组装 pc 安装 Windows 和 Ubuntu 双系统可能会遇到的问题
type
status
date
slug
summary
tags
category
icon
password

1. 介绍以下配置

  • 这次组机用的是 40 系列显卡 + 7000 系列 AMD 处理器。

2. 安装时遇到的一些问题

2.1. windows 部分

  • 烧录系统镜像的时候,如果用的是 MacOS,需要将 U 盘格式设置成 NTFS 格式。
    • 因为现在 windows 的镜像中的存在大于 4 GB 的文件,所以 FAT32 无法使用。MacOS 需要安装支持 NTFS 的软件,有的需要购买,但是可以试用,用完卸载即可。
卡尔曼滤波算法和应用
type
status
date
slug
summary
tags
category
icon
password

1. 状态转移矩阵

从当前状态到下一个状态的转换.
例子: 假设跟踪车辆形式
  • 车辆的状态矩阵, 位置变量 ; 速度变量 .
    • 假设车辆有加速度变量 ; 这里 是单位时间; 这里就可以从上一个单位时间的 推导出当前的 .
      Notion Mermaid 绘制思维导图流程图
      type
      status
      date
      slug
      summary
      tags
      category
      icon
      password
      Mermaid 可以画很多类型的图, 详细可以查看官方说明书

      1. 调出 Mermaid 绘制界面

      在 Notion 页面中输入/code 插入代码块. 左上角代码类型选择 Mermaid, 右边的 Split 表示代码和思维导图同时表示, 类似于 Markdown 编辑器一边编辑一边预览.
      notion image

      2. Mermaid 代码编辑

      Windows 安装 WSL2 Ubuntu
      type
      status
      date
      slug
      summary
      tags
      category
      icon
      password

      1. 安装Ubuntu

      • 首先检查windows是否可以更新, 必须保持在可以更新的状态才可以下载ubuntu镜像.
      • 管理员模式打开终端, 查看wsl可以安装的linux版本
        • 安装ubuntu
          • 如果windows无法更新这里会出现错误代码: 0x80070005.
        不同任务下主干网络的选择
        type
        status
        date
        slug
        summary
        tags
        category
        icon
        password

        动机

        当前计算机视觉系统的构建通常依赖于预训练或随机初始化的特征提取器作为骨干网络, 而选择合适的骨干网络是一个困难的问题, 因此需要一个方法来比较不同的预训练模型, 以帮助从业者做出明智的选择.

        方法

        本文提出一种名为 Battle of the Backbones 的方法, 通过对一系列预训练模型进行基准测试, 包括视觉-语言模型, 自监督学习模型和稳定扩散骨干等, 涵盖了从分类, 目标检测到 OOD 泛化等各种计算机视觉任务. 通过对1500多次训练运行的全面分析, 揭示了现有方法的优势和不足, 并为研究社区指明了前进的方向.
        对于一些git项目更新的同步方法
        type
        status
        date
        slug
        summary
        tags
        category
        icon
        password
        对于一些Fork到自己项目的git项目更新的同步方法, 这里使用NotionNext作为例子进行简单介绍.

        1. 前置条件

        1. Fork
          NotionNext
          tangly1024Updated Mar 18, 2024
          项目, 将自己的NotionNext项目克隆下来.
        1. 新建一个分支new_branch
          一些数据预处理的方法
          type
          status
          date
          slug
          summary
          tags
          category
          icon
          password

          1. 数据的预处理

          • 对于缺失值
            • 缺失量少,均值,中位数等填充;
            • 缺失量多,离散化;
            • 拟合模型填充.
          • 对于异常值
            行为识别模型简介
            type
            status
            date
            slug
            summary
            tags
            category
            icon
            password

            1. 行为识别 Human Action Recognition (HAR)

            • 行为识别模型有两个方向: 第三人称动作识别和第一人称动作识别.
            • 使用的各方向和对应的方法大致如下图, 本篇文章只介绍第三人称动作识别 RGB 模态.
              • notion image
            • 详细可以参考调研论文. [1]

            2. 第三人称动作识别 RGB 模态

            OCR文本识别和CRNN算法简介
            type
            status
            date
            slug
            summary
            tags
            category
            icon
            password

            1. CRNN算法介绍

            CRNN 全称为 Convolutional Recurrent Neural Network
            • 主要用于端到端地对不定长的文本序列进行识别, 不用先对单个文字进行切割, 而是将文本识别转化为时序依赖的序列学习问题, 就是基于图像的序列识别.
            • 对于无字典和有字典的场景都有较好的表现. (不过无字典精度差有字典10%以上)
            • 模型结构简单, 性能比Transformer等模型更好.

            2. 传统的文字识别模型

            插值算法介绍
            type
            status
            date
            slug
            summary
            tags
            category
            icon
            password

            1. 双线性插值

            双线性插值, 将目标尺寸图像的每个像素点映射回原图, 各像素点的值由它周围4个原图像素点进行线性插值获得.

            1.1. 角对齐和边对齐区别

            • 角对齐使用像素的中心点进行对齐(分割左右距离最远的中心点).
            • 边对齐使用像素的边缘进行对齐(分割左右距离最远像素边缘).
            OCR文本检测和DBNet
            type
            status
            date
            slug
            summary
            tags
            category
            icon
            password

            1. 文本检测难点

            • 文本的多样性: 颜色, 大小, 字体, 形状, 方向, 语言, 文本长度…
            • 复杂的背景干扰: 图像失真, 模糊, 低分辨率, 阴影, 亮度…
            • 密集文本或重叠文本
            • 文字存在局部一致性: 文本行的一部分也可以是为独立的文本

            2. 场景文本检测方法分类