- 博客(19)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Xilinx Alveo X3522安装指导
Xilinx Alveo X3522使用XCUX35 FPGA（XCUX35-3VSVA1365E），包含两个DSFP28网络连接贺一个PCIe Gen4x8/Gen3x8接口。每一个DSFP28模块通过一个共享PF支持两个端口。
2023-08-17 14:55:56
608
1
原创 linux按进程名杀进程
#pkill 进程名 或是 #killall 进程名1、#kill -9 $(ps -ef|grep 进程名关键字|gawk ‘$0 !~/grep/ {print $2}’ |tr -s ‘\n’ ’ ')这个是利用管道和替换将 进程名对应的进程号提出来作为kill的参数。很显然上面的方法能完成但是过于复杂，下面这种就显得简单的多了2、#kill -9 $(pidof 进程名关键字)...
2022-05-09 11:12:32
232
原创 Linux常用命令
expectexcept是一种自动交互语言，能实现在shell脚本中为scp和ssh等自动输入密码自动登录#!/usr/bin/expect#远程登陆set timeout 30set host "root@IP"spawn scp $hostexpect {"password:"{send "pwd\r";}"yes/no" {send "yes\r";}}interact#远程登陆并复制文件到本地set host "root@IP"set remote_file "fi.
2022-02-23 15:27:52
631
转载 版本控制工具Git工具快速入门-Linux篇
https://www.cnblogs.com/yinzhengjie/p/9545646.html
2022-01-22 15:30:28
126
原创 计算机网络
TCP建立连接的三次握手刚开始客户端处于 closed 的状态，服务端处于 listen 状态。然后1、第一次握手：客户端给服务端发一个 SYN 报文，并指明客户端的初始化序列号 ISN©。此时客户端处于SYN_Send 状态。2、第二次握手：服务器收到客户端的SYN报文之后，会以自己的SYN报文作为应答，并且也是指定了自己的初始化序列号ISN(s)，同时会把客户端的ISN + 1作为ACK的值，表示自己已经收到了客户端的SYN，此时服务器处于SYN_RCVD的状态。3、第三次握手：客户端收到SYN
2021-10-05 20:47:39
82
原创 Java基础知识
JDK，JRE，JVMJDK(Java Development Kit)：Java开发工具包，是整个Java的核心，包括Java运行环境JRE，Java工具和Java基础类库。JRE(Java Runtime Environment)：Java运行环境，包含Java标椎实现和Java核心类库。JVM(Java Virtual Machine)：Java虚拟机，是整个Java实现跨平台的核心部分，所有Java程序会首先被编译为.class类文件，类文件在虚拟机上执行。重载和重写的区别重载：编译时多态
2021-10-04 16:55:48
74
原创 C++笔记
auto：声明变量时根据初始化表达式自动判断该变量的类型，声明函数时函数返回的占用符。auto f=3.14; //doubleauto s("hello"); //const char*auto z = new auto(9); // int*auto x1 = 5, x2 = 5.0, x3='r';//错误，必须是初始化为同一类型register：用于定义存储在寄存器中而不是RAM中的局部变量。static：指示编译器在程序生命周期内保持局部变量的存在，也可修饰全局变量，当修
2021-09-24 23:21:10
62
原创 Java的Collections类
只对sort方法举例，其他方法类似。1.sort()方法：对集合进行排序（主要使用的方法）第一种：Comparable 排序接口若一个类实现了Comparable接口，就意味着“该类支持排序”。 假设“有一个List列表(或数组)，里面的元素是实现了Comparable接口的类”，则该List列表(或数组)可以通过 Collections.sort（或 Arrays.sort）进行排序。此外，“实现Comparable接口的类的对象”可以用作“有序映射(如TreeMap)”中的键或“有序集合(Tr
2021-05-20 15:18:27
548
原创 Adversarial Self-Supervised Learning for Semi-Supervised 3D Action Recognition
对抗自监督学习对于半监督3D动作识别1.介绍常规的3D动作识别很大程度多行依赖于大量的手工数据标识，自监督半监督学习（S4L），他将半监督学习算法与自监督结合。SSL方法通过骨骼修补的方式学习无标签序列的时间信息，他把每一个样本都当做单一的个体，忽略带有相似动作类别的样本的共享信息。此外，我们还发现，直接应用SSL会造成已学习表征的错位，如图1，这个错位将弱化模型对还未训练的样本的泛化能力。一个与我们相似的问题是无监督区域适应性（UDA），其匹配来自不同区域的特征分布。在UDA中，特征分布的差异性是
2021-04-12 11:28:12
308
翻译 Context Aware Graph Convolution for Skeleton-Based Action Recognition
Introduction目前很多图卷积网络的各种变种都是有效的，然而他们大多以局部的方式实现卷积操作，仅仅从中心节点小范围的邻居提取特征。大的感受野有益于把关节动作作为一个整体来理解。堆叠多重图卷积层是一种直接增加感受野的方式，但他的缺点是容易多度很衡量目标的优势，在堆叠多层卷积时，场长范围的依赖必须被解决，最重要的是远距离的的关节只能通过中间关节进卷积层间接的与其他关节产生联系，这阻碍了信息的交换，而且带来了多余的计算。因此我们提出了CA-GCN，我们提出了不同的方法来计算关节间的联系，能显著的获得长
2020-11-27 17:37:56
785
原创 k-交叉验证KFold
KFold(n_splits=’warn’, shuffle=False, random_state=None)参数：n_split:要划分的折数 shuffle: 每次都进行shuffle，测试集中折数的总和就是训练集的个数 random_state:随机状态例子：from sklearn.model_selection import KFoldkf = KFold(5, True, 10)X, Y = loda_data('./data.txt')for train_index
2020-10-29 11:16:48
403
原创 DDGCN: A Dynamic Directed Graph Convolutional Network for Action Recognition
Introduction作者认为解决如下两个问题能有效增强GCN在动作识别中的能力：1.在人类骨骼的不同部位中有着时空关联性，但这些关联性是动态的，而且在时空域中不同的动作关联性也是不同的。因此提取这些关联性很困难，标椎卷积操作普遍采纳的传统GCN是静态的，而且仅仅描述了邻居节点的空间联系，因而不能准确的获得这样的动态时空联系。2.骨骼的空间层次结构和运动的时间序列特性都编码了顺序信息，这在动作识别中是重要的。但是大多数现存的ST图（spatial-temporal graph）模型描述动作使用的是无
2020-10-09 20:05:28
1172
7
原创 Adversarial Self-Supervised Learning for Semi-Supervised 3D Action Recognition
Adversarial Self-Supervised Learning for Semi-Supervised 3D Action RecognitionAbstract自监督学习（SSL）已被证明在图像域中从未标记数据中学习表示非常有效。目前，针对三维动作识别的有效自监督方法还不多见，直接将SSL应用于半监督学习，存在从SSL学习到的表征与有监督学习任务不一致的问题。为解决这个问题。作者提出对抗自监督学习（ASSL），它通过领域关系提取和对抗学习把SSL和半监督方法结合。Introduction
2020-09-28 15:11:11
335
翻译 Decoupling GCN with DropGraph Module for Skeleton-Based Action Recognition
Decoupling GCN with DropGraph Module for Skeleton-Based Action RecognitionAbstract 在基于骨骼的动作识别中，GCNs实现了瞩目的成功，但如何在不增加额外的计算负担的情况下高效的建模时空骨骼图在工业应用领域任然是个具有挑战性的问题。在这篇文章中，作者重思了在目前存在的基于GCN的骨骼动作识别方法中的空间聚合，发现他们都受限于耦合集合机制。受CNNs中的解耦聚合机制的启发，作者提出了解耦GCN来增强图建模能力，在不增加额外的计算
2020-09-28 09:09:42
1816
2
原创 图卷积网络(Graph Convolutional Networks,GNN)简述
1 什么是离散卷积？CNN中卷积发挥的作用？了解GCN之前先要对离散卷积或者说CNN中的卷积有一个认识：离散卷积本质是一种加权求和，如图1，CNN中的卷积实质是利用一个共享参数的过滤器（kernel），也叫卷积核，通过计算中心像素点以及相邻像素点的加权和来构造特征图（feature map）实现空间特征的提取，当然加权系数就是卷积核的权中系数。卷积核的系数的确定：通过随机化初始，然后根据误差函数通过反向传播（Back Propagation,BP）与梯度下降（Gradient Desc...
2020-08-26 15:05:12
1035
原创 机器学习实战：ValueError: invalid literal for int() with base 10: '0.000000'
在logistic回归一章中，在将训练数据转换为int型时，会出现日下报错：ValueError: invalid literal for int() with base 10: ‘0.000000’只需将下面一句：int(currLine[21])先化为浮点型即可int(float(currLine[21]))...
2019-12-11 11:29:17
846
2
原创 最容易理解的SVM算法原理
基于最大间隔分隔数据1.1支持向量与超平面SVM(Support Vector Mac)又称为支持向量机，是一种二分类的模型。当然如果进行修改之后也是可以用于多类别问题的分类。支持向量机可以分为线性核非线性两大类。其主要思想为找到空间中的一个更够将所有数据样本划开的超平面，并且使得本本集中所有数据到这个超平面的距离最短。在了解SVM算法之前，我们首先需要了解一下线性分类器这个概念。比如给定一.........
2019-11-21 13:05:52
5787
3
数控铣床XY工作台装配图和数控X_Y工作台的硬件设计
2018-01-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人