金字塔

塔友们都知道金字塔做套利要专业版，实际上标准版也能做，还能回测，下边我就分享一下这个窍门哈！ 做一个简单的价差公式看看有没有套利机会，我们以06和09合约为例： C1:="IF06$CLOSE"; C2:="IF09$CLOSE"; A:C1-C2; b:=50; IF STRCMP(STKLABEL,'IF06') = 0 THEN BEGIN SELL(A < b, 1, LIMITR,C); BUY(A > b AND HOLDING=0,1,LIMITR,C); END IF STRCMP(STKLABEL,'IF09') = 0 THEN BEGIN BUYSHORT(A > b AND HOLDING = 0, 1, LIMITR,C); SELLSHORT(A < b,1,LIMITR,C); END 历史回测的时候加入两个品种测试就可以了。 来源： 51CTO 作者： wx5e12f999c9588 链接： https://blog.51cto.com/14661216/2481689

虽然探索金字塔是极其老套的剧情，但是有一队探险家还是到了某金字塔脚下。 经过多年的研究，科学家对这座金字塔的内部结构已经有所了解。 首先，金字塔由若干房间组成，房间之间连有通道。 如果把房间看作节点，通道看作边的话，整个金字塔呈现一个有根树结构，节点的子树之间有序，金字塔有唯一的一个入口通向树根。 并且，每个房间的墙壁都涂有若干种颜色的一种。 探险队员打算进一步了解金字塔的结构，为此，他们使用了一种特殊设计的机器人。 这种机器人会从入口进入金字塔，之后对金字塔进行深度优先遍历。 机器人每进入一个房间（无论是第一次进入还是返回），都会记录这个房间的颜色。 最后，机器人会从入口退出金字塔。 显然，机器人会访问每个房间至少一次，并且穿越每条通道恰好两次（两个方向各一次）， 然后，机器人会得到一个颜色序列。 但是，探险队员发现这个颜色序列并不能唯一确定金字塔的结构。 现在他们想请你帮助他们计算，对于一个给定的颜色序列，有多少种可能的结构会得到这个序列。 因为结果可能会非常大，你只需要输出答案对10^9 取模之后的值。 输入格式 输入仅一行，包含一个字符串S，长度不超过300，表示机器人得到的颜色序列。 输出格式 输出一个整数表示答案。 输入样例： ABABABA 输出样例： 5 # include <bits/stdc++.h> using namespace std ; const

本文参考博客：https://blog.csdn.net/fangjian1204/article/details/10522455 文章目录 一、建立高斯差分金字塔 1.基本概念 2.构建高斯金字塔 3.构建Dog金字塔 二、关键点位置确定 1.基本概念 2.DoG局部极值点 3.去除边缘响应 三、关键点方向分配 四、关键点描述 五、匹配 5.1 数据集 5.2 图片的SIFT特征提取 5.3 计算两张图片SIFT特征匹配结果 5.4 检索匹配 六、实验总结 -错误分析 -算法分析 一、建立高斯差分金字塔 1.基本概念 高斯金字塔里有两个概念：组（Octave）和层（Level）； 不同大小的图片是组；同样大小的图片，在内部是层； 在同一组内，不同层图像的尺寸是一样的； 2.构建高斯金字塔 高斯金字塔每层中的多幅图像，是通过对同一幅输入图像进行不同尺度的高斯卷积得来的。 高斯金字塔的组数为： 计算高斯模糊的系数σ： σ 为尺度空间坐标， s 为每组中层坐标， σ0 为初始尺度， S 为每组层数（一般层数为3~5）。 根据公式推理可以得到，金字塔组内各层尺度以及组间各图像尺度关系： 相邻两组的同一层尺度为2倍的关系 。 3.构建Dog金字塔 高斯金字塔相邻两层相减，便可以得到 DoG （Difference of Gaussian）金字塔。

1. 输入一个正整数 n，输出高为 n 的由’*'组成的等腰三角形。 输入样例： 4 输出样例： * * * * * * * * * * * * * * * * # include <stdio.h> int main ( ) { int maxline ; scanf ( "%d" , & maxline ) ; for ( int i = 1 ; i <= maxline ; ++ i ) { int j ; for ( j = 1 ; j <= maxline - i ; ++ j ) { printf ( " " ) ; } for ( j = 1 ; j <= ( 2 * i - 1 ) ; ++ j ) { printf ( "*" ) ; } printf ( "\n" ) ; } return 0 ; } 2. 输入一个正整数 n，输出高为 n 的由’*'组成的倒等腰三角形。 # include <stdio.h> int main ( ) { int maxline ; scanf ( "%d" , & maxline ) ; for ( int i = 0 ; i <= maxline ; ++ i ) { int j ; for ( j = 1 ; j <= i ; ++ j ) { printf ( " " ) ; } for ( j = 1 ; j <=

这是一篇AAAI2020的文章，这篇论文的核心思想是 根据尺度不变性（尺度的变化不会改变特征），在残差块中增加不同尺度的特征的融合 。可以概括为：提取特征金字塔， 尺度变换+特征融合 ，跳跃连接，输出。 以论文中的图为例，具体操作可表述如下： 输入图像，经过卷积生成一个特征金字塔，该特征金字塔经过残差块生成一个新的特征金字塔（也可以通过多个残差块生成多个特征金字塔），最后再进行卷积。 下方为一个跳跃连接，即将输入的图像卷积一次。 、最后相加，经过Pixel Shuffle输出。 结合代码数一下残差块的工作过程： 从上面两张图看以看出，特征金字塔在残差块中的尺度变换过程，就是高分辨率变低分辨率，低分辨率变高分辨率，到达同一分辨率后将特征进行融合，然后生成新的特征金字塔。 从代码上看（ https://github.com/ychfan/scn/blob/master/models/scn.py ），残差块中的操作集中在BLOCK类中， 我们不妨假设，网络输入的特征为F，在经过Head类（进行下采样操作）后，网络的特征列表为x_list = [F,1/2F,1/4F]。首先看到self.body，其功能是对输入进行conv2d+bn+conv2d的操作，可以看到这是一个残差连接的前半部分的操作（与输入连接之前），现在的特征是res_list = [F,1/2F,1/4F]。self

1 2 2 3 3 3 4 4 4 4 5 5 5 5 5 左对齐右对齐问题 来源： CSDN 作者： m0_45867945 链接： https://blog.csdn.net/m0_45867945/article/details/104478354

1. 概述 通常我们在工作中下载谷歌卫星影像数据时，轻则几百M，重则几百个G甚至上TB级。影像数据太大，是大家经常会遇到的一个问题，尤其是想下载一个省以上数据的时候该问题尤为突出。那么该问题是否有一个比较好的解决方案呢？ 2. 省级以上大范围下载的错误方法 以下载江西省的卫星影像数据为例，该省16.7万平方公里。大家通常在下载这样大范围卫星影像的时候，总是会框选一个比较大的目标范围或选择一个省范围，点击显示的"下载"按钮就开始下载，如下图所示。 下载范围 当然，以上步聚没有错，只是如果需要下载比较大的数据范围，需要在新建任务对话框中配置正确的参数。大多数用户下载影像时总会错误地将所有级别全部选择上，通常我们下载数据建议只选择第19级就可以了，当然现在有好多地方可以下载到第21级，至于第22级就基本没有数据了。然后一看数据动不动几十TB，一下就望洋心叹了，要么选择一个硬盘能够存储的级别开始下载，要么干脆取消下载。 新建任务 以上方法对于像一个街区或县城等小范围下载是完全没有问题的，但对于省级级上的大范围影像下载，最后基本上得不到想要的结果。原因有二，一是可能硬盘无法存储下整个文件，二是由于单个任务文件太大导致写入越来越慢，花费时间越来越长，最后不了了之。 以上问题上因为软件的问题吗？不是，完全是方法不对，我们不能用下载小范围的方法去下载大范围影像数据。 3.

图像金字塔 高斯金字塔 高斯金字塔：向下采样方法（缩小） 高斯金字塔：向上采样方法（放大） img=cv2.imread("AM.png") cv_show(img,'img') print (img.shape) 效果： up=cv2.pyrUp(img) cv_show(up,'up') print (up.shape) 效果： down=cv2.pyrDown(img) cv_show(down,'down') print (down.shape) 效果： up=cv2.pyrUp(img) #先向上取样再向下取样，有损失 up_down=cv2.pyrDown(up) cv_show(up_down,'up_down') 效果： cv_show(np.hstack((img,up_down)),'up_down') 效果： up=cv2.pyrUp(img) up_down=cv2.pyrDown(up) cv_show(img-up_down,'img-up_down') #原图片-先向上取样再向下取样 效果： 拉普拉斯金字塔 down=cv2.pyrDown(img) down_up=cv2.pyrUp(down) l_1=img-down_up cv_show(l_1,'l_1') 效果： 来源： https://www.cnblogs.com/SCCQ/p

有两类图像金字塔：高斯金字塔和拉普拉斯金字塔 1、高斯金字塔的顶部是通过将底部图像中的连续的行和列去除得到的。顶 部图像中的每个像素值等于下一层图像中 5 个像素的高斯加权平均值。这样 操作一次一个 MxN 的图像就变成了一个 M/2xN/2 的图像。所以这幅图像 的面积就变为原来图像面积的四分之一。这被称为 Octave。连续进行这样 的操作我们就会得到一个分辨率不断下降的图像金字塔。我们可以使用函数 cv2.pyrDown() 和 cv2.pyrUp() 构建图像金字塔。 函数 cv2.pyrDown() 从一个高分辨率大尺寸的图像向上构建一个金子塔 （尺寸变小，分辨率降低） img = cv2.imread('messi5.jpg') lower_reso = cv2.pyrDown(higher_reso) 函数 cv2.pyrUp() 从一个低分辨率小尺寸的图像向下构建一个金子塔（尺 寸变大，但分辨率不会增加）。 higher_reso2 = cv2.pyrUp(lower_reso) 你要记住的是是 higher_reso2 和 higher_reso 是不同的。 因为一旦使用 cv2.pyrDown()，图像的分辨率就会降低，信息就会被丢失。 2、拉普拉金字塔的图像看起来就像边界图，其中很多像素都是 0。他们经常 被用在图像压缩中。下图就是一个三层的拉普拉斯金字塔：

题目内容： 　　打印一个n层（1<n<20）金字塔，金字塔由“*”构成，塔尖是1个“*”，下一层是3个“*”，居中排列，以此类推。 1.for循环法 1 max_level = 5 2 for current_level in range(1, max_level + 1): 3 for i in range(max_level - current_level): 4 print(" ", end=" ") 5 6 for j in range(2 * current_level - 1): 7 print("#", end=" ") 8 print() 2.函数法 1 def level(n): 2 for i in range(1, n + 1): 3 print(" " * (n - (i - 1)) + "#" * (2 * i - 1)) 4 5 level(4) 来源： https://www.cnblogs.com/blue-tea/p/12253299.html