高斯

《Precise Detection in Densely Packed Scenes》 是发表在2019cvpr上的文章并且有源码。 代码地址：https://github.com/eg4000/SKU110K_CVPR19 这篇文章的目的是对于一些人为的密集场景的物体进行检测定位。如下图所示，在一些商店的货架上待售商品摆放密集。使用一些SOTA的方法如RetinaNet，会出现检测框重叠的问题，如图中a所示。使用文章方法可以减少这种问题，如图中b所示。其中c和d是对a和b的局部区域放大的结果。 文章方法分为四步，图片输入，网络提取特征，EM-Merger推断，NMS，不完全对应但基本可以用下图表示。 一、网络结构 如上图中的b所示，文章采用resnet50作为主干网络，网络采用FPN框架，网络有三个输出分支都采用了RPN结果，其中有两个和RetinaNet一样。 一个是detection head，是用来回归定位物体的，输出为(x,y,h,w)坐标，用来表示网络检测的物体坐标。 第二个是classification，是用来说明是什么物体的，输出的值取值在0-1之间。 第三个是新提出来的，取名为soft-iou layer。 1.1 Soft-IoU Layer 先说明一下为什么要提出这个网络层。在一般的物体检测算法中，检测出来的框要经过一个叫NMS的后处理

有方程组 \[\begin{cases}k_{1,1}a_1+k_{1,2}a_2+……+k_{1,n}a_n=b_1\\k_{2,1}a_1+k_{2,2}a_2+……+k_{2,n}a_n=b_2\\……\\k_{n,1}a_1+k_{n,2}a_2+……+k_{n,n}a_n=b_n\end{cases}\] 其中 \(k_i,b_i\) 已知，求 \(a_i\) 根据初中芝士，我们可以选择加减/代入消元，但是对于算法来说，我们要有一般性的方法 一般来说，我们选择把主对角线全部消成 \(1\) ，主对角线下的数全部消成 \(0\) \[\begin{cases}1　k^{'}_{1,2}　k^{'}_{1,3}=b^{'}_{1}\\0　1　k^{'}_{2,3}=b^{'}_{2}\\0　0　1=b^{'}_{3}\end{cases}\] 类似这样的，如果消不成上三角，那么说明原方程组无解 我们每次选择一个绝对值最大的系数，先将该系数消成 \(1\) 用该项将其他式子的对应项直接消为 \(0\) ，其他项对应减去 \(\frac{a_{jnow}}{a_{inow}}*a_{iw}\) 至于为什么选最大的，首先如果最大的为 \(0\) 或小于 \(eps\) ，那么方程组无解，其次选择最大的可以降低精度误差 对于 \(n\) 元方程组，显然需要消元 \(n\) 次

本文科普一下高斯白噪声（white Gaussian noise，WGN）。 　　百度百科上解释为“ 高斯白噪声，幅度分布服从高斯分布，功率谱密度服从均匀分布 ”，听起来有些晦涩难懂，下面结合例子通俗而详细地介绍一下。 　　白噪声，如同白光一样，是所有颜色的光叠加而成，不同颜色的光本质区别是的它们的频率各不相同（如红色光波长长而频率低，相应的，紫色光波长短而频率高）。 白噪声在功率谱上（若以频率为横轴，信号幅度的平方为功率）趋近为常值，这个常值是不确定的，在不同的环境中这个常值是不同的 。即噪声频率丰富，在整个频谱上都有成分，即从低频到高频，每个频段的功率都相同，低频指的是信号不变或缓慢变化，高频指的是信号突变。 　　由傅里叶变换性质可知， 时域有限，频域无限；频域有限，时域无限 。那么频域无限的信号变换到时域上，对应于冲击函数的整数倍（由公式也可推得：）。即说明在时间轴的某点上，噪声孤立，与其它点的噪声无关，也就是说，该点噪声幅值可以任意，不受前后点噪声幅值影响。简而言之， 任意时刻出现的噪声幅值都是随机的 （这句话实际上说的就是 功率谱密度服从均与分布 的意思，不同的是，前者从时域角度描述，而后者是从频域角度描述）。这里要指出 功率谱密度 （Power Spectral Density，PSD）的概念，它从频域角度出发，定义了信号的功率是如何随频率分布的， 即以频率为横轴

groupadd dbgrp useradd -g dbgrp omm passwd omm mkdir -p /opt/gaussdb/app mkdir -p /opt/gaussdb/data chown -R omm:dbgrp /opt/gaussdb python install.py -U omm:dbgrp -R /opt/gaussdb/app -D /opt/gaussdb/data -C LSNR_ADDR=127.0.0.1 -C LSNR_PORT=1611 -g withoutroot 来源： 51CTO 作者： whdba 链接： https://blog.51cto.com/alanfree/2454038

int TempltExcuteAsh(BYTE** imageBuf0, int w, int h, int* templt, int tw, int x, int y) { int i, j; int m = 0; int px, py; //依次对邻域中每个像素进行运算 for (i = 0; i < tw; i++){ for (j = 0; j < tw; j++){ //计算对应模板上位置的像素在源图像中的位置, 此处tw是int，则tw/2也是int py = y - (int)tw / 2 + i; px = x - (int)tw / 2 + j; //加权求和 m += imageBuf0[py][px] * templt[i * tw + j]; } } return m; } void SmoothGaussAsh(BYTE* image0, BYTE* image1, UINT w, UINT h) { BYTE** imageBuf0 = CreateImage(image0, w, h); BYTE** imageBuf1 = CreateImage(image1, w, h); int templt[9] = { 1, 2, 1, 2, 4, 2, 1, 2, 1 }; int x, y; int a; int scale;//衰减因子 scale

题目描述 高斯是德国伟大的数学家。小时候他就是一个爱动脑筋的聪明孩子。 还是上小学时，一次一位老师想治一治班上的淘气学生，他出了一道数学题，让学生从１＋２＋３……一直加到１００为止。他想这道题足够这帮学生算半天的，他也可能得到半天悠闲。谁知，出乎他的意料，刚刚过了一会儿。小高斯就举起手来，说他算完了。老师一看答案，５０５０，完全正确。老师惊诧不已。问小高斯是怎么算出来的。 高斯说，他不是从开始加到末尾，而是先把１和１００相加，得到１０１，再把２和９９相加，也得１０１，最后５０和５１相加，也得１０１，这样一共有５０个１０１，结果当然就是５０５０了。聪明的高斯受到了老师的表扬。 高斯的这种算法后来被称为高斯定理。 当然，现在我们用计算机来实现加法运算，不用高斯定理也可以算的这么快了。不过大家很多时候需要学会动脑筋哦。 输入 有多组测试数据，每组一行，输入一个正整数N。 输出 对于每组数据输出一行，计算1+2+3+…+N的和，并输出 样例输入 2 5 样例输出 3 15 #include<stdio.h> int fact(int n); int main() { int n; while(scanf("%d",&n)!=EOF) { printf("%d\n",fact(n)); } return 0; } int fact(int n) { int i,s=0; for(i=1;i<

没看懂广义积分那怎么就可以拆分成重积分了？ 我先去复习一下定积分，再来看怎么回事。 书就不点名了，反正就是写得故意不让人看懂的样子。 是写者水平太高故意省略很多细节信息呢？还是我水平太菜理解不了？还是其他什么原因呢？ 反正我就是要弄得高斯怎么想的。 来源： https://www.cnblogs.com/tamkery/p/12011033.html

learning to see.pdf @lutingting 2016-11-04 16:15 字数 10899 阅读 4087 SIFT特征提取及匹配 数字图像处理 图像特征提取 SIFT特征提取及匹配 1.SIFT（Scale-invariant feature transform）算子的核心思想 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析 例子1 例子2 现实生活中的例子 2.2 SIFT中的尺度空间的概念 3.SIFT特征提取 3.1 尺度空间极值检测 3.1.1 尺度空间的建立（高斯金字塔的建立） 3.1.2 图像差分高斯金字塔（DoG）的建立 3.1.3 尺度空间中特征点的检测（DoG中极值点的检测） 3.2 关键点位置及尺度确定 3.3 关键点方向确定 3.4 特征向量生成 4.SIFT特征的匹配 5.下面是一些参考程序 5.1 5.2 1.SIFT（Scale-invariant feature transform）算子的核心思想 利用不同尺度的高斯核函数对图像进行平滑，即构造图像的尺度空间 比较不同尺度平滑后的图像差别，在某局部范围内，差别最大或者差别最小的像素点就是特征明显的点 由于SIFT特征的检测方式，使得它具有： 尺度不变性：在尺度空间内进行的特征点检测 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析

逻辑回归的前因后果 LR的泛化形式 – 广义线性模型 最简单的线性回归模型，函数对于 x 和 w 都是线性的： y ( x ) = w T x + w 0 //--> 它是二维坐标系中的一条直线，或者三维空间中的一个平面，在高维空间则是超平面。为了把它用于分类，可以给它加一个激活函数，把值域压缩到小区间，比如(0, 1)之间，这就是广义线性模型： y ( x ) = f ( w T x + w 0 ) //--> 当激活函数是logistic-sigmoid函数时，这个分类方法就是LR： p ( C 1 | ϕ ) = σ ( w T ϕ ) //--> 从回归方法演化而来，LR虽用于分类，它的输出却不是{0，1}两类，而是一个连续的函数，所以名字还叫“回归”而不是“分类”。 为什么用logistic-sigmoid函数 首先，LR是判别模型，即它直接求后验概率，那么想象一下，一个只有两类的后验概率 应该是什么形状 ？ 用例子说明，假设男女比例相等，男女两类的先验概率：p(男人)=1/2，p(女人)=1/2 现在给先验概率加一个条件：身高，即知道一个人的身高，猜它是男的概率，是女的概率。高个子通常是男的，但也可能是女的。在各种不同身高条件下，有了一系列 后验概率 ： p (男| 150 ) =1/8 | p (男| 160 ) =1/5 | p (男| 170 ) =1/2 | p

第一个问题：高斯函数为什么能作为图像处理中的滤波函数？ 高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真． （3）高斯函数的付立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号． （4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好