Unity Shader 学习笔记（20） 卷积、卷积核、边缘检测算子、边缘检测卷积（convolution）、卷积核（kernel）卷积：使用卷积核对图像每一个像素进行操作。卷积核： 四方形网格结构，每个方格都有一个权重值。也称边缘检测算子。对图像某个像素卷积时，把卷积核中心放置在像素上，翻转核（水平翻转+竖直翻转），依次计算每个元素和重合像素的乘积并求和，得到新的像素值。边缘检测算子即用于边缘
转载
2024-10-25 13:18:44
84阅读
DG（data guard）1. DG：类似mysql的AB复制。dg是一个整体的环境配置，实现：高可用，数据保护，以及灾备三个特性，包含一个主库，一个或多个备库且最多只能有9个备库。⚠️ADG情况说明：10g之前的dg，只有在mount状态下才可以接受应用redo log；11g增加的ADG功能，支持备库在open（read only）的同时可以接受应用主库传过来的redo log。⚠️dg环境
“BUG”的由来：
Bug一词的原意是“臭虫”或“虫子”。但是现在，在电脑系统或程序中，如果隐藏着的一些未被发现的缺陷或问题，人们也叫它“Bug”，这是怎么回事呢？
原来，第一代的计算机是由许多庞大且昂贵的真空管组成，并利用大量的电力来使真空管发光。可能正是由于计算机运行产生的光和热，引得一只小虫子Bug 钻进了一支真空管内，导致整个计算机无法工作。研究人员费了半天时间，总算发现原
首先明确几个关于图像处理的基本概念——卷积，滤波，平滑原文链接 1.图像卷积（模板） (1).使用模板处理图像相关概念： 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个像素分别于卷积核(权矩阵)的每个元素对应相 乘，所有乘积之和作为区域中心像素的新值。 卷积核：卷积时使用到的权用一个矩阵表示，该矩阵是一个权矩阵。 卷积示例： 3 * 3 的像
转载
2024-09-09 22:22:06
46阅读
图卷积网络这里的图是指Graph，一种数据结构。 图卷积网络关键问题在于如何定义在图上的卷积操作。目前有两种方法：谱方法空间方法已经证明，谱方法是空间方法的一种特例。本文将简要介绍目前关于图卷积操作的基本方法，以其基于paddlepaddle平台实现了其中一种称为GCN的图卷积网络。由于图像可以视为一种特殊的Graph。因此图卷积网络也可以处理图像的数据。将实现后的网络用于MNIST数据集做图的分
转载
2024-03-29 11:38:03
137阅读
一、综述类文章A Comprehensive Survey on Graph Neural Networks（2019） 论文翻译：该文章主要介绍了GNN简史、GNN的主要发展方向、GNN的分类等。再结合相关文章总结如下：GCN（graph convolutional network）的远古祖先可以往GNN（graph neural network）上靠。GCN主要针对的数据结构是图（graph）
学习内容：HMN项目代码学习时间：1.2 ~ 1.7学习笔记：HMN项目代码本周主要对HMN项目中的： main.py，train.py，eval.py，data_loader.py，build_loaders.py 进行了学习，代码的学习情况如下。1.main.py整个项目的main函数，包含了项目的整体流程。if __name__ == '__main__':
# 初始化文件保存的内容
转载
2024-07-11 06:17:40
212阅读
MTV模型Django的MTV分别代表： Model(模型)：负责业务对象与数据库的对象(ORM) Template(模版)：负责如何把页面展示给用户 View(视图)：负责业务逻辑，并在适当的时候调用Model和Template
目录前言怎么理解DTLN的第二部分呢对1D卷积的具体理解1D卷积相较于STFT的优缺点优点缺点（不太确定）参考文献前言DTLN是一种能够实时处理的语音降噪算法，其开源代码在这里，论文在这里。DTLN的结构如上图，其结构分为两个部分。第一部分（上图左边）是在stft得到的频谱上进行降噪处理，属于频域处理。第二部分（上图右边）是在1D卷积得到的特征上进行进一步降噪处理，也属于频域处理。其网络结构部分的
这些反应都是本能的，是神经系统里预先设定的，所以是所有人都一样的。不论哪种文化背景中的人，都是以相同的面部表情表达情绪，例如，恐惧时皱眉撇嘴，打招呼时面露微笑。这些都是在神经系统较基本的层次中设定的，所以小婴儿也一样会有这些不由自主的反应，甚至其他哺乳类动物——如狗与猴子也有这些表情。 较高层的边缘系统全力处理有意识的情绪经验。情绪意念不分崇高琐碎
关于卷积神经网络的介绍，网上资料很多。不在赘述。 从最主要的地方入手介绍： 打开tiny-dnn的/example/main.cpp文件，可以看到如下代码：nn << convolutional_layer<tan_h>(32, 32, 5, 1, 6)
<< average_pooling_layer<tan_h>(28, 2
转载
2024-05-15 10:27:22
169阅读
DPC究竟是什么DPC是“Deferred Procedure Call”的缩写，意为推迟了的过程（函数）调用。这是因为，逻辑上应该放在中断服务程序中完成的操作并非都是那么紧迫，其中有一部分可能相对而言不那么紧迫，而又比较费时间，实际上可以放在开中断的条件下执行。如果把这些操作都放在中断服务程序中，就会使关闭中断的时间太长而引起中断请求的丢失，因为整个中断服务程序通常都是在关中断的条件下执行的。为
OSI参考模型和TCP/IP模型OSI参考模型OSI参考模型（开放系统互联参考模型 Open System Interconnection/Reference Model）是由国际标准化组织（international standard organized，OSI）提出的。OSI参考模型分为七层（下层为上层服务，上层运用下层的服务）：物理层提供透明的比特流传输；数据单位是比特（bit），即一个二进
2016年Google DeepMind提出了Dueling Network Architectures for Deep Reinforcement Learning，采用优势函数advantage function，使Dueling DQN在只收集一个离散动作的数据后，能够更加准确的去估算Q值，选择更加合适的动作。Double DQN，通过目标Q值选择的动作来选择目标Q值，从而消除Q值过高估计
卷积（多 >1 的映射） 本质：在对输入做9 >1的映射关系时，保持了输出相对于input中的位置性关系 对核矩阵做以下变形：卷积核的滑动步骤变成了卷积核矩阵的扩增 卷积的矩阵乘法变成以下形式：核矩阵重排，输入featuremap变形为向量 反卷积（1 >多 的映射） deconvlution/tr
转载
2020-07-28 19:04:00
1485阅读
2评论
最近GCN非常火，虽然个人暂时用不到GCN，但还是简单看了下理论，感觉不是特别复杂，但是似乎实现上较为有难度，尤其是高维的图表示，先转载一篇机器之心的文章学习一下，感觉GCN主要是处理复杂的关系网络，与常见的CV和NLP任务并不十分相同。 何为图卷积网络？ GCN 是一类非常强大的用于图数据的神经网络架构。事实上，它非常强大，即使是随机初始化的两层 GCN 也可以生成图网络中节
转载
2024-10-25 13:17:08
41阅读
文章目录问题的由来速度梯度1 第一行1.1 分量和形式1.2 矩阵形式2 第二行2.1 分量和形式2.2 矩阵形式3 第三行3.1 分量和形式3.2 矩阵形式4 合在一起对称张量应变张量应力张量 问题的由来在splishsplash论文教程当中，在讲到粘性的时候，有这样一页PPT 这是流体力学的基础知识，即利用牛顿本构模型来构建的NS方程。我们先看左边这个公式 被称为柯西动量方程。这个方程对流体
转载
2024-03-27 06:22:16
335阅读
首先，我们要讨论的是在non-satruated的环境下DCF的工作原理。也就是说，在一次成功的传输之后，某个站点并不一定立马有数据接入，可能等一段时间才有新数据成为HOLpacket。站点要传送数据的必要条件是，先侦听到一段长为DIFS的空闲段。如果新接入数据的站点在DIFS段中某一点发现信道变忙，那么就延迟等待，直到侦听到DIFS长的空闲段。我认为，以上只会在一种情况下发生，也就是前段所述，某
转载
2024-07-24 21:08:17
119阅读
在编写程序过程中，特别是刚刚入行没有多久的程序员，经常会犯的一个错误就是大段大段的复制粘贴代码。把功能相近的代码直接复制过来而不加以修改。这个习惯也许来源于你的老师也许来源于你本身的原因。总之，对于这一类程序员最好的设计模式就是“Ctrl+C(复制)”和“Ctrl+V(粘贴)”。但是复制代码虽然在一定程度上提高了编程的速度，但是更多的是带来了不可预计的问题：若要修改这个功能的代码，却只修改了一部分
流体的基本属性连续介质假设流体是由无数个质点组成，它们在任何情况下均无空隙地占满所占据的空间。可以用克努森数来判断分子的相对离散程度（一般空气的自由程为10nm） Kn = 分子的平均自由程与研究物体的特征长度的比值。Kn小于0.01，连续流Kn 0.1~1为滑移流1~10为过度流大于10为离散流几个特性易流动性。流体在静止状态下不能受剪切应力。压缩性与弹性。流体在运动过程中，由于温度和压力等因素
转载
2024-03-27 11:01:22
213阅读
