adaptive

随着全球经济—体化，通信技术、互联网技术、IT技术和云计算、物联网等新技术的融合趋势愈发明显，全球的信息化应用水平不断提高。通信信息技术领域内的常用术语也越来越多，而且都是用英文缩写表示，不知道大家都能不能熟练的记住，本文为大家整理了几个移动网的通信信息技术中常用的术语词条 一、ACLR 英文全称： Adjacent Channel Leakage ratio 中文名称：邻道泄漏比 中文解释：ACLR是用来衡量规定使用传输频道以外，传输RF能量的一个指标，由输出功率放大器产生;ACLR也是 WCDMA发射机性能的度量，它定义为发射功率与相邻RF信道接收机滤波器后所测功率之比。 二、ACS 英文全称： Adjacent Channe Selectivity 中文名称：邻道选择性 中文解释：邻道选择性是指在相邻信道信号存在的情况下，接收机在其指定信道频率上接收有用信号的能力。邻道选择性的定乂，使接收机滤波器在指定信道频率上的衰减与在相邻信道频率上的衰减对比具有了相当的意义与可对比性，而邻道选择性的强弱，直接影响着射频收信机的接收性能，这一性能的好坏，可以直接通过郤道选择性定义后所获得的相关数字显示出来。 三、 ALCAP 英文全称： Access Link Control Application Protoco 中文名称：接入链路控制应用协议 中文解释：接入链路控制应用协议又称为Q

前言 了解过java spi后, 马上来看看dubbo spi有什么特殊之处 dubbo spi demo 还是以一个运行的demo开始, 基本和 官网 一样 public static void main(String[] args) { ExtensionLoader<Robot> extensionLoader = ExtensionLoader.getExtensionLoader(Robot.class); Robot r = extensionLoader.getExtension("r"); r.sayHello(); Robot t = extensionLoader.getExtension("t"); t.sayHello(); } // 暴露的接口 @SPI public interface Robot { void sayHello(); } // 实现类 public class R2Robot implements Robot { @Override public void sayHello() { System.out.println("r2"); } } public class T1Robot implements Robot { @Override public void sayHello() { System.out.println("T1")

Learning Disentangled Feature Representation for Hybrid-distorted Image Restoration 【paper】： https://arxiv.org/pdf/2007.11430v1.pdf 目录 Learning Disentangled Feature Representation for Hybrid-distorted Image Restoration Abstract Introduction Related Work Image Restoration on Hybrid Distortion Approach Primary Knowledge Feature Disentanglement Module Feature aggregation Module Auxiliary Module Overview of Whole Framework Loss Function Experiments Dataset Comparison with State-of-the-Arts Interpretative Experiment Ablation Studies Abstract Hybrid-distorted image restoration (HD-IR) i s dedicated

一、基础布局方式 0. 普通/文档流 布局 早期 <table>， 后来 <div> ，再后来 html5 语意化标签按照自上而下的方式顺次排布。 1. Float 布局 float: left/right 最初设计目的是用于图文环绕排版、不过目前常用于左右布局。 2. 绝对布局 position: absolute,position: fixed 保持与目标元素（position不为static的最近父元素）的绝对距离，使用场景有顶部固定的广告栏，瀑布流等等。 3. Grid 网格布局: display:grid 较为系统的布局方案，详见：https://www.w3cplus.com/css/learncssgrid.html 4. css3 Flex 弹性盒子布局: display:flex 较为系统的布局方案，详见：http://www.ruanyifeng.com/blog/2015/07/flex-grammar.html?utm_source=tuicool 二、常见的布局概念以及实现方法 0. 静态布局 静态布局：网页布局始终按照固定的布局和尺寸来显示，不使用 Flex 之类的弹性盒子方案。 实现方法： 普通/文档流 布局 Float 布局 绝对布局 对于PC：一般居中布局，所有样式使用绝对宽度/高度(px)，屏幕宽高有调整时，使用滚动条来查阅被遮掩部分；

Long-Term Cloth-Changing Person Re-identification 2020-06-05 14:45:42 Paper : https://arxiv.org/pdf/2005.12633.pdf Project : https://naiq.github.io/LTCC_Perosn_ReID.html 1. The Proposed Method: Shape Embedding : 人类可以根据轮廓很容易识别出一个人物，所以作者认为人体的形状信息可以很具有判别性。此处，shape 是几个特定的生物特征的笼统叫法，即：身高、身体的比例等。一个直接的做法是将人体形状表示为不受 angle 和 distances，姿态变化影响的方式，就是用 joints/keypoints 并且建模这些点之间的关系。受到 Adaptive instance normalization 的影响，作者提出一种 shape embedding module 来编码身体的形状。 == 来源： oschina 链接： https://my.oschina.net/u/4313143/blog/4302154

前两天参加了北师的数学建模校赛，B题是一道图像处理的题，于是趁机练习了一下OpenCV，现在把做的东西移植过来。 （2020.5.31补充：此方法在竞赛中取得二等奖。这次的参赛论文的确存在一些问题，例如没有对结果进行量化评估、对处理方式的具体细节叙述得不够明确、参考文献不够丰富（好吧，其实没有引用参考文献）等。） 题目大意 给出一张生产线上拍摄的手机镜头的图像（如下），要求解决三个问题： 建立模型构造出一种分割方法，可以将左右两个镜头的待测区域（白色环形内区域）准确地分离出来。 建立模型构造一种检测方法，自动地在待测区域之内将所有缺陷点找出，缺陷点为人眼可识别的白点，最小可为一个像素点。要求给出缺陷点的数学描述，并根据该描述建立检测模型，自动确定每个缺陷点的位置和像素大小。给出右侧镜头中按像素大小排序的最大的前五个缺陷点的位置坐标。 由于在实际拍照中镜头可能会在模具中抖动，所以拍摄的图片可能并不是正对镜头的，此为图像的偏心现象。比如图中左侧图像就是正对的情况，右侧就是不正对（偏心）的情况。建立模型构造一种校正方法，校正右侧图像的偏心现象。呈现校正效果，并给出第2问所求五个缺陷点校正后的位置坐标。 问题求解 问题一 这个问题是目标检测，并且需求十分明确：提取出白色圆环中的区域的图像。观察图像可以发现图中白色的部分几乎只有需要检测的白色圆环

　　 　　本文解读的是 CVPR 2020 论文《 Attention-Guided Hierarchical Structure Aggregation for Image Matting 》， 作者来自大连理工大学、大连大学、郑州大学，其中第一作者有两位，分别是博士生乔羽和硕士生刘宇豪。 　　 作 者 | 刘宇豪 　　 编辑 | 丛 末 　　 　　论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Qiao_Attention-Guided_Hierarchical_Structure_Aggregation_for_Image_Matting_CVPR_2020_paper.pdf 　　项目地址： 　　https://xinyangdut.github.io/matting/Matting.html 　　https://wukaoliu.github.io/HAttMatting/ 　　 　　怎样实现既高质量又无需用户交互的图像抠图一直是学术界和工业界在努力追求的目标，近日，随着CVPR2020论文的正式公开，有这样一篇文章，在自动抠图领域又向前走了一步。下面，我们就来走进这篇文章。 　　图像抠图本身是一个病态的问题，公式如下所示： 　　给定一张RGB的彩色图 I，要求得一张表示像素不透明度的Alpha

本文首发于公众号「夕小瑶的卖萌屋」 神经网络模型除了部署在远程服务器之外，也会部署在手机、音响等智能硬件上。比如在自动驾驶的场景下，大部分模型都得放在车上的终端里，不然荒山野岭没有网的时候就尴尬了。对于BERT这类大模型来说，也有部署在终端的需求，但考虑到设备的运算速度和内存大小，是没法部署完整版的，必须对模型进行瘦身压缩。 说到模型压缩，常用的方法有以下几种： 量化 ：用FP16或者INT8代替模型参数，一是占用了更少内存，二是接近成倍地提升了计算速度。目前FP16已经很常用了，INT8由于涉及到更多的精度损失还没普及。 低轶近似／权重共享 ：低轶近似是用两个更小的矩阵相乘代替一个大矩阵，权重共享是12层transformer共享相同参数。这两种方法都在ALBERT中应用了，对速度基本没有提升，主要是减少了内存占用。但通过ALBRET方式预训练出来的Transformer理论上比BERT中的层更通用，可以直接拿来初始化浅层transformer模型，相当于提升了速度。 剪枝 ：通过去掉模型的一部分减少运算。最细粒度为权重剪枝，即将某个连接权重置为0，得到稀疏矩阵；其次为神经元剪枝，去掉矩阵中的一个vector；模型层面则为结构性剪枝，可以是去掉attention、FFN或整个层，典型的工作是LayerDrop [1] 。这两种方法都是同时对速度和内存进行优化。 蒸馏

目录 PROPOSED METHODS 实验 文本一共有…九个作者，分别来自西安电子科技大学，Shanghai BNC，Murdoch University以及University of Western Australia。 本文提出了一种新的图自适应池化方法（ GSAPool ），其目的如下:(1)构建合理的池化图拓扑，同时考虑了图的结构和特征信息，在节点选择上提供了更高的准确性和客观性;(2)使合并的节点包含足够有效的图信息，在丢弃不重要节点之前对节点特征信息进行聚合;因此，被选中的节点包含来自邻居节点的信息，可以增强未被选中节点特征的使用。在四个不同数据集上的实验结果表明，我们的方法在图分类方面是有效的，并且优于现有的图池方法。 PROPOSED METHODS 池化的结构包含三部分：the structure-based topology learning (SBTL), the feature-based topology learning (FBTL), and the structure-feature topology learning (SFTL)，如下图所示。 GSAPool的包括两部分:池拓扑学习和节点特征融合。SBTL和FBTL分别聚合结构上的特征（通过GCN）和本身特征的一个重要程度的筛选（MLP）。GCN如下： 或者也可以替换成其他的GNN架构： 然后

threshold函数 retval, dst = cv2.threshold(src, thresh, maxval, type) ''' retval：返回的阈值；dst：阈值分割结果图像 src：输入图像 thresh：阈值；maxval：需设定的最大值 type：阈值分割类型 ''' 简单的阈值分割类型有： cv.THRESH_BINARY cv.THRESH_BINARY_INV cv.THRESH_TRUNC cv.THRESH_TOZERO cv.THRESH_TOZERO_INV 1 import matplotlib.pyplot as plt 2 import numpy as np 3 import cv2 as cv 4 5 img = cv.imread(r'Lena.png') 6 imgray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) 7 t1, rst1 = cv.threshold(imgray,127,255,cv.THRESH_BINARY) # 二值化阈值处理。大于127的像素点会被处理为255，其余处理为0 8 t2, rst2 = cv.threshold(imgray,127,255,cv.THRESH_BINARY_INV) # 反二值化阈值处理。灰度值大于127的像素点处理为0，其余为255 9