<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Thewindking的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Thewindking</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Thewindking]]></copyright><item><title><![CDATA[牛客OJ输入]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/132631772</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/132631772</guid><author>Thewindking</author><pubDate>Fri, 01 Sep 2023 22:38:26 +0800</pubDate><description><![CDATA[例如31 2 3 52 3 52 43 8 5 9或者31,9,3,75,2,61,6。]]></description><category></category></item><item><title><![CDATA[上传本地项目到github]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/128960363</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/128960363</guid><author>Thewindking</author><pubDate>Thu, 09 Feb 2023 22:14:50 +0800</pubDate><description><![CDATA[git上传项目到github的使用记录]]></description><category></category></item><item><title><![CDATA[【Occlusion-Aware Networks for 3D Human Pose Estimation in Video】论文翻译]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/126616447</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/126616447</guid><author>Thewindking</author><pubDate>Fri, 02 Sep 2022 21:42:34 +0800</pubDate><description><![CDATA[论文翻译]]></description><category></category></item><item><title><![CDATA[Go Moudle笔记]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/125415338</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/125415338</guid><author>Thewindking</author><pubDate>Wed, 22 Jun 2022 21:49:23 +0800</pubDate><description><![CDATA[go moudle使用笔记]]></description><category></category></item><item><title><![CDATA[论文笔记--Cross View Fusion for 3D Human Pose Estimation（用于三维人类姿势估计的跨视图融合）]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/124498959</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/124498959</guid><author>Thewindking</author><pubDate>Wed, 11 May 2022 17:04:46 +0800</pubDate><description><![CDATA[Cross View Fusion for 3D Human Pose Estimation（用于三维人类姿势估计的跨视图融合]]></description><category></category></item><item><title><![CDATA[论文笔记--3D human pose estimation in video with temporal convolutions and semi-supervised training]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/124099023</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/124099023</guid><author>Thewindking</author><pubDate>Fri, 29 Apr 2022 16:53:00 +0800</pubDate><description><![CDATA[  在这项工作中，展示了视频中的3D姿态可以被基于2D关节点的空洞时域的全卷积模型有效的预测，同时引进了反向映射back-projection, 一种可以利用为标记的视频数据的简单而有效的半监督训练方法。]]></description><category></category></item><item><title><![CDATA[论文笔记--Self-Supervised Learning of 3D Human Pose using Multi-view Geometry（利用多视角几何学对三维人类姿势进行自我监督学习）]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/124454733</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/124454733</guid><author>Thewindking</author><pubDate>Wed, 27 Apr 2022 22:16:56 +0800</pubDate><description><![CDATA[训练准确的三维人体姿态估计器需要大量的三维真实数据，而这些数据的收集成本很高。由于缺乏3D数据，各种弱监督或自监督的姿势估计方法已经被提出。然而，这些方法，除了二维真实姿势外，还需要各种形式的额外监督（例如，未配对的三维真实数据，一个小的标签子集）或多视图设置中的相机参数。为了解决这些问题，我们提出了EpipolarPose，一种用于三维人体姿势估计的自我监督学习方法，它不需要任何三维地面真实数据或相机外因。在训练过程中，EpipolarPose从多视角图像中估计出二维姿势，然后，利用epipolar几何学]]></description><category></category></item><item><title><![CDATA[论文笔记--Robust 3D Hand Pose Estimation in Single Depth Images: from Single-View CNN to Multi-View CNNs]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/124189880</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/124189880</guid><author>Thewindking</author><pubDate>Sun, 24 Apr 2022 10:27:06 +0800</pubDate><description><![CDATA[单一深度图像中的鲁棒性三维手部姿势估计：从单视图CNN到多视图CNN]]></description><category></category></item><item><title><![CDATA[论文笔记--(HRNet)用于人类姿势估计的深度高分辨率表征学习(Deep High-Resolution Representation Learning for Human Pose Estima)]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/124024218</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/124024218</guid><author>Thewindking</author><pubDate>Sun, 10 Apr 2022 21:34:21 +0800</pubDate><description><![CDATA[因为大多数现有的姿势估计学习常用的方法是提取图象的低分辨率特征，然后从低分辨率恢复高分辨率进行预测。但是在恢复高分辨率表征时，会丢失信息。HRNet提出一种网络使其在整个过程中保持高分辨率的表征。
  HRNet网络从一个高分辨率子网络开始，逐渐增加高到低的子网络以形成更多的阶段，并平行连接多分辨率的子网络。每个高-低分辨率的表征都能反复接收其他平行表征的信息，从而形成丰富的高分辨率表征（）通过反复融合由高到低的子网络产生的表征，产生可靠的高分辨率表征）]]></description><category></category></item><item><title><![CDATA[论文笔记--DeepFly3D，一种基于深度学习的方法，用于拴住的成年果蝇的3D肢体和附属物追踪]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123898393</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123898393</guid><author>Thewindking</author><pubDate>Sun, 10 Apr 2022 21:25:45 +0800</pubDate><description><![CDATA[没有外部校准模式的校准
  从多个图像中估计3D姿势需要校准相机，以达到与目标尺寸相称的精度水平–在测量像果蝇这样小的动物的腿部运动时，这是一个困难的挑战。因此，DeepFly3D没有使用典型的外部校准网格，而是使用苍蝇本身作为校准目标。它检测苍蝇身体上的任意点，并依靠捆绑调整（Chavdarova等人，2018）来同时为这些点分配三维位置，并估计每个摄像头的位置和方向。为了提高鲁棒性，它执行了适用于系留苍蝇的肢体长度和运动范围的几何约束。]]></description><category></category></item><item><title><![CDATA[论文笔记--用于人体姿势估计的深度双连续网络（Deep Dual Consecutive Network for Human Pose Estimation）]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123993364</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123993364</guid><author>Thewindking</author><pubDate>Wed, 06 Apr 2022 21:25:43 +0800</pubDate><description><![CDATA[用于人体姿势估计的深度双连续网络（Deep Dual Consecutive Network for Human Pose Estimation）]]></description><category></category></item><item><title><![CDATA[论文笔记--Optical Mouse: 3D Mouse Pose From Single-View Video_从单视角视频看x小鼠3D姿态]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123983428</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123983428</guid><author>Thewindking</author><pubDate>Wed, 06 Apr 2022 11:16:15 +0800</pubDate><description><![CDATA[论文摘要笔记]]></description><category></category></item><item><title><![CDATA[深度学习pytorch框架--Unet医疗影像分割]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123878193</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123878193</guid><author>Thewindking</author><pubDate>Fri, 01 Apr 2022 10:15:13 +0800</pubDate><description><![CDATA[基于Unet的医疗影像分割]]></description><category></category></item><item><title><![CDATA[论文解读笔记：基于深度学习的行为分析综述]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123831868</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123831868</guid><author>Thewindking</author><pubDate>Wed, 30 Mar 2022 15:42:34 +0800</pubDate><description><![CDATA[大行为：深度行为分析新时代的挑战和机遇

]]></description><category></category></item><item><title><![CDATA[机器学习算法-朴素贝叶斯分类]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123630533</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123630533</guid><author>Thewindking</author><pubDate>Thu, 24 Mar 2022 11:13:38 +0800</pubDate><description><![CDATA[本片记录了我学习机器学习朴素贝叶斯分类以及拉普拉斯优化的知识，并且实现了简单的垃圾邮件分类以及恶意评论的判别。]]></description><category></category></item><item><title><![CDATA[没有.vbs的脚本引擎的解决办法]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123637229</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123637229</guid><author>Thewindking</author><pubDate>Mon, 21 Mar 2022 15:55:06 +0800</pubDate><description><![CDATA[没有扩展名.vbs的脚本引擎的解决办法
激活windows，但是windows PowerShell(管理员)运行slmgr.vbs /upk删除秘钥时报错，运行wscript.exe slmgr.exe报错“没有扩展名.vbs的脚本引擎”（图一），而且默认.vbs文件是用记事本运行。猜测是.vbs文件关联程序出错（图二），.vbs文件应该与C:\Windows\System32\wscript.exe关联运行，但是手动将slmgr.vbs与wscript.exe关联也会报错（图三）
最后发现问题应该是VB]]></description><category></category></item><item><title><![CDATA[机器学习算法--Logistic回归]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123613230</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123613230</guid><author>Thewindking</author><pubDate>Sun, 20 Mar 2022 20:06:05 +0800</pubDate><description><![CDATA[机器学习ogistic回归笔记]]></description><category></category></item><item><title><![CDATA[机器学习算法--K近邻（KNN）]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123463366</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123463366</guid><author>Thewindking</author><pubDate>Sun, 13 Mar 2022 23:18:41 +0800</pubDate><description><![CDATA[K近邻（KNN）算法
1、K-近邻算法
k近邻算法是一种基本分类和回归方法。当对数据的分布只有很少或者没有任何先验知识时，K 近邻算法是一个不错的选择。K近邻算法有三要素：k 值的选择、距离度量和分类决策规则
K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。（这就类似于现实生活中少数服从多数的思想）          	如上图所示，有两类不同的样本数据，分别用蓝色的小正方形和红色的小三角形表示，而图正中]]></description><category></category></item><item><title><![CDATA[机器学习算法--线性回归]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123462387</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123462387</guid><author>Thewindking</author><pubDate>Sun, 13 Mar 2022 17:10:01 +0800</pubDate><description><![CDATA[线性回归线性回归解决问题基本形式线性回归目的模型计算梯度下降法求最优解代码演示--波士顿房价预估(python)

线性回归算法学习记录，方便后期复习

线性回归解决问题
对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估等。
基本形式
给定由d个属性描述的示例X=(x1;x2;…;xd)，其中xi是X在第i个属性上的取值]]></description><category></category></item><item><title><![CDATA[深度学习pytorch框架--卷积神经网络]]></title><link>https://blog.youkuaiyun.com/Thewindking/article/details/123057733</link><guid>https://blog.youkuaiyun.com/Thewindking/article/details/123057733</guid><author>Thewindking</author><pubDate>Tue, 22 Feb 2022 21:26:31 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）CNN解决了什么问题人类的视觉原理卷积神经网络-CNN 的基本原理卷积--局部特征提取池化层（下采样）——数据降维，避免过拟合全连接层——输出结果

该博客仅用于记录学习过程，避免忘记方便以后复习

卷积神经网络最擅长的就是进行图像处理问题，它受到人类视觉神经系统的启发。
CNN具有两大特点：
1、能够有效的将大数据量的图片降维成小数据量
2、能够有效的保留图片特征，符合图片处理的原则
目前 CNN 已经得到了广泛的应用，比如：人脸识别、自动驾驶、美图秀秀、安防等很多领域。
CNN解决]]></description><category></category></item></channel></rss>