阈值

FIFO阈值如何设置 1、 什么是 FIFO ？ FIFO（first in firstout）是一种用寄存器reg或者RAM实现的存储结构，常用于存储数据通道中的数据流，采用先入先出的数据，当下游模块无法及时处理上流模块输出的数据时，此时需要用FIFO暂存数据，防止数据丢失。 2、 什么是 FIFO 阈值 FIFO阈值包含将满阈值afull_cnt和将空阈值aempty_cnt，当FIFO内包含的数据data_cnt大于等于afull_cnt时，将满信号有效（afull为1），afull传输给上游模块A，通知上游模块停止发送数据，防止FIFO发送溢出，NOTE：将满阈值afull_cnt的作用是防止FIFO发送溢出导致数据丢失。将空阈值的作用时防止FIFO空的，即FIFO中没有有效数据了还会产生读数据操作。 3、 FIFO 将满阈值如何设置 请看下图，数据data和有效信号vld从模块A产生，经过N拍延时，输入到FIFO，FIFO产生将满信号afull，经过M拍延时反馈到模块A，假设模块A接收到afull=1时，立即停止发送数据。假设FIFO深度为depth_fifo，每拍为一个时钟周期。 1为了保证FIFO不发生溢出，请问将满阈值afull_cnt至少应该设置成多少？ 2为了充分发挥FIFO的性能，FIFO深度depth应该为多少？ FIFO将满阈值如何设置： 1

关于大津阈值法的定义这里不再赘述，直接给出实现代码： %image_graythresh.m function level =image_graythresh(I) %该函数作用：使用大津阈值法找出图像分割的阈值 [M,N] = size(I); %预定义划分的两组，分别为C1、C2。预定义level，用于存放不同划分时的类间方差 C1 = zeros(1,M*N); C2 = zeros(1,M*N); level =zeros(1,M*N); %求出原图像灰度最大、最小值 max_value =max(max(I)); %定义C1、C2、level的下标，同时起统计个数的作用 columns1 = 1; columns2 = 1; columns3 = 1; %开始遍历 for k =min_value:max_value - 1 %由于预定义个数大于实际个数，因而求均值时不记录多余的零 end %得到最大类间方差下标从而得到阈值 [~, i] =max(level); level = min_value +i - 1; %对阈值做归一化处理 level = level/255; end %DIP_exp4_1.m %该m文件调用Matlab自带函数graythresh以及自编函数image_graythresh对图像进行阈值分割 clc;clear;closeall; I

图像分割的方法很多，我们首先看看阈值分割法。使用阈值分割法的重点是，选取一个合适的阈值！ 本示例从观察灰度图像的直方图，获得阈值。 在示例21里面，我们计算和绘制了飞机降落那张灰度图的直方图。从这个直方图可以直观的看到，存在一个大的峰值，同时拥有大量深色的像素。这两组像素基本对应的是图像的背景和前景。 通过在两组像素之间的过渡处进行阈值化，创建二值图像。在这儿，我们选择的阈值是峰值上升前的过渡值（灰度值120）。 一、c++示例代码 //包含头文件 #include <opencv2/opencv.hpp> //命名空间 using namespace cv; using namespace std; //全局函数声明部分 //主函数 int main() { //【1】载入图像 Mat image = imread("G:\\opencvtest\\testImage\\airplane.jpg"); //【2】检查是否载入成功 if (image.empty()) { printf("读取图片错误，请确认目录下是否有imread函数指定图片存在！ \n "); return 0; } //【3】图像灰度化 Mat grayImage; cvtColor(image, grayImage, COLOR_BGR2GRAY); //【4】图像分割：阈值分割法 Mat binImage

在这一年的打题过程中，从最开始的手敲冒泡排序到现在一直用STL里的sort，排序算法使用的频率可以说是非常高的了，而且各种排序算法的思想和有关的一些数据结构也会经常用到，但之前一直听说sort是基于快排的，就会有疑问――堆排序的最坏最好复杂度都是nlogn，而快排的最坏复杂度是n 2 ，为什么不用堆排呢。国庆这几天断断续续地看完了老师给的博客之后终于明白了这个问题，而且更加深入地了解了sort函数对快排的极致优化。 从平均时间上来说，堆排的时间常数要比快排大，因为堆排会让某些数据出现很多大幅度的无效的移动，而快排则是将每个元素快速地移动到最终位置上或是附近，然后进行小范围的移动，详见 https://www.zhihu.com/question/20842649 http://mindhacks.cn/2008/06/13/why-is-quicksort-so-quick/ 那么std::sort又是怎么实现来尽量避免快排的最坏情况呢，这篇博客给出了详细的解答 http://feihu.me/blog/2014/sgi-std-sort/ 为了让自己看的时候不至于被各种函数名弄晕，做了个图辅助一下 基于个人的理解 __introsort_loop这个函数的主体部分就是快速排序的部分，但它与一般的快排不一样的是，为了尽量减少枢轴为极值引起的递归恶化，它选取了开头、中间

原文链接： 边缘检测与图像分割 作者： HUSTLX 1图像分割原理 图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分割算法。Pal把图像分割算法分成了6类：阈值分割，像素分割、深度图像分割、彩色图像分割，边缘检测和基于模糊集的方法。但是，该方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分为以下六类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术。而在较近的一篇综述中，更有学者将图像分割简单的分割数据驱动的分割和模型驱动的分割两类。下面将图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于数学形态的分割方法以及基于特定理论的分割方法等，对其中主要的分别进行简要介绍。 1.1灰度阈值分割法 是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=l，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。如果阈值选取过高，则过多的目标区域将被划分为背景，相反如果阈值选取过低，则过多的背景将被划分到目标区 [7] 。阈值确定后

一、Eureka原理 1、架构图 首先来看eureka的官方结构图 　　其中，在Eureka集群配置中，处于不同节点的Eureka通过Replicate进行数据同步；Application Server为服务提供者，Client为服务消费者。 2、基本原理 在Eureka响应的过程中，有三个角色，分别是Eureka、服务提供者、服务消费者； 在服务启动后，服务提供者向Eureka注册自己的信息，如调用地址、提供服务信息等 Eureka为服务注册中心，向外暴露自己的地址，负责管理、记录服务提供者的信息，同时将符合要求的服务提供者地址列表返回服务消费者 服务消费者向Eureka订阅服务，表达自己的需求，然后得到服务提供者消息，远程调用即可 Eureka包含两个组件：Eureka Server和Eureka Client，作用如下: Eureka Client是一个Java客户端，主要用来简化和Eureka Server的交互 Eureka Server提供服务发现的能力，各个微服务启动时，通过Eureka Client向Eureka Server注册自己的信息，Server储存该服务的信息 微服务启动后，周期性(默认为30s)地向Server发送心跳信息，以续约自己的信息，超时(默认为90s)未接受到心跳信息，Server将注销该服务节点 在Eureka

void adaptiveThreshold ( InputArray src , OutputArray dst , double maxValue , int adaptiveMethod , int thresholdType , int blockSize , double C ); 函数功能 对一幅灰度图像进行二值化，该函数支持就地操作，该函数用下面的公式对一幅灰度图像进行二值化： (1)正向二值化，THRESH_BINARY (2)反向二值化，THRESH_BINARY_INV 参数详解 第一个参数，InputArray src，原图，即输入图像，是一个8位单通道的图像； 第二个参数，OutputArray dst，目标图像，与原图像具有同样的尺寸与类型； 第三个参数，double maxValue，分配给满足条件的像素的非零值； 第四个参数，int adaptiveMethod，自适应阈值的方法，通常有以下几种方法； ADAPTIVE_THRESH_MEAN_C，阈值T(x,y)是(x,y)减去C的Blocksize×Blocksize邻域的平均值。 ADAPTIVE_THRESH_GAUSSIAN_C ，阈值T(x，y)是(x，y)减去C的Blocksize×Blocksize邻域的加权和(与高斯相关)，默认sigma(标准差)用于指定的Blocksize

Zhaowei Cai, Nuno Vasconcelos. Cascade R-CNN: Delving into High Quality Object Detection. CVPR 2018. 或是说前言加摘要. 当使用一个较低的IOU阈值训练object detector, 通常会导致noisy detection. 当提高阈值后发现性能会有所提升. 这主要可能是又两个原因: 当提升阈值之后正样本会"指数式地"减少. 已经优化的模型所适应的IOU和输入的proposal不匹配. 本文提出的Cascade R-CNN主要就是为了解决此问题. 它是由一系列逐级递增IOU的detector训练并顺序组合得到的. 要指出每一阶段都输出都分布地比较好, 这样就方便顺序进行下一阶段. 对这些逐级递增地proposal(原文称作hypotheses, 下同)resampling保证positive set的尺寸都相等, 这样能缓解过拟合问题(可能是因为逐级提升的缘故, 因此可以使用一些比较差的数据, 这样就扩充了positive set从而对过拟合缓解). Introduction R-CNN等模型常使用IOU阈值0.5, 这样会对positives的要求太过于loose, 着就会导致产生太多不达标的proposal(原文说法是noise bbox), 如图, 图中比较了0.5和0

一、hystrix在生产中的建议 1、保持timeout的默认值（1000ms），除非需要修改（其实通常会修改） 2、保持threadpool的的线程数为10个，除非需要更多 3、依赖标准的报警和监控系统来捕获问题 4、通过dashboards的实时监控来动态修改配置，直到满意为止 二、配置信息（default或 HystrixCommandKey ） 最常用的几项 超时时间（默认1000ms，单位：ms） hystrix.command.default.execution.isolation.thread.timeoutInMilliseconds 在调用方配置，被该调用方的所有方法的超时时间都是该值，优先级低于下边的指定配置 hystrix.command. HystrixCommandKey .execution.isolation.thread.timeoutInMilliseconds 在调用方配置，被该调用方的指定方法（ HystrixCommandKey方法名 ）的超时时间是该值 线程池核心线程数 hystrix.threadpool.default.coreSize（默认为10） Queue hystrix.threadpool.default.maxQueueSize（最大排队长度。默认-1，使用SynchronousQueue。其他值则使用

集成学习方法 通过组合多个弱基分类器来实现强分类器目的，从而提高分类性能。集成学习是一类算法，并不是指一个算法。集成学习策略有非常多种，包括数据层面、模型层面和算法层面三个方面集成，这方面由于研究非常广泛，论文非常多，可以去知网下载硕博论文，论文总结非常全面。常用的两种集成学习方法是：bagging袋装法，典型代表随机森林（Random Forests）和boosting提升法，典型代表GBDT（Gradient Boosting Decision Tree）以及最近非常火热的XGBOOST。 AdaBoost算法原理和有缺点（1995年的算法了） 优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整 缺点：对离群点敏感（这一类都有这个缺点） 首先讲一下boosting的流程 先从数据集D中随机选出一些数据得到数据集D1，通过训练得到分类器C1。 然后再从D中随机选出一些数据，用C1来进行测试，会得到D2，此时的D2中会有一些数据是C1分对了的，有一些是C1分错了的。然后用这些数据进行训练，会得到C2,。 然后再从D中随机选出一些数据，用C1、C2一起来测试，丢弃两个分类器判断相同的结果，对于某个数据如果两个分类器的判断结果不一样则保留，这些保留下来的数据组成D3，然后对D3进行训练得到C3分类器。 预测时，将三个分类器同时作用在数据上，对于C1与C2得到的结果如果一样