只要我跑的够快，内卷它就卷不到我 前言 最近刚刚入职，确实很忙，大周末的跑到公司来研究Apollo的源码。但是答应了群友出一篇面试的文章，所以想来想去先把文章写了再说。 先大概说下我的面试经历吧 笔者是从9月3号开始面试的，9月15号入职了微盟，目前是微盟基础技术中心的一名高级开发工程
养成习惯，先赞后看！！！ @目录1.前言2.重点原理3.实现步骤3.1修改图片大小3.2计算图片的直方图3.3比较直方图差异，同时替换3.4融合图片4.效果演示 1.前言 主要思想来源于这篇老哥的文章：https://zhuanlan.zhihu.com/p/168667043 有兴趣的小伙伴可以去看看。 其实之前我在b站上就曾经看到过
这几天做了几道codechef上的题 白天听冬令营，晚上练2道题 0801 A是 Codechef April Challenge 2018 Chef at the Food Fair 发现是\(p_i*=x\) 但是却要求\((1-p_i)\)的积不太好做 于是看到乘积形式果断取\(ln\)转成维护区间和最后\(exp\)回去 发现\(ln(1-x)=-\sum_{i=1}^{\infty}\f
爬取B站up主相册原图 从 Network 选项中找到 api 链接。 从 Preview 选项中一层一层地剥，直到找到真实的图片链接地址。 下载的图片可以达到 12MB，下载的是原图。 源码： # -*- coding: utf-8 -*- # @Time : 2020/6/17 20:54 # @Author : banshaohuan # @Site : # @File
基于MATLAB的深度学习数据集预处理在工程中的应用 针对深度学习中，需要对既定的图像数据进行预处理操作。操作步骤如下： 1、RGB–>Grey 2、decreasing resolution 3、image turnover 4、imcomplement 5、noise` clc;clear;close all; I=imread('图片文件'); %读入图片 figu
Coded Target / Marker Detector 通过光照亮度分析、对比度判断、边缘检测、编码解码、误码率分析，中心点位解算等一系列步骤，实现全自动化的编码靶标的中心自动提取，并可以计算靶标平面的主平面方向。 编码靶标的自动化识别，可以应用于基于机器视觉的载体或相机的精确定位。提供
官方API:ImageView：http://androiddoc.qiniudn.com/reference/android/widget/ImageView.html/androiddoc.qiniudn.com/reference/android/widget/ImageView.html 1.src属性和background属性的区别： 在API文档中我们发现ImageView有两个可以设置图片的属性，分别是：src和background
//工具类 package com.xulon.springBootShiro.utils; import javax.imageio.ImageIO;import java.awt.*;import java.awt.image.BufferedImage;import java.io.File;import java.io.FileInputStream;import java.io.FileOutputStream;import java.io.IOException; /** * 将图片缩
目录: 图书馆查阅Linux运维资料来的，把一知半解的记录起来。1、 关机、重启、：2、tree 命令参数组合3、linux 命令行组成结构4、tail -n 指定显示的行数 tail -n +15 /etc/password5、ls 
最小路径覆盖问题（luogu） 题目描述 给定有向图 G=(V,E) 。设 P 是 G 的一个简单路(顶点不相交)的集合。 如果 V 中每个定点恰好在PP的一条路上，则称 P 是 G 的一个路径覆盖。 P 中路径可以从 V 的任何一个定点开始，长度也是任意的，特别地，可以为 0 。 G 的最小路径
【OpenCV（C++）】图像处理：形态学滤波形态学（morphology）膨胀与腐蚀膨胀腐蚀其它形态学滤波开运算（Opening Operation）闭运算（Closing Operation）形态学梯度（Morphological Gradient）顶帽（Top Hat）黑帽（Black Hat）element 形态学（morphology） 图像处理中的形态学指的是数学形态学（Mathmatical m
Link 很容易想到要拆边，先把无向边拆成有向边，再把每条有向边视作新图中的点。 对于原图中的两条有向边\(e_1:a\rightarrow b,e_2:b\rightarrow c\)，我们在新图中连有向边\(e_1\rightarrow e_2\)，边权为\(\max(w(e_1),w(e_2))\)。 然后从\(s\)到原图上所有从\(1\)出发的有向边连边，从
题目链接：LUOGU 题目描述：在一个 \(n\times m\) 的网格图中，每个格子里摆放着一个镜子，两种情况 /和\。 一个网格合法，当且仅当从任意一个边界段垂直射进网格中，光线会从相邻的边界段射出，同时网格中的每一段都被至少一条光线穿透。 现在网格中有 \(k\) 个位置的镜子形状不确定（用*表示），求
一 ：何谓感受野？ 官方点的说法就是卷积网络输出的特征图中的一个像素在原始图像上映射区域的大小，说白了就是卷积层输出的特征图中的像素值会因为原图中哪些区域像素的改变可能会受到影响而改变，那么原图中的这些像素点区域就是特征图中该像素的感受野。 如上图所示，Conv1
卷积神经网络（Convolutional Neural Networks, CNN） b站视频（cnn工作原理） 1、用不同的卷积核对原图进行卷积运算可以提取出原图不同的特征，所以卷积核比如是原图中包含的特征。 2、polling=池化=下采样,用于把得到的feature map（原图和卷积核运算的结果）缩小，减少数据量，所以要牺牲
https://loj.ac/problem/10097 题目描述 给出n个党派，每个党派中有2个代表，若两个代表彼此厌恶就都不能成为委员会，求能否成立委员会，若能输出一种可行的方案。 思路 典型的2-SAT问题，我们用1表示在委员会中，0表示不在委员会中，那么给出的约束条件就是某两个代表的值必须为有一个
P1629 邮递员送信 正反跑两遍spfa. 正确性：鉴于图中给的边一定是能从1到任意一个点，再从任意一个点回来的有向边，那么反过来建边时1到这个点的最短路就是原图种这个点回到1的最短路，从而不用再跑多源最短路径，极大的节省了时间复杂度。
目录 What is detection? 关键术语 方法 two stage one stage 共同存在问题 多尺度 平移不变性 样本不均衡 各个步骤可能出现的问题 输入： 网络： 输出： What is detection? detection的任务就是classification+localization cs231n 课程截图 从左到右：语义分割semantic seg
帧差-> I-mean(I) -->openFilter -->medianFilter + Sobel --> psnr(sobel, black) 1. 帧差法+PSNR 缺点： 亮度剧烈变化检测失败， 人物静止时检测失败 2. 背景差分法+psnr 原图，背景图 该图误检为静帧 44 ---》代码加入 abs 并且高斯滤波核设置为3X3 然鹅
最小路径覆盖 将一个点拆分为入点和出点，原图的最小路径覆盖=原图的边数-新图的最大匹配 二分图最小点覆盖 最小点覆盖=最大匹配 二分图最大独立集 最大独立集=点数-最小点覆盖 二分图最小边覆盖 最小边覆盖=点数-最小点覆盖 二分图最小点权覆盖 原二分图中的边(u,v)替换为容量为IN
原句： we can't change our memories, but we can change the meanings and power they have over us. 百度翻译： 我们不能改变自己的记忆，但是可以改变它们对我们的意义和力量。 原图： 理解： 暂时还理解不太深刻，如果有朋友看到欢迎提出自己的理解. to be continue...
