<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[deepsprings的博客]]></title><description><![CDATA[记录成性]]></description><link>https://blog.youkuaiyun.com/deepsprings</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; deepsprings]]></copyright><item><title><![CDATA[二维码(QR code)原理解析]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/128607199</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/128607199</guid><author>deepsprings</author><pubDate>Sun, 08 Jan 2023 23:11:12 +0800</pubDate><description><![CDATA[QR code 快速响应矩阵码原理详解]]></description><category></category></item><item><title><![CDATA[【Django】一、 模型(Models)之初识]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/128266655</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/128266655</guid><author>deepsprings</author><pubDate>Sat, 10 Dec 2022 16:49:47 +0800</pubDate><description><![CDATA[Django 通过建立一个数据库映射，来用一套代码管理所有类型数据库操作。应用时，只需配置数据库信息，然后用一套代码对其进行管理即可。]]></description><category></category></item><item><title><![CDATA[【YOLO系列】YOLO.v4 & YOLO.v5算法原理详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/126347319</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/126347319</guid><author>deepsprings</author><pubDate>Mon, 15 Aug 2022 15:15:41 +0800</pubDate><description><![CDATA[详细介绍了yolo系列目标检测算法的原理和发展过程。]]></description><category></category></item><item><title><![CDATA[【YOLO系列】YOLO.v3算法原理详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/126289025</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/126289025</guid><author>deepsprings</author><pubDate>Thu, 11 Aug 2022 17:00:05 +0800</pubDate><description><![CDATA[详细介绍了yolo系列目标检测算法的原理和发展过程。]]></description><category></category></item><item><title><![CDATA[【YOLO系列】YOLO.v2算法原理详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/126251627</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/126251627</guid><author>deepsprings</author><pubDate>Tue, 09 Aug 2022 17:13:04 +0800</pubDate><description><![CDATA[详细介绍了yolo系列目标检测算法的原理和发展过程。]]></description><category></category></item><item><title><![CDATA[【YOLO系列】YOLO.v1算法原理详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/126232331</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/126232331</guid><author>deepsprings</author><pubDate>Mon, 08 Aug 2022 17:39:53 +0800</pubDate><description><![CDATA[详细介绍了yolo系列目标检测算法的原理和发展过程。]]></description><category></category></item><item><title><![CDATA[【目标检测】相关指标的引入与解析]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/124427273</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/124427273</guid><author>deepsprings</author><pubDate>Tue, 26 Apr 2022 14:56:31 +0800</pubDate><description><![CDATA[目标检测之相关指标介绍

前言： 该篇为【目标检测】系列博文的开篇，也作为自己目标检测入门学习的总结和督促。内容主要是定性地介绍一些目标检测中常见术语和相关指标。
其中，术语和指标包括但不限于：标准框(Ground-truth bounding box)，混淆矩阵(Confusion Matrix)，交并比(Intersection over Union, IoU)，非极大值抑制(Non-Maximum Compression, NMS), 置信度，真阳性(True Positive, TP)，假阳性(Fa]]></description><category></category></item><item><title><![CDATA[二维卷积定理的验证（下，cv2.filter2D()）]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/121651849</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/121651849</guid><author>deepsprings</author><pubDate>Wed, 01 Dec 2021 11:36:12 +0800</pubDate><description><![CDATA[二维卷积定理的验证（下，cv2.filter2D()）

前言 : 内容承接了二维卷积定理的验证（上）。主要解决该博文中最后提到的问题，也即cv2.filter2D()如何应用傅里叶变换来替代进行图像的卷积计算。

文章目录二维卷积定理的验证（下，cv2.filter2D()）0. 基本问题1. 思路与流程2. 代码实践3. 结论与分析
0. 基本问题
二维卷积定理表达式如下
f(x,y)∗g(x,y)=F−1[F(f(x,y))⋅F(g(x,y))]
f(x,y)*g(x,y) = F^{-1}[F(f(]]></description><category></category></item><item><title><![CDATA[二维卷积定理的验证（上）]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/121651556</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/121651556</guid><author>deepsprings</author><pubDate>Wed, 01 Dec 2021 11:31:19 +0800</pubDate><description><![CDATA[二维卷积定理的验证（上）
文章目录二维卷积定理的验证（上）0. 写在前面1. 二维卷积定理2. 名词说明2.1 卷积2.2 傅里叶变换与反变换3. 验证实现3.1 使用 ”full“ 卷积3.2 使用“same”卷积4. 结论
0. 写在前面
在进行图像处理时，我们经常会用到卷积计算，但是当卷积核较大时，卷积计算将相当耗时。
事实上，可以通过卷积定理，来使用傅里叶变换手段实现卷积计算。也即是卷积定理。
即本文要探讨和验证的内容。
1. 二维卷积定理
卷积定理是傅里叶变换满足的一个重要性质。函数卷积的傅里叶变]]></description><category></category></item><item><title><![CDATA[【烘焙】肉松蛋糕卷]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/119847809</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/119847809</guid><author>deepsprings</author><pubDate>Sun, 22 Aug 2021 01:43:06 +0800</pubDate><description><![CDATA[肉松蛋糕卷
难易程度： ⭐️⭐️
制作耗时：1 h
适用人数：2-3 人
准备材料
工具
28方盘、硅油纸、擀面杖、手动打蛋器、电动打蛋器、电子秤、刮刀、刮板
食材




材料
用量
备注




低筋面粉
42 g



牛奶
40 g



细砂糖
40 g



玉米油
40 g



鸡蛋
4 个



柠檬汁
2 g



肉松、葱花、沙拉酱
适量



操作步骤


将蛋清、蛋黄分离，搅拌蛋黄，使其混合，将蛋清放入冰箱冷藏保存

蛋清冷藏可使打发更加稳定；



将玉米油、牛奶倒入打蛋盆，混合]]></description><category></category></item><item><title><![CDATA[Tensorflow 2.0 使用流程详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/119682287</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/119682287</guid><author>deepsprings</author><pubDate>Fri, 13 Aug 2021 19:06:13 +0800</pubDate><description><![CDATA[Tensorflow 2.0 使用流程详解

前言 ：明确神经网络搭建流程，列举了过程中所有实现方法。
絮叨几句：
自己最初就是想借 tensorflow 架构一个简单网络，但看了网上诸多教程，依旧对 tensorflow 如何去实现感到糊涂，官方文档教程和指南也感觉逻辑搞得相当混乱和复杂，各种方法混用，看了反而更莫名其妙，获取到的知识碎片化严重，还记不牢。
更有些教程知识点反而集中到了感知机、线性回归、各类神经网络上。我只是想搞清架构网络的方法而已，比如怎么架构，最重要的有几种实现方法，毕竟tensorf]]></description><category></category></item><item><title><![CDATA[Radon 变换原理和应用]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/119321544</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/119321544</guid><author>deepsprings</author><pubDate>Mon, 02 Aug 2021 11:25:11 +0800</pubDate><description><![CDATA[Radon 变换原理和应用

前言： 承接 Hough 变换，从简单的直线检测说起，推广到 Radon 变换。介绍了 Radon 变换的基本原理和应用。主要是Hough直线检测的拓展，深度较浅。
上启自：详解 Hough 变换

文章目录Radon 变换原理和应用1. 从直线检测说起1.1 基本问题1.2 另辟蹊径1.3 编程实现2. Radon 变换2.1 回顾2.2 Radon 变换2.3 Radon 逆变换3. 应用
1. 从直线检测说起
1.1 基本问题
在 详解 Hough 变换 中，对直线检测折]]></description><category></category></item><item><title><![CDATA[详解 Hough 变换（下）圆形检测]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/119252192</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/119252192</guid><author>deepsprings</author><pubDate>Fri, 30 Jul 2021 17:14:06 +0800</pubDate><description><![CDATA[Hough 变换原理和应用

前言： 详细介绍了 Hough 变换的基本思想、基本原理和应用等。其中大多都是自己的理解，难免有偏差，仅供参考。
上接：Radon 变换

文章目录Hough 变换原理和应用3. Hough 圆形检测3.1 传统圆形检测3.1.1 问题3.1.2 思路3.1.3 编程3.1.4 结果3.1.5 说明3.2 进阶圆形检测（梯度法）3.2.1 思路3.2.2 编程3.2.3 结果说明3.2.4 写在后面3.3 openCV对应代码解读
3. Hough 圆形检测
3.1 传统圆形检]]></description><category></category></item><item><title><![CDATA[详解 Hough 变换（上）基本原理与直线检测]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/119190468</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/119190468</guid><author>deepsprings</author><pubDate>Wed, 28 Jul 2021 21:31:24 +0800</pubDate><description><![CDATA[Hough 变换原理和应用

前言： 详细介绍了 Hough 变换的基本思想、基本原理和应用等。其中大多都是自己的理解，难免有偏差，仅供参考。
下篇博文相关：Radon 变换

文章目录Hough 变换原理和应用1. 基本概述1.1 一些基本问题1.2 以例子说明1.2.1 例子1：直线 y=kx+by = kx + by=kx+b​​​​​​​ 到参数空间的变换（k，b为定值，如k=2，b=4）1.2.2 例子2：极坐标下的直线到参数空间的变换1.2.3 例子3：圆到参数空间的变换2. Hough 直线检]]></description><category></category></item><item><title><![CDATA[【从零设计 LaTex 模板】1. 一些基础知识]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/118875882</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/118875882</guid><author>deepsprings</author><pubDate>Sun, 18 Jul 2021 12:59:42 +0800</pubDate><description><![CDATA[用LaTex编写文档，在公司电脑配置好 LaTex 环境后，直接套用已有模板，老出现莫名其妙、难以理解的问题，一天时间都没解决。
气不过，遂，自给自足。
持续补充相关内容。

文章目录0. 写在前面1. 一些基本知识1.1 发展历程1.1.1 引擎1.1.2 格式1.1.3 打包版本1.1.3 发行版本1.2 编译过程
0. 写在前面
用 LaTeX 编写文档，在公司电脑配置好 LaTeX 环境后，直接套用已有模板，老出现莫名其妙、难以理解的问题，一天时间都没解决。
气不过，遂，自给自足。
空闲时间学习，.]]></description><category></category></item><item><title><![CDATA[【摄影】构图基础]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/112393779</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/112393779</guid><author>deepsprings</author><pubDate>Sat, 09 Jan 2021 16:41:33 +0800</pubDate><description><![CDATA[前言： 内容基于中国传媒大学郭艳民老师的摄影构图课

文章目录0 序言1 构图诸元素及其处理1.1 主体（主体突出）1.2 陪体（做陪衬的次要对象）1.3 前景1.4 背景（一般比前景更重要）1.5 空白（没有实体意义的事物）1.6 动感（尤其针对影视拍摄）2 拍摄角度2.1 拍摄方向2.2 拍摄高度2.3 拍摄距离3 线条与色彩3.1 线条3.1.1 线条心理3.1.2 线条运用3.2 形状3.2.1 形状意义3.2.2 形状应用3.3 其他3.3.1 微距摄影3.3.2 影调（黑白图片），色调（彩色图.]]></description><category></category></item><item><title><![CDATA[龙格库塔算法原理详解]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/109850766</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/109850766</guid><author>deepsprings</author><pubDate>Fri, 20 Nov 2020 15:28:39 +0800</pubDate><description><![CDATA[龙格库塔算法

前言: 本文从简单欧拉法讲起，详细探究了龙格库塔算法的原理。

文章目录龙格库塔算法0. 问题提出1. 欧拉法1.1 基本原理1.2 误差分析2. 龙格库塔算法2.1 基本原理2.2 精度问题
0. 问题提出
求解下面的一阶微分方程
{y′(x)=dydx=f(x,y)y(x0)=y0
\left\{\begin{aligned}
&amp;y'(x)=\frac{dy}{dx} = f(x,y) \\
&amp;y(x_0) = y_0
\end{aligned}
\right.
⎩⎨⎧​]]></description><category></category></item><item><title><![CDATA[机器学习常用算法总结（学习向）]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/108384809</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/108384809</guid><author>deepsprings</author><pubDate>Thu, 03 Sep 2020 15:47:46 +0800</pubDate><description><![CDATA[机器学习常用算法总结
文章目录机器学习常用算法总结1. 感知机模型2. k近邻算法3. 朴素贝叶斯4. 决策树5. 集成学习6. 逻辑斯蒂回归7. 最大熵模型8. 支持向量机9. 期望最大化算法10. 聚类11. 隐马尔可夫模型12. 条件随机场
1. 感知机模型
2. k近邻算法

kd 树的构造
kd 树的搜索

3. 朴素贝叶斯

极大似然估计
贝叶斯估计

4. 决策树

流程：特征选择、决策树生成、决策树剪枝
ID3 算法
C4.5 算法
CART 算法

5. 集成学习

AdaBoost 算法]]></description><category></category></item><item><title><![CDATA[常用算法总结（学习向）]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/108379259</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/108379259</guid><author>deepsprings</author><pubDate>Thu, 03 Sep 2020 11:28:53 +0800</pubDate><description><![CDATA[常用算法总结
文章目录常用算法总结迭代算法(Iteration)递归算法(Recursion)回溯算法(Backtrack)深度优先(Depth First Search, DFS)广度优先(Breadth First Search, BFS)动态规划(Dynamic Programming, DP)分治算法(二分法, Binary Algorithm)贪心算法(Greedy Algorithm)滑动窗口(Slipping Window)双指针(Double Pointer)位运算(Bit)自动机搜索/排序]]></description><category></category></item><item><title><![CDATA[LaTex 中关于字体的一些问题(针对 ubuntu 系统，中文字体)]]></title><link>https://blog.youkuaiyun.com/deepsprings/article/details/108191354</link><guid>https://blog.youkuaiyun.com/deepsprings/article/details/108191354</guid><author>deepsprings</author><pubDate>Mon, 24 Aug 2020 00:13:44 +0800</pubDate><description><![CDATA[LaTex 使用之关于中文字体的一些问题(针对 ubuntu 系统)
文章目录LaTex 使用之关于中文字体的一些问题(针对 ubuntu 系统)0. 基础一些文件格式一些程序1. 字体的设置（针对中文）1.1 一些基础1.2 自定义字体1.2.1 使操作系统的 fontconfig 库找到 TeX 附带字体1.2.2 设置 TeX 可以根据字体名找到相应字体
0. 基础
一些文件格式

DVI ： 最初 TeX 输出格式，不能嵌入字体和图形。也是后来PS、PDF的中间格式。
PS ： PostScript]]></description><category></category></item></channel></rss>