<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_51677409的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq_51677409</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_51677409]]></copyright><item><title><![CDATA[图像傅里叶变换【CV】【傅里叶变换】]]></title><link>https://blog.csdn.net/qq_51677409/article/details/153266350</link><guid>https://blog.csdn.net/qq_51677409/article/details/153266350</guid><author>qq_51677409</author><pubDate>Tue, 14 Oct 2025 16:33:27 +0800</pubDate><description><![CDATA[必须注意的是，傅里叶变换一般涉及到复数，也就是说一个实数被变换为一个具有实部和虚部的复数。如果我们对图像执行傅里叶变换，并且乘以一个圆形（背景填充黑色，也就是0），我们可以过滤掉所有的高频值（它们会成为0，因为填充是0）。注意过滤后的图像依然有条纹模式，但图像质量下降了很多——这就是jpeg压缩算法的工作原理（虽然有些不同但用了类似的变换），我们变换图形，然后只保留部分频率，最后将其逆变换为二维图片；这是个很重要的启发，基于傅里叶定理，我们知道卷积神经网络在频域上检测图像并且捕捉到了物体的方向信息。]]></description><category></category></item><item><title><![CDATA[【yolo】YOLO-V5 损失函数源码解析]]></title><link>https://blog.csdn.net/qq_51677409/article/details/141126171</link><guid>https://blog.csdn.net/qq_51677409/article/details/141126171</guid><author>qq_51677409</author><pubDate>Mon, 12 Aug 2024 11:13:02 +0800</pubDate><description><![CDATA[然后，将Ground True 的真实检测框预处理成需要的格式，注意，这里真实检测框需要根据anchor的类型，判断这个样本是正样本还是负样本，所以说我们在训练时anchor的预设值是很重要的！yolov5 的损失函数主要是分为三个部分，分别是分类损失、定位损失、置信度损失。最后，分别进行定位损失，置信度损失，分类损失计算。首先， 初始化BCELoss函数。最后相加，得到最终结果。]]></description><category></category></item><item><title><![CDATA[【协同感知】OpenCOOD 项目在Windows下运行]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140446434</link><guid>https://blog.csdn.net/qq_51677409/article/details/140446434</guid><author>qq_51677409</author><pubDate>Mon, 15 Jul 2024 18:55:58 +0800</pubDate><description><![CDATA[windows 上运行OpenCood项目。]]></description><category></category></item><item><title><![CDATA[OPV2V 数据集简单介绍与下载]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140198499</link><guid>https://blog.csdn.net/qq_51677409/article/details/140198499</guid><author>qq_51677409</author><pubDate>Fri, 05 Jul 2024 09:16:45 +0800</pubDate><description><![CDATA[选择 CARLA 作为收集数据集的模拟器，但 CARLA 不具备 V2V 通信和协同驾驶功能。协同感知算法开发的挑战：缺乏适合的对V2V 协同感知算法进行开发评估的基准测试的开源数据集。项目链接：https://mobility-lab.seas.ucla.edu/opv2v/论文链接：https://arxiv.org/pdf/2109.07644v3.pdf。OPV2V是首个大型协同感知仿真数据集，支持V2V协同感知融合策略。作者还开源了首款协同感知代码框架。]]></description><category></category></item><item><title><![CDATA[【yolo】关于对scale_boxes方法的讨论]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140182073</link><guid>https://blog.csdn.net/qq_51677409/article/details/140182073</guid><author>qq_51677409</author><pubDate>Thu, 04 Jul 2024 16:11:45 +0800</pubDate><description><![CDATA[scale_boxes 方法可以将被压缩的图像上的预检测框映射到原图上, 方法定义如下。不太懂这里的含义, 我的想法是这样的, 即将检测框坐标映射到没有灰边的压缩图上。这里有一个问题 , 就是当图像大小不符合32的倍数, 需要使用灰边填充时。现在我们需要将y坐标4 和 8 映射到没有灰边的压缩图上, 可以得到公式。, 映射到结果的含义就是检测框下移了。一点简单草稿, 即灰边在y轴上。, 压缩后有值的y轴范围是。,但是在特征图上的处理则是。测试后和原来的方式差距不大…这里计算出灰边的长度。]]></description><category></category></item><item><title><![CDATA[【yolo】torchhub的模型部署与使用, 含视频、摄像头处理]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140174885</link><guid>https://blog.csdn.net/qq_51677409/article/details/140174885</guid><author>qq_51677409</author><pubDate>Thu, 04 Jul 2024 11:25:01 +0800</pubDate><description><![CDATA[Hub是一个简易API和工作流程，为复现研究提供了基本构建模块在项目的根目录下, 实现hubconf.py文件, 这个项目就可以使用pytorch hub进行加载模型我们可以看到, yolov5 下就实现了这个文件我们使用一行代码就可以将模型加载出来对应我们的写法, 调用到了hubconf.py的yolov5s方法我们继续看_create方法去除了无效代码, 我们可以看出, 首先将模型加载成对象, 这也是detect.py中用到的检测模型, 然后, 再封装成AutoShape对象,预检测框生成。]]></description><category></category></item><item><title><![CDATA[【yolo】yolov5 对不同媒体源的处理方式]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140131567</link><guid>https://blog.csdn.net/qq_51677409/article/details/140131567</guid><author>qq_51677409</author><pubDate>Tue, 02 Jul 2024 17:09:31 +0800</pubDate><description><![CDATA[yolov5 可以处理不同格式的数据, 如图像, 视频, 截屏, 摄像头, 流媒体等等。]]></description><category></category></item><item><title><![CDATA[【yolo】图像预处理方法letterbox]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140125828</link><guid>https://blog.csdn.net/qq_51677409/article/details/140125828</guid><author>qq_51677409</author><pubDate>Tue, 02 Jul 2024 14:26:41 +0800</pubDate><description><![CDATA[letterbox被用于LoadImages类的__next__方法中, 用于输入图像尺寸的预处理。letterbox实现了图像调整技术，主要用于深度学习领域中的物体检测任务，确保不同尺寸的输入图像能被模型接受。Letterbox的原理很简单。当输入图像的纵横比与模型所需不一致时，Letterbox会在图像的顶部和底部添加填充（通常是黑色或与背景色相同），以保持纵横比的一致性。填充的宽度会根据纵横比差异进行调整。这种方法可以确保模型能够处理各种纵横比的图像，并减少因纵横比差异导致的问题。]]></description><category></category></item><item><title><![CDATA[【yolo】非极大值抑制NMS在yolov5的使用与实现详解,含简单示例与代码解析]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140118141</link><guid>https://blog.csdn.net/qq_51677409/article/details/140118141</guid><author>qq_51677409</author><pubDate>Tue, 02 Jul 2024 09:44:40 +0800</pubDate><description><![CDATA[🚀交并比（IoU， Intersection over Union）是一种计算不同图像相互重叠比例的算法，经常被用于深度学习领域的目标检测或语义分割任务中。在我们得到模型输出的预测框位置后，也可以计算输出框与真实框（Ground Truth Bound）之间的 IoU，此时，这个框的取值范围为 0～1，0 表示两个框不相交，1 表示两个框正好重合。]]></description><category></category></item><item><title><![CDATA[【yolo】目标检测预测框生成流程浅析, 含示例]]></title><link>https://blog.csdn.net/qq_51677409/article/details/140027915</link><guid>https://blog.csdn.net/qq_51677409/article/details/140027915</guid><author>qq_51677409</author><pubDate>Fri, 28 Jun 2024 00:13:41 +0800</pubDate><description><![CDATA[首先是配置文件, 我们在配置文件中可以看到这样的配置项关于和可以看这篇文档简单来说, 模型深度系数就是配置文件中模型重复次数∗模型深度系数模型宽度系数就是模型输出维度args的第一个参数∗模型深度系数我们主要关注的是锚点配置项表示三组数据, 分别对应宽高, 是对应特征图缩小 8 倍时对应的参数, 其他类似, 后续我们将提到相关参数的使用方式。]]></description><category></category></item><item><title><![CDATA[【毕业设计】卷积神经网络（CNN）的图像分类算法研究]]></title><link>https://blog.csdn.net/qq_51677409/article/details/139357070</link><guid>https://blog.csdn.net/qq_51677409/article/details/139357070</guid><author>qq_51677409</author><pubDate>Fri, 31 May 2024 16:56:56 +0800</pubDate><description><![CDATA[通过上述方法，能够利用到模型在公开数据集上的学习到的特征，同时也能加速模型的收敛并提升其在图像分类上的性能。该模型能够在保持较低计算资源消耗的同时，实现高精度的图像类别识别，此项研究丰富了卷积神经网络在图像分类任务上的应用实践，有望在未来智能图像处理系统的发展提供思路。图像分类算法在众多领域和实际应用场景中具有非常重要的作用，但是传统的基于机器学习的图像分类算法存在准确率不高、泛化能力不足、效率低下以及对复杂图像解析能力不足等问题。需要项目与论文的同学联系QQ。]]></description><category></category></item><item><title><![CDATA[【毕业设计】基于Spring boot和Vue 2的电商推荐秒杀平台]]></title><link>https://blog.csdn.net/qq_51677409/article/details/139356712</link><guid>https://blog.csdn.net/qq_51677409/article/details/139356712</guid><author>qq_51677409</author><pubDate>Fri, 31 May 2024 16:53:54 +0800</pubDate><description><![CDATA[该平台不仅提供了一个基于智能家居的购物平台，还通过研究和实践，推动智能家居与电子商务的深度融合，打破传统购物模式的局限，提供个性化、智能化的购物体验。此外，平台还打通了智能家居设备与购物平台的连接，实现设备与应用之间的数据共享和交互，为用户提供更多便利和选择。因此，智能家居购物平台具有重要的意义和广阔的应用前景。一个由Spring boot和Vue2实现的电商平台，实现了包括秒杀，购物车，下单，后台管理等多项功能，同时也整合了推荐系统，也可以提供了京东爬虫进行商品数据爬取。]]></description><category></category></item><item><title><![CDATA[【毕业设计】基于知识图谱的医疗问答机器人]]></title><link>https://blog.csdn.net/qq_51677409/article/details/137884461</link><guid>https://blog.csdn.net/qq_51677409/article/details/137884461</guid><author>qq_51677409</author><pubDate>Wed, 17 Apr 2024 18:53:58 +0800</pubDate><description><![CDATA[此外，项目还接入了chatglm大模型，若知识图谱没有对应的内容，将调用chatglm进行回答。使用到了neo4j数据库，将数据库中的内容查询出来返回给用户。基于知识图谱的医疗机器人聊天项目。基于知识图谱的医疗问答机器人。]]></description><category></category></item><item><title><![CDATA[【毕业设计】 基于向量搜索的以图搜图实战]]></title><link>https://blog.csdn.net/qq_51677409/article/details/137054128</link><guid>https://blog.csdn.net/qq_51677409/article/details/137054128</guid><author>qq_51677409</author><pubDate>Tue, 26 Mar 2024 18:36:25 +0800</pubDate><description><![CDATA[通过该系统，用户可以上传一张图片，系统便能够自动在数据库中寻找与该图片相似或相关的其他图片，从而实现以图搜图的功能。首先，我们采用了深度学习领域的模型——ResNet50，该模型在图像识别任务中表现出色，能够有效地提取出图片中的关键特征。此外，我们还利用了 Gradio 这个快速构建机器学习接口的库，使得用户可以方便地通过界面与系统进行交互，上传图片并获取搜索结果。其次，我们使用了 faiss 这个高性能的相似度搜索和聚类库，它能够帮助我们快速地在海量图片中找出与目标图片相似的图片。]]></description><category></category></item><item><title><![CDATA[【毕业设计】基于java的自动排课系统算法讲解]]></title><link>https://blog.csdn.net/qq_51677409/article/details/136857108</link><guid>https://blog.csdn.net/qq_51677409/article/details/136857108</guid><author>qq_51677409</author><pubDate>Tue, 19 Mar 2024 22:12:08 +0800</pubDate><description><![CDATA[遗传算法, 冲突在不考虑教室的情况下, 主要是一个老师不能再同一时间上多门课, 一旦出现这个问题, 随机一个时间, 再次进行冲突检查。这里的适应度值主要通过课程的期望值获得, 期望值指的是每种课程在每种时间开展的适合度, 越适合期望值越高。接下来, 根据不同的课程类型, 按人数随机分配教室, 同时还要判断该教室是否在同一时间有别的班级使用了。分配教室的策略是这样的, 首先判断课程类型, 每种课程类型有着不一样的可用教室。将这些排课数据进行编码, 课程划分为固定时间的和不固定时间的, 输出染色体。]]></description><category></category></item><item><title><![CDATA[【毕业设计】基于Simhash的Python文本查重系统]]></title><link>https://blog.csdn.net/qq_51677409/article/details/136504524</link><guid>https://blog.csdn.net/qq_51677409/article/details/136504524</guid><author>qq_51677409</author><pubDate>Wed, 06 Mar 2024 14:09:01 +0800</pubDate><description><![CDATA[基于Simhash的Python文本查重系统，包含CSDN爬虫和文本查重系统。本系统采用Flask进行部署。使用爬虫前的sql代码结构。有需要的同学私信扣扣。]]></description><category></category></item><item><title><![CDATA[simhash长文本查重算法原理与实战]]></title><link>https://blog.csdn.net/qq_51677409/article/details/136413361</link><guid>https://blog.csdn.net/qq_51677409/article/details/136413361</guid><author>qq_51677409</author><pubDate>Sat, 02 Mar 2024 12:32:16 +0800</pubDate><description><![CDATA[SimHash本身属于一种局部敏感hash，其主要思想是降维，将高维的特征向量转化成一个f位的指纹（fingerprint），通过算出两个指纹的海明距离（hamming distince）来确定两篇文章的相似度，海明距离越小，相似度越低（根据 Detecting Near-Duplicates for Web Crawling 论文中所说），。simhash也有其局限性，在处理小于500字的短文本时，simhash的表现并不是很好，所以在使用simhash前一定要注意这个细节。参考文献。]]></description><category></category></item><item><title><![CDATA[properties 文件读取和写入]]></title><link>https://blog.csdn.net/qq_51677409/article/details/122119617</link><guid>https://blog.csdn.net/qq_51677409/article/details/122119617</guid><author>qq_51677409</author><pubDate>Sun, 25 Feb 2024 22:15:59 +0800</pubDate><description><![CDATA[读取properties 文件
通过上述的 classloader 获取项目根路径 ,我们来加载 properties 文件
user=hjy
passwd=123456


public class App
{
    public static void main( String[] args ) throws ClassNotFoundException, IOException {
        // 随便 new 的一个对象 ,用来获取 classloader
        hello hel]]></description><category></category></item><item><title><![CDATA[JAVASE提高 -- 线程池]]></title><link>https://blog.csdn.net/qq_51677409/article/details/123883607</link><guid>https://blog.csdn.net/qq_51677409/article/details/123883607</guid><author>qq_51677409</author><pubDate>Sun, 25 Feb 2024 22:14:40 +0800</pubDate><description><![CDATA[1. 线程池概述
什么是线程池
线程池其实就是一种多线程处理形式，处理过程中可以将任务添加到队列中，然后在创建线程后自动启动这些任务。这里的线程就是我们前面学过的线程,这里的任务就是我们前面学过的实现了Runnable或Callable接口的实例对象;
为什么使用线程池
使用线程池最大的原因就是可以根据系统的需求和硬件环境灵活的控制线程的数量,且可以对所有线程进行统一的管理和控制,从而提高系统的运行效率,降低系统运行运行压力;当然了,使用线程池的原因不仅仅只有这些,我们可以从线程池自身的优点上来进一步了解线]]></description><category></category></item><item><title><![CDATA[C++ 实现通讯录]]></title><link>https://blog.csdn.net/qq_51677409/article/details/134410611</link><guid>https://blog.csdn.net/qq_51677409/article/details/134410611</guid><author>qq_51677409</author><pubDate>Tue, 14 Nov 2023 23:58:15 +0800</pubDate><description><![CDATA[本文主要通过利用C++实现一个通讯录管理系统。]]></description><category></category></item></channel></rss>