qq_52259359的博客

原创 linux环境下pytorch（GPU版本）的安装

print(torch.cuda.is_available()) # 能否调用cuda Ture/False。print(torch.__version__) # torch版本。anaconda -V（注意a要小写，V要大写）；conda -V ,显示版本信息。1.安装anaconda。3.安装pytorch。

原创 安装pytorch出现的问题

1.要清理 Anaconda3 安装过程中可能留下的残留文件。3.安装pytorch要先激活。2.安装Anaconda。3.磁盘不够，需要分区。

原创 Linux有一个不能联网

原创 深度学习DAY 1

发现学习率写成了0.5，改成0.005即可解决问题。定义模型结构（例如输入特征的数量）4计算成本函数与梯度L,dw，db。3.1 计算当前损失（正向传播）3.2 计算当前梯度（反向传播）#2.定义sigmoid函数。3.3 更新参数（梯度下降）出现误差值为：nan。①图片降维+归一化#

原创 DAY 1

2.出现500 : Internal Server Error。1.输入jupyter notebook出现死循环。

原创 11.17

全部步骤看版本号cd ..

原创 可用数据集链接

监控视频异常检测数据集整理_监控视频数据集-CSDN博客

原创 【无标题】全是错误

file E:\研一\after10.20\boosting\VADNet-main\VADNet-main\test.py, line 104。

原创 软件设计师

对某有序顺序表进行折半查找时，进行比较的关键字不可能的是A42，62，90，85，77B90，85，61，77，42.为什么。

原创 视频异常检测论文

首先，提出了一种新的变分正态推理(VNI)模块，用于在条件变分自编码器(CVAE)框架中进行图像重构，该框架学习概率决策模型而不是传统的确定性决策模型。1.问题：大多数现有方法的视觉表征受到短期观察序列的限制，不能为实现合理的检测提供足够的线索。现有方法在 UCF-crime 和 DOTA 数据集上的 AUC 普遍较低，可能是因为这些数据集的场景相对复杂，变化和噪声较多。异常事件的及时定位也是未来研究的发展方向。3.现有的方法假设训练视频和测试视频来自同一个场景，当遇到不可见的场景时，泛化性能较差。

原创 chatgpt

将输入序列拆分为时间序列和特征序列，在 LSTM 网络模型前引入注意力机制对两个序 列分别进行注意力计算，然后再进行融合，，接着 将带有权重信息的序列作为 LSTM 的输入，LSTM 网络 能够根据重要程度自适应的选择最重要的输入特征， 并且能够捕捉到较长时间跨度的时间序列之间的依赖 关系。为什么在LSTM的输入层后加入全连接神经网络层，初始权重与LSTM初始权重相同，增加整个 网络深度，提升特征提取效率可以解决lstm长期记忆的问题（可以引入更多的非线性激活函数和学习参数，以提高网络的特征提取能力。

原创 8月份2.0LSTM

方法：首先通过时域分析法和残差网络对时域特征值和空间特征进行提取并进行特征融合，其次将融合的特征值输入双向长短期记忆网络进行时序特征提取，最后利用 Softmax 进行 分类。5.基于多特征的 Res-BiLSTM 滚动轴承故障诊断。问题：特征提取单一或特征提取缺失影响长期记忆。

原创 8月份：基于预测的视频异常事件

方法：融入改进注意力机制的长短期记忆网络---将输入序列拆分为时间序列和特征序列，在 LSTM 网络模型前引入注意力机制对两个序 列分别进行注意力计算，然后再进行融合，，序列更长-----长期依赖问题（由于梯度消失、爆炸，难以捕捉关系）-----------LSTM（记忆单源）、GRU（门机制）、序列过长------优化时出现梯度消散--------------规定最大长度，当序列长度超过规定长度之后会对序列进行截断。LSTM-HLR：长短时记忆网络和历史记忆行为序列间隔重复模型的学习和记忆模型。

原创 视频异常检测2

②卷积神经网络（CNN）或循环神经网络（RNN）来学习视频的时空特征，并进行视频事件的表示和分类,基于重构，基于预测。分类：单分类（单分类器）、多分类（自编码器的特征向量来表示全局特征，再将特征送入高斯 分类器进行二分类异常检测）⑥IITB-Corridor：数据多，回归+弱监督（视频级别、视频片段级别），目前使用少，异常数量、种类多。①②依赖特征、适合异常少的视频、使用于视频少的数据集，检测+定位，无监督。②subway：重构，视频数量少，异常视频少，异常种类单一。

原创 【无标题】视频异常检测

是：（１） 样本不平衡性（２）类内差异显著，异常视频不仅少见而且复 杂，异常事件差异大，很难罗列出所有的异常事件。：无监督：大多数模型仍然依赖于人工标注等先验信息，仍需要人工干预的条件下进行，另外，在基准数据集方面，大部分的数据集仍是小规模的监控 视频数据集，异常种类单一，应用场景有一定的局限性。：异常事件定义具有场景依赖性、异常事件的稀少性、异常样本的不确定性（特征、原因等）及视频信息的多样性。人群的异常活动较少见，人群异常行为基准数据集的数量较少。外观异常，短期运动异常，长期轨迹异常，群体异常，

原创 融合自注意力和自编码器的视频异常检测

③本文在特征层面通过Transformer进行运动模式挖掘，提升了异常检测的性能，并进行了可视化分析+收集了针对异常分析的室内动作数据集+(针对周期性的近景手部动作)除了传统的重建损失外，本文进一步引入动态图约束引导网络关注运动轨迹区域。通过计算每一个位置与其他位置之间的相关性，得出每一个位置相对于所有位置的权重，这个权重用来加权求和。卷积自编码器网络的特征提取能力有限，难以处理复杂场景的各种异常模式-------本文将预测网络和具有。⑤强度指的是图像像素的亮度或颜色值，梯度是指图像中像素强度的变化率。

原创 用户登录界面

super().__init__(parent=None, title='登录系统', size=(300, 200))wx.MessageBox('用户名或密码错误', '提示', wx.OK | wx.ICON_ERROR)wx.MessageBox('注册成功', '提示', wx.OK | wx.ICON_INFORMATION)self.register_button = wx.Button(panel, label='注册')

原创 数据库相关知识

message = "眨眼"# 生成数据并存入数据库。# 提交更改并关闭连接。

原创 疲劳检测（哈欠、点头、眨眼）

【代码】疲劳检测（哈欠、点头、眨眼）

原创 疲劳检测（嘴部）

【代码】疲劳检测（嘴部）

原创 眼部疲劳检测

只能检测一次眼部疲劳。

原创 疲劳检测（特征提取）

【代码】疲劳检测（特征提取）

原创 图像处理。。

3.改变PyCharm的 python版本。同上：改为opencv-ptyhon。