原创 【讀書筆記】讀《癌症:真相》

讀這本書之前,我並沒有看過作者的公衆號“健康不是鬧着玩兒”,也沒有讀過類似的醫學科普類書籍,遇到此書也只是機緣巧合隨手翻之,沒想到一翻就停不下來,內容出乎意料的好。 整本書是作者博文(博客地址)的合集,涵蓋了有關癌症分類,誘因,治療等方方

原创 【航拍】北疆

8月底去新疆玩了兩週,自駕獨庫公路,景色非常贊! 秀一下自己無人機拍攝的視頻,雖然操作很不熟練,幾度炸機,4k剪輯也很痛苦,但最後的成品還是能看的(๑¯∀¯๑)自己打個60分吧~ 視頻鏈接   從小到大第一次在外面浪這麼久,剛到第二週就

原创 【Android】性能優化:渲染

Google在Udacity上發佈了《Android Performance》的在線課程,介紹瞭如何通過工具識別和和修復性能問題。課程分爲四節:渲染,計算,內存,耗電。比較系統,難度不高,學完大概6~8個小時。有些內容可能稍有過時(後文會

原创 【Android】生成隨機數

幾種動態生成隨機數的方法: 使用System#currentTimeMillis()獲取一個當前時間毫秒數的long型數字 使用Random#nextInt(int n)產生一個0到n之間整數 使用Math#random()返回一個0到1

原创 【圖像處理】快速計算積分圖

積分圖是圖像中十分常用的方法,最初是在Haar特徵的快速計算中學到(參考博文:利用積分圖像法快速計算Haar特徵),後來發現在均值濾波,二值化等圖像處理方法中也十分常見。積分圖的簡要介紹可以參考博文:利用積分圖像法快速計算Haar特徵,這

原创 【Android】性能分析工具:開篇

There are known knowns; there are things we know we know. We also know there are known unknowns; that is to say we kno

原创 【模式識別】多層感知器 MLP

由前面介紹看到,單個感知器能夠完成線性可分數據的分類問題,是一種最簡單的可以“學習”的機器。但他無法解決非線性問題。比如下圖中的XOR問題:即(1,1)(-1,-1)屬於同一類,而(1,-1)(-1,1)屬於第二類的問題,不能由單個感知器

原创 【計算機視覺】步態能量圖GEI

GEI簡介步態能量圖(Gait Engery Image, GEI)是步態檢測中最非常常用的特徵,提取方法簡單,也能很好的表現步態的速度,形態等特徵。其定義如下:其中,表示在第q個步態序列中,時刻t的步態剪影圖中座標爲(x,y)的像素值。

原创 【體系結構】轉移預測器性能的定量評價

幾種預測器的設計參見前一篇博文(這裏)定量評價幾種預測器的預測準確率轉移預測的分析和評測過程主要基於給定的指令序列蹤跡。輸入的文本文件將給出指令序列蹤跡,該文件包含N行,每一行包括三個數據,分別爲當前指令PC、下一指令PC、當前指令類型(

原创 【模式識別】最小平方誤差判別 MSE

最小平方誤差判別準則函數 對於上一節提出的不等式組: 在線性不可分的情況下,不等式組不可能同時滿足。一種直觀的想法就是,希望求一個a*使被錯分的樣本儘可能少。這種方法通過求解線性不等式組來最小化錯分樣本數目,通常採用搜索算法求解。 爲了

原创 【模式識別】反向傳播神經網絡 BPNN

回顧感知器學習算法,其核心思想是梯度下降法,即以訓練樣本被錯分的程度爲目標函數,訓練中每次出現錯誤時便使權係數朝着目標函數相對於權係數負梯度方向更新,知道目標中沒有被錯分的樣本爲止。 而多層感知器模型中,神經元傳遞函數是階躍函數,輸出端的

原创 【計算機視覺】角度轉換模型VTM

VTM簡介多角度步態檢測問題解決的方法通常有三類:利用多攝像機系統建立3D模型;提取與角度無關的步態特徵;角度轉換模型。角度轉換模型(View Transformation Model)最基礎的是利用奇異值分解(Singular Valu

原创 【體系結構】轉移預測器設計與比較

關聯預測器一個[m,n]預測器表示使用前m個分支行爲去從2^m個分支預測中進行選擇,每一個預測是對應於單個分支的n位預測器。這種相關分支預測器的吸引人之處,即在於它與兩位預測器相比可以取得更高的預測率,並且只需要少量的額外硬件支持。其硬件

原创 【模式識別】OpenCV中使用神經網絡 CvANN_MLP

OpenCV的ml模塊實現了人工神經網絡(Artificial Neural Networks, ANN)最典型的多層感知器(multi-layer perceptrons, MLP)模型。由於ml模型實現的算法都繼承自統一的CvStat

原创 【圖像處理】全分發TV圖像去噪

TV去噪主頁:http://visl.technion.ac.il/~gilboa/PDE-filt/tv_denoising.html可以下載MATLAB代碼。function J=tv(I,iter,dt,ep,lam,I0,C) %