liuzhicheng1845的博客

原创 物理学笔记

个人学习笔记

原创 HARQ即混合自动重传请求（Hybrid Automatic Repeat reQuest）

TCP协议的重传机制不适合实时音视频传输，实时音视频传输协议一般采用UDP（应用层基于UDP的RTP协议），UDP具有高吞吐和低延时的特点。基于UDP的RTP传输在复杂的公网环境下，面临丢包、乱序、重复、抖动等问题。FEC （Forward Error Correction，前向纠错）:位于应用层的一项有效防止丢包的技术，是一种实时视频传输的有效可靠的解决方案。传送的数据流包括以下三种：1.前向纠错ES流： 也叫基本码流，包含视频、音频或数据的连续码流。2.前向纠错PES流：也叫打包的基本码流

原创 《From 2D to 3D real-time expression transfer for facial animation》阅读笔记

面部动画从二维到三维的实时表情传输Abstract提出了一种三阶段的方法，通过检测人脸表情并将其实时转移到三维模型中基于平均人脸不需要训练使用单个相机来跟踪第一步中：一个基于关节的面部固定装置被附加到三维模型上。第二阶段：包括从单个摄像机视图跟踪面部地标的二维位置，并转移三维相对运动数据，以移动模型上各自的关节。最后一步：包括使用部分自动化的键帧技术来记录动画。在正面视频扩展的Cohn-Kanade数据集上的实验表明，该方法可以产生视觉上令人满意的面部动画。...

原创 FPN笔记

https://blog.csdn.net/qq_38890412/article/details/120776777

原创 深度学习的Demo

GRU的Demon_steps=seq_len-1n_inputs=4n_neurons=100n_outputs=4n_layers=2from tensorflow import kerasmodel = keras.Sequential()model.add(keras.layers.GRU(n_neurons, activation='relu', input_shape=(n_steps, n_inputs), return_sequences=True))# GRU Layer

原创 Temporal Pyramid Network(TPN 笔记)

《多监督行人轨迹预测的时间金字塔网络》TPNMS框架。由生成器和鉴别器组成。生成的输入是行人的历史轨迹，输出是相应的预测的未来轨迹。金字塔源首先通过时间压缩和时间膨胀来构造。然后，采用编解码器网络进行分层特征学习。最后将特征输入一个融合网络（如图3所示），以生成具有多监督的未来轨迹。疑问：是否考虑人群中人体之间的碰撞等交互关系？答：考虑到了输入视频图像？答：时间金字塔网络输入的不是2D图片，而是行人的位置坐标序列是否用到了雷达点云之类的三维信息？使用的行人坐标似乎是视频图片平面上的2维位置

原创 光照与材质

深度绘制+Blinn-Phong光照模型+渲染管线+纹理映射+采样：https://www.bilibili.com/read/cv6855372/Blinn-Phong和Phong的镜面反射唯一不同之处：Blinn-Phong：镜面反射取决于法线和中间向量的角度Phong： 镜面反射取决于视线和反射向量的夹角在相同条件下Blinn-Phong的高光范围更大，写实效果更好Phong：只考虑物体对直接光照的反射作用，认为环境光是常量，没有考虑物体之间相互的反射光。ka为环境反射

原创 人脸融合技术

传统的图像融合方法：https://blog.csdn.net/weixin_42512684/article/details/108423845传统的人脸融合分为三步：1.特征点提取2.三角剖分3.像素融合三角剖分Delaunay :最大化最小角，避免瘦三角形Delaunay剖分是一种三角剖分的标准，实现它有多种算法。LOP（(Local Optimization Procedure)）：1. 将两个有共同边的三角形合成一个四边形2. 看其第四个顶点是否在三角形的外接圆之内3. 如果

原创 《SDNet: A Versatile Squeeze-and-Decomposition Network for Real-Time Image Fusion》阅读笔记

Abstract提出了一种压缩分解网络(SDNet)可以实时实现多模态和数字摄影图像融合将多个融合问题转化为梯度和强度信息的提取和重建设计了一个由强度项和梯度项组成的通用损失函数形式梯度项自适应决策，根据纹理丰富度来确定梯度分布，引导融合后的图像包含更丰富的纹理细节。强度项调整每个强度损失项的权重，以改变来自不同图像的强度信息的比例，使其能够适应多个图像融合任务。压缩解压思想考虑了：源图像->融合结果，融合结果->源图像迫使结果包含更多细节实验结果表明，我们的方法更好更快

原创 BiSeNet

ABSTRACT语义分割既需要丰富的空间信息和相当大的接受域。现代的方法常降低空间分辨率，以实现实时推理速度，从而导致性能较差。本文，用一种新的双边分割网络(BiSeNet)来解决这个困境。我们首先设计了一个小步幅的空间路径来保存空间信息和生成高分辨率的特征。同时，采用具有快速下采样策略的上下文路径来获得足够的接受域。在这两条路径的基础上，我们引入了一个新的特征融合模块来有效地结合特征。该架构在城市景观、CamVid和coco-stuff数据集上的速度和分割性能之间取得了正确的平衡。具体来说

原创 《TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents》阅读笔记

《TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents》该论文的其它笔记整理：https://baijiahao.baidu.com/s?id=1623896851049513069&wfr=spider&for=pchttp://www.ruanwen5.cn/news/20190129/3442.html轨迹预测基于LSTM提出了一种新算法： TrafficPredict算法的目标：更高的

原创 RNN、LSTM、GRU学习笔记

传统神经网络结构的缺陷输出信号只与输入信号有关，而与输入信号的先后顺序无关循环神经网络RNN信息的传递往往会因为时间间隔太长而逐渐衰减。对于信息的长期依赖问题没有很好的处理办法原文链接：https://blog.csdn.net/shakehands2012/article/details/109241628长短期记忆网络（LSTM）LSTM中的三个门(1)forget 遗忘门: 神经网络层、按位乘操作遗忘门的原理有点类似于注意力机制激活函数为sigmoid图中符号的理解t:时间

原创 论文阅读笔记

《TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents》轨迹预测基于LSTM提出了一种新算法： TrafficPredict算法的目标：更高的准确率是预测图片中对象的移动吗？《Terrain Visibility Graphs:Persistence Is Not Enough》abstract在本文中，我们考虑了可见性图识别和重构问题。地形背景。这里，我们给出了一个带有标记顶点v0，v1，越南−1.使标记

原创 信息熵笔记

联合熵条件熵H(XIY)=H(X,Y)-H(Y)互信息I(X;Y)=H(X)+H(Y)-H(X,Y)

原创 【数学工具】求极限

原创 【python】暴力破解压缩包密码

import zipfileimport itertools dictionaries = ['1', '2', '3', '4','5','6','7','8','9','0','a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z','A','B','C','D','E','F','G','H','I','J','K','L','M','N','

原创 《面向云游戏场景的负延时关键技术的研究》阅读笔记

用户行为预测算法基于动态系统建模的 高维短序列行为 预测高维短序列预测挑战：1）高维变量使得系统拟合参数快速增长带来维度灾难2）短时间样本往往无法获得完整的系统动力学统计规律长时间低维时序数据-系统重构/预测短时间低维时序数据-不可预测短时间高维时序数据-预测目标变量长时间动态行为?提出基于非线性动力学的随机分布嵌入算法RDE，由高维系统不同变量间空间信息(交互/关联)构建预测目标变量的动态信息，以补偿观测数据有限引起的时间信息缺少的问题吸引子：是微积分和系统科学论中的一个概念。

原创 【threeJS】用户控制系统

[Spherical].radius : 半径.phi : 俯仰角.theta : 偏航角球面坐标->笛卡尔坐标:[Vector3].setFromSpherical( [Spherical] );笛卡尔坐标->球面坐标:[Spherical].setFromCartesianCoords( [Vector3] );将俯仰角大小限制为:(0,pi)[Spherical].makeSafe()让视角围绕某个中心进行旋转：function r(camera,center){

原创 用python实现k-means算法

#代码：https://www.cnblogs.com/wsine/p/5180769.html#证明：https://zhuanlan.zhihu.com/p/149597282import numpy as npdef loadDataSet(fileName):#读入数据集 dataSet = [] with open(fileName) as fr: for line in fr.readlines(): curline = line.strip().split(',')#st

原创 【python】GPU计算

A=cuda.to_device(a)fgriddim, blockdimb=A.copy_to_host()cuda{blockDim:[x],blockIdx:[x],threadDim:[x],threadIdx:[x],gridDim:[x],}from numba import cudaimport numpy as [email protected] addGPU(A,B,C): i=cuda.blockIdx.x j=cuda.threadIdx.x

原创 通过主成分分析实现三维模型对齐【Principal Component Analysis】

The PCA is based on the statistical representation of a random variable. Suppose we have a finite set of data vectors V , where主成分分析是基于一个随机变量的统计表示法进行的。假设我们有一个有限的数据向量的V集，其中Let mV be the mean of the set V设mV为集合V的平均值where |V | denotes the number of elem

原创 【JS】GPU计算

https://www.worldlink.com.cn/osdir/gpu-js.html<script src="gpu-browser.js"></script><script>function mul(a,b){ var l1=a.length var l2=a[0].length var l3=b.length var l4=b[0].length if(l2!=l3)return false var f= new

原创 【推荐系统】基础笔记

一、推荐系统的评价指标二、协同过滤（CF）协同过滤（Collaborative Filtering）是根据已有数据来推测出未知数据。从海量的数据中找到类似（ 即相似度达到指定范围）的数据，以此进行推荐。启发式的协同过滤算法可以分为：基于用户的协同过滤算法，基于项目的协同过滤算法。https://blog.csdn.net/m0_51990525/article/details/115873615基于用户：计算用户之间的相关度 给物体找用户基于物品：ItemCF 计算物品之间的相关度 给

原创 【深度学习】长短时记忆神经网络

长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。...

原创 【机器学习】懒惰学习

KNN算法K最邻近法（K- Nearest Neighbor）：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别也可用于少数特定的回归问题

原创 【机器学习】特征选择与稀疏学习

特征：feature相关特征：relevant feature无关特征：irrelevant feature特征选择：feature selection冗余特征：redundant feature去除冗余特征和无关特征分析特征、训练模型所需的时间就越长，模型也会越复杂。容易引起“维度灾难”，其推广能力会下降。容易导致特征稀疏的问题，导致模型效果下降。对于模型来说，可能会导致不适定的情况，即是解出的参数会因为样本的微小变化而出现大的波动。三类特征选择方法1.过

原创 【机器学习】数据降维方法

1.主成分分析算法（PCA）2.LDA（Linear Discriminant Analysis也有叫做Fisher Linear Discriminant)3.局部线性嵌入 （LLE，Locally linear embedding）4.拉普拉斯特征映射 Laplacian Eigenmapshttps://blog.csdn.net/qq_15719037/article/details/80454113...

原创 【机器学习】聚类算法笔记

K-Means算法：https://www.cnblogs.com/pinard/p/6164214.html

原创 辐射度量学笔记

https://blog.csdn.net/a6333230/article/details/82968484

原创 【python】基础笔记

打包exe工具：pyInstallerpip install pyinstaller检查安装成功与否：pyinstaller –vactivate baseconda env list

原创 高等讲堂抢课脚本

var data=[ 14781,// 2021.11.30 18:25 2小时 14784,//2021.11.26 18:25 2小时 14780// 2021.11.25 18:25 2小时]index=0var interval=setInterval(()=>{ index++ window.vm.id=data[index] if(index>data.length)index=0 var arr=document.getEleme

原创 VScode使用

窗口放缩：CTRL+CTRL-

原创 【网格形变】Laplacian形变的python实现

import numpy as npclass Laplacian(): def __init__(self, mesh): self.mesh=mesh self.v = mesh.vertex # numpy array with shape of [n_v, 3], n_v is the number of vertices self.f = mesh.face # numpy array with shape of [n_f, 3], n_

原创 三角网格的形变

Attribute-basedProxy-basedData-basedNeural-based3 基于代理的变形直接编辑网格上的顶点。绑定骨架到形状，并通过骨架驱动表面变形也是一个流行的研究方向。3.1 基于骨架的网格变形

原创 【python】高级数学计算

解超定线性方程from numpy.linalg import lstsq # 解超定方程a = np.mat([[2, 3], [1, 3], [1, 1]])b = np.mat([5, 4, 2]).Tx = lstsq(a, b, rcond=None)print(x)

原创 【数学工具】PCA的证明

基于特征值分解实现PCA基于奇异值分解实现PCA

原创 【数学工具】向量导数和矩阵导数

向量导数矩阵导数

原创 【3D数据传输策略】VIA（VIsibility-Aware）

具有可见性感知能力的基于Web的虚拟现实摘要问题we found users can suffer from high latency while waiting for all 3D objects appear in their field-of-view.原因This is because storage and fetching of 3D objects in WebXR (and its underlying WebGL libraries) are agnostic to the u

原创 【JS】WPS宏编辑器

function test(){ for(var i=1;i<10;i++){ Sheets.Item(2).Range("A"+i).Value2=i Sheets.Item(1).Range("B"+(i+1)).Value2=Sheets.Item(2).Range("A"+i).Value2 }}

原创 【threeJS】常用技术细节

线框模式material.wireframe = true