序求后序

  
  广度优先遍历,深度优先一般用递归，广度优先一般用队列。一般情况下能用递归实现的算法大部分也能用堆栈来实现。
  广度优先遍历,从树的root开始，从上到下从从左到右遍...]]></description><category></category></item><item><title><![CDATA[opencv_python从zero到hero————之图像基本操作01]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106908661</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106908661</guid><author>Ewing_yy</author><pubDate>Mon, 22 Jun 2020 19:50:22 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。


主题：opencv_python从zero到hero————之图像基本操作01 
1、版本：opencv3.4.1 numpy 
图像基本操作
环境配置地址：

Anaconda:https://www.anaconda.com/download/
Python_whl:https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv
pycharm:按照自己的喜...]]></description><category></category></item><item><title><![CDATA[leetcode入门到头条offer]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106868981</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106868981</guid><author>Ewing_yy</author><pubDate>Sat, 20 Jun 2020 10:38:29 +0800</pubDate><description><![CDATA[算法模板
来刷题了
算法模板，最科学的刷题方式，最快速的刷题路径，一个月从入门到 offer，你值得拥有 ????~
算法模板顾名思义就是刷题的套路模板，掌握了刷题模板之后，刷题也变得好玩起来了~

  此项目是找工作时，从 0 开始刷 LeetCode 的心得记录，通过各种刷题文章、专栏、视频等总结了一套刷题模板。
  这个模板主要是介绍了一些通用的刷题模板，以及一些常见问题，如到底要刷多少题，按什么顺序来刷题，如何提高刷题效率等。
  在线文档

在线文档 Gitbook：算法模板 ????
核心内容
]]></description><category></category></item><item><title><![CDATA[Single shot object detection SSD using MobileNet and OpenCV]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106769150</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106769150</guid><author>Ewing_yy</author><pubDate>Mon, 15 Jun 2020 18:50:19 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。


主题：Single shot object detection SSD using MobileNet and OpenCV 
①版本：opencv3.4.1 numpy imutils 
②模型参数将其放置在model_data /中 
③项目结构： 

1、引言 
在本节中，我们将使用深度学习，MobileNet和OpenCV对单发目标检测（SSD）进行实用概述。对象检测是计算机视觉领域最热门的...]]></description><category></category></item><item><title><![CDATA[使用YOLOv2和MobileNet_SSD检测算法与KCF对象跟踪器进行视频流的实时对象跟踪和检测]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106733703</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106733703</guid><author>Ewing_yy</author><pubDate>Sat, 13 Jun 2020 16:05:23 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。


主题：使用YOLOv2和MobileNet_SSD检测算法与KCF对象跟踪器进行视频流的实时对象跟踪和检测 
1、版本：opencv3.4.1 numpy imutils 
2、载权重并将其放置在model_data /中 
3、项目结构： 


media:存放视频文件
misc:存放结构文件动图
model_data:存放模型文件，这里使用coco和mobilenet数据集进行训练和测试，利用c...]]></description><category></category></item><item><title><![CDATA[LeNet5卷积神经网络paper学习笔记]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106692153</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106692153</guid><author>Ewing_yy</author><pubDate>Thu, 11 Jun 2020 16:46:50 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。


主题：LeNet5卷积神经网络paper学习笔记 
详情请点击 LeNet-5
一、介绍 
LeNet5诞生于1994年，是最早的卷积神经网络之一，推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次迭代后，这项由Yann LeCun大神完成的开拓性成果,被命名为LeNet5。
介绍之前让我们先来熟悉一下卷积层和池化层
LeNet-5中主要有2个卷积层、2个下抽样层（池化层）、3个全连...]]></description><category></category></item><item><title><![CDATA[python之numpy学习笔记01]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662147</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662147</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:33:53 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
关于技术、关注yysilence00。有问题或建议，请公众号留言




整理知识，学习笔记
发布日记，杂文，所见所想


一：numpy介绍
NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算
#引进numpy库
import numpy
这样你就可以用 numpy 里面所有的内置方法 (build.]]></description><category></category></item><item><title><![CDATA[加速下载文件神器PDown下载器]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662112</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662112</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:32:26 +0800</pubDate><description><![CDATA[声明：以下是个人在gitgub逛的时候看到的开源项目 项目属于原作者本人 侵权请联系删除

PDown下载器

PDown是作者github个人项目，开始是作为毕业设计立项，为了方便宿舍下载试验资料。 现在分享出来希望可以帮助到更多的人

项目地址：https://github.com/pdown2020/pdown
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NFvGBr0t-1591759890072)(https://note.youdao.com/yws/api/p]]></description><category></category></item><item><title><![CDATA[CUDA 并行计算 机器学习 NVCC CUDNN CUDATOOLKIT CUDA DRIVER 显卡驱动(NVIDIA Driver) 显卡(GPU)]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662073</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662073</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:30:57 +0800</pubDate><description><![CDATA[微信公众号： 点击蓝色字体小白图像与视觉进行关注
关于技术、关注yysilence00。有问题或建议，请公众号留言



整理知识，学习笔记
发布日记，杂文，所见所想


CUDA 并行计算 机器学习 NVCC CUDNN CUDATOOLKIT CUDA DRIVER 显卡驱动(NVIDIA Driver) 显卡(GPU)
在使用深度学习框架的过程中一定会经常碰到这些东西，虽然anaconda有时会帮助我们自动地解决这些设置，但是有些特殊的库却还是需要我们手动配置环境，但是我对标题上的这些名词其实并不十.]]></description><category></category></item><item><title><![CDATA[python读写JSON(JavaScript Object Notation)编码格式的数据]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662020</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106662020</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:29:30 +0800</pubDate><description><![CDATA[JSON(JavaScript Object Notation)编码格式的数据。


1、变量解码、编码为Json格式


2、文件读出、导入json格式


使用json时需要注意的地方：python中字典的key在经过json转化后都变成了string类型
1、变量解码、编码为Json格式
dumps函数
json.dumps(obj, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, in]]></description><category></category></item><item><title><![CDATA[一问解读OpenCV的计算机视觉中视频处理]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106661929</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106661929</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:26:51 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
关于技术、关注yysilence00。有问题或建议，请公众号留言。

了解OpenCV的计算机视觉
OpenCV Python教程
在本OpenCV Python教程中，我们将介绍在Python中使用OpenCV进行计算机视觉的各个方面。长期以来，OpenCV一直是软件开发中至关重要的部分。
什么是计算机视觉？
为了简化答案，让我们考虑一个场景。
假设您和您的朋友去度假，您将一堆图片上传到了Facebook。但是现在要花些时间才能找到朋友的脸并在每张照片中标记它们。实际上，Fa.]]></description><category></category></item><item><title><![CDATA[详解卷积神经网络CNN学习笔记]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106661524</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106661524</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 11:12:24 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
关于技术、关注yysilence00。有问题或建议，请公众号留言。



主题：详解卷积神经网络CNN学习笔记


平台:使用谷歌深度学习平台Colab


版本：tensorflow-gpu = 1.15

#TensorFlow versions in Colab
##Background
Colab has two versions of TensorFlow pre-installed: a 2.x version and a 1.x version. Colab us.]]></description><category></category></item><item><title><![CDATA[从全连接网络一步步推导卷积神经网络]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/106660963</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/106660963</guid><author>Ewing_yy</author><pubDate>Wed, 10 Jun 2020 10:55:06 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
  关于技术、关注yysilence00。有问题或建议，请公众号留言。


主题：从全连接网络一步步推导卷积神经网络
摘要：在图像分析中，卷积神经网络（简称CNN或ConvNet）比完全连接（FC）网络具有更高的时间和内存效率。但为什么？与ConvNets相比，FC网络在图像分析方面有哪些优势？ConvNet如何从FC网络派生？CNN中的卷积一词来自哪里？这些问题将在本文中得到解答。
1.简介
图像分析面临许多挑战，例如分类，对象检测，识别，描述等。例如，如果要创建图像分类...]]></description><category></category></item><item><title><![CDATA[百度深度学习框架paddlepaddle实战六——人流密度检测比赛]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/105399136</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/105399136</guid><author>Ewing_yy</author><pubDate>Wed, 08 Apr 2020 22:33:14 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
关于技术、关注yysilence00。有问题或建议，请公众号留言。

一、数据准备
'''
解压数据集
'''
#!unzip -q -o data/data1917/train_new.zip
#!unzip -q -o data/data1917/test_new.zip

'\n解压数据集\n'

'''
加载相关类库
'''
import zipfile
im...]]></description><category></category></item><item><title><![CDATA[百度深度学习框架paddlepaddle实战五——模型压缩]]></title><link>https://blog.youkuaiyun.com/Ewing_yy/article/details/105399113</link><guid>https://blog.youkuaiyun.com/Ewing_yy/article/details/105399113</guid><author>Ewing_yy</author><pubDate>Wed, 08 Apr 2020 22:31:26 +0800</pubDate><description><![CDATA[微信公众号：小白图像与视觉
关于技术、关注yysilence00。有问题或建议，请公众号留言。

说明
本次作业为二种类型，分别是选择题和实践题。其中选择题是不定项选择。实践题需要在提示的地方填上代码，跑通项目。
资料
做作业时可以参考以下资料。
PaddleSlim代码地址： https://github.com/PaddlePaddle/PaddleSlim
文档地址：https://pad...]]></description><category></category></item></channel></rss>