zj71hmvx的博客

通过脉搏到达时间进行测量，简单来说就是 先从脉冲传输时间 PPG 数据集中提取数据，提取此数据集中每个对象的脉冲到达时间，再提取参考年龄，进行一些比较。Hr_1_start/end 测量开始时使用欧姆龙 HEM-7322 血压计测量的心率 (bpm)ppg则一般不使用收缩峰时间，因为脉搏开始和收缩峰之间可能存在可变延迟，所以一般会用脉冲开始时间。ecg可以直接提取R 波的时间，它表示心室去极化的时间（促使心室收缩的电活动）。对于ecg和ppg信号，用neurokit2和wfdb库导入数据，

ppg信号

自然语言处理

语音技术

高斯混合模型GMM

一知半解

f 强制 Git 用您现有项目的文件覆盖 GitLab 上已经存在的任何文件。这一步经常出问题,一会儿失败一会儿成功了但是不显示的,name是分支。-u 使远程 GitLab 存储库成为您现有项目的默认存储库。本来试了一个周末都没成，不知道怎么传成功的 很神秘 先留个档。

主要作用是对滤波器组进行去相关操作，丢弃除了自己设定的num_ceps以外的值，这些值代表滤波器组系数的快速变化，而这些细节对自动语音识别 (ASR) 没有什么帮助，然后将lift与mfcc相乘计算外积，以弱化较高的 MFCC，据称可以改善噪声信号中的语音识别。信号的梅尔频率倒谱系数 (MFCC) 是一小组特征（通常为 10-20），它们简明地描述了 spectral envelope 的​​整体形状。有点不懂的是他算的公式是20 * np.log10(fbank)，有点不太清楚这个公式是哪里来的。

想了想还是云存一下 查起来比word快不少

数学基础太差了 感觉看不太懂 插个眼 以后回来再看。

信息检索

余弦相似度，ppmi，tfidf，自然语言生成

信息提取

线性预测

语音

声门脉冲

lab里学到的代码和输出，说实话有些不懂但留着以后能翻查。

语音处理

github库的DALLE2基于OPENAI和pytorch实现以前学习强化学习的时候接触过一点点OPENAI但是没怎么深入学习有用到CLIP模型和Unet模型好 然后并不知道CLIP模型是个啥hhh所以先挖坑吧先去学一手CLIP模型

无意间用到了Yen Threshoding方法……翻开论文一看挖槽居然是95的文章 难怪全网找不到一点内容相关……不过也确实，现在普遍用Otsu阈值，但是在我这个细胞分割预处理上用Yen效果反而比Otsu要好，于是就简单拜读一下吧哈哈哈哈哈，以我的水平估计还遥远着。A New Criterion for Automatic Multilevel Thresholding在自动选取阈值的众多方法中，绝大多数都是基于最大熵原则进行阈值的选择，Yen提出基于最大相关性原则的一个新方法。众所周知，随着分

官方文档里含几个例子用于细胞分割，基于unetpip install stardistfrom csbdeep.utils import Path, download_and_extract_zip_file, normalizefrom stardist.matching import matching_datasetfrom stardist import fill_label_holes, random_label_cmap, relabel_image_stardist, calcula

class language_model(): def __init__(self,trainingdir=TRAINING_DIR,files=[]): self.training_dir=trainingdir self.files=files self.train() def train(self): self.unigram={} self.bigram={}

词汇语义和分布式假设

网安

KR复习

我是$req = $con->prepare('INSERT INTO Request_evulation (name,file_path,connection_method) VALUES (?,?,?);'); if(!$req){ echo "Prepare failed: (". $con->errno.") ".$con->error."<br>"; }

作业喜加一。youtuber: Tech With Tim看了他的教程……真的好厉害噢这个跳棋和中国的三角式还不太一样，棋盘是8*8的大概就是两边各执一方，然后正常跳，跳过去的时候会把对手棋子吃掉，跳到对面最后一列就会变成KING，然后可以往回反跳。最后就是看谁剩下的棋子多谁赢。所以最大最小算法他的总和就是比如图上。白色棋子数减去红色棋子数。白方希望这个数越大，而红方希望这个数越小。对于每个棋子，所有的可能性行为就是一棵树。所以就成了经典的的最大最小博弈算法。思路构建whil

csdn总结Data Encryption Standard(DES)The first widely used encryption schemeFIPS PUB 46Referred to as the Data Encryption Algorithm (DEA)Uses 64 bit plaintext block and 56 bit key to produce a 64 bit ciphertext blockStrength concerns:Concerns about

温习了一下lab的内容用的包用的tensorflowimport tensorflow as tfkeras = tf.keraslayers = tf.keras.layers# Include numpy for basic stuffimport numpy as np# matplotlib allows us to visualise our data.import matplotlib.pyplot as plt# Import a library for displayin

learning consistency机器学习的一致性到底是什么谷歌搜索 Learn consistency 后经典奥卡姆剃刀：‘’解释的时候简单就是有效”的原则定义如何判断一个算法是否为一致性学习器一致的学习算法只需要输出一个与提供给它的所有训练数据一致的假设。这种一致性的概念与机器学习文献中的经验风险最小化原则密切相关，风险是指 0-1 损失0-1损失是指预测值和目标值不相等为1, 否则为0。一致性是学习算法的首要要求之一，也是最低要求之一。一致性是学习算法的一个渐近特性，它基本

交大教授讲课做了些笔记交大老师那是真滴厉害框架moving image 参照 fixed image发生形变的时候部分区域会丢失像素，可以用不同的插值方法进行弥补配准方式按维度可分：二维对二维三维对三维二维对三维（较难）按配准基础可分：依据图像配准：extrinsic，intrinsic不依据图像配准按转换方式可分：刚体仿射投影曲线按交互方式可分：人机交互半自动全自动按图像模态可分：同模态多模态按模型按处理对象可分：同一个体不同个

能量方程选取非刚体配准是图像内部细节会产生局部形变非刚体配准相似度非刚体配准相似度-超级详细的文字笔记公式待补充……评估函数：均方差 MSE理想值为0两个二维灰度直方图，进行Z轴的相关，查看峰值，理想灰度直方图是narrow 且tall peak归一化互相关 NCC理想值为1正规化互信息 NMI会获得很好的效果互信息好多定义……听得头晕三种定义：I(A,B) = H(B) - H(B|A) = H(A) - H(A|B)A(B)已知，B(A)产生的互信息I(A,B

课程获得目标函数，实现参数最优化目标函数又被称为测度。单模态均方差 （最小相对应点的灰度值的差异，将所有点的差异加起来，再除以所有点的数量Difference ( index ) = A ( index ) - B ( index )Sum += Difference ( index ) ^ 2Match ( A , B) = Sum / Number of Pixels互相关 （最大熵的差 （最小跨模态互信息 （最大正则化互信息（最大熵相关系数 （最大AIR 损失函数

刚体变换: 所谓刚体 ,是指物体内部任意两点间的距离保持不变。例如 ,可将人脑看作是一个刚体。处理人脑图像 ,对不同方向成像的图像配准常使用刚体变换 。 刚体变换可以分解为旋转和平移交大老师的课线性配准刚体配准是线性配准的一小部分三个基本操作：Translation 平移Scaling 缩放Rotation 旋转线性配准不允许局部变化，倾向于关注全局变化，且不局限于物体是否为刚性刚体变化还分2D和3D仿射变化B-spline二维仿射变化二维仿射变化平移Transla.

opencv复习B站视频基础一些基础操作0黑255白图像读取ROI截取边界填充像素运算图像阈值化缩放仿射变换旋转平移透视平滑处理平滑处理离散卷积高斯平滑均值平滑中值平滑双边滤波，联合双边滤波导向滤波形态学处理形态学处理腐蚀是白色区域变小，膨胀是白色区域变大open去除亮色区域，close去除暗色区域形态学梯度可以提取轮廓腐蚀膨胀形态学梯度（膨胀运算结果减去腐蚀运算结果）open（先腐蚀再膨胀）close（先膨胀再腐蚀）tophat

安装踩雷配置环境时CONDAHTTPERROR: HTTP 000 CONNECTION FAILED FOR URL遇到这个bug参考https://www.freesion.com/article/67891423758/有效解决哈哈哈原来是重装了太多次了

往年考卷简单总结requirementmandatory 强制的 requirements 用 shalldesirable 可取的 requirements 用 should功能性和非功能性要求，强制的和可取的要求写五点：具体，可衡量，可实现，现实和有时间限制（SMART）SMART: Specific, Measurable, Achievable, Realistic and Timely. This represents a set of test to determine wheth

SE学习笔记SE revision topics根据老师给的复习列表和pptProject managementTeam types and dynamics (Lec 4)Organization styles (Lec 4)1.Democratic decentralized民主下放，只有临时领导，适合小型项目Structure: The team works as a collection of peers, with no formal leader. Temporary leade

fml作业学习笔记数据方面1.获取更多数据2. 生成新数据？3. 修复或删除的缺失值（预处理Imputing）4. 重采样数据5. 重新缩放数据（预处理标准化和正则化）6. 重塑数据分布（预处理）7.降维（预处理PCA）8.特征选择9.特征工程模型方面1.画学习曲线2.参考文献数据3.用直觉和经验调参4.Pipeline和GridSearchCV大范围搜索5.用随机数尝试6.问老师吧Ensemble合奏1.Bagging and Random Forest2.Boos

[原文链接]CV Lab Session 5里老师给的链接尺度空间极值检测？Scale-space Extrema Detection我们不能使用相同的窗口来检测具有不同比例的关键点，但是可以用小角。但是如果要检测更大的角落，需要更大的窗口。为此，使用了scale-space filtering 。在这里，为具有各种sigma值的图像找到了高斯拉普拉斯算子[1]。LOG用作blob detector，可检测由于的变化而引起的各种大小的sigma。简而言之，sigma充当 scaling param.