目录技术要点：主要应用：准备工作：构建环境：激活环境：需要安装库：权重文件下载：开始预测：1.采集图片2.修改标签文件3.训练模型4.启动主程序全部代码：说明：本篇文章主要借鉴于抖音恩培大佬的代码，大佬的github地址为：enpeizhao(enpei)(github.com)感兴趣的朋友也可以关注大佬的抖音号！技术要点：脸部姿态估计识别与检测帧率检测目标物体三个角度x、y、z估计主要应用：家庭应用：检测孩子是否在看电视，看了多久，距离多远，保护孩子用眼安全驾驶监督应用：检测司机是否有疲劳驾驶风险（可以从脸部姿态做进一步估计）自动驾驶：利用单目RGB图像进行深度距离估计，避免了使用激光雷达等
指定区间反转：Leetcode92有这样一道题：给你单链表的头指针head和两个整数left、right，其中left这道题呢，有两种不同的解法，分别是头插法和穿针引线法，头插法就是我们前面说过的带头结点的反转，而穿针引线法就是不带头结点实现反转的方法，接下来我将逐一介绍：1.头插法： 前面我们说过带头结点的反转有两个重点要求：1.虚拟头结点 2.拆拆拆熟练掌握以上两个思想后，这道题的解决将变得十分简单。在这道题中，我认为我们可以将区间前的第一个结点看作虚拟头结点，而区间内除第一个结点以外的全部结点则需要逐一拆除并进行插入，如下图所示：我们可以建立一个cur指针始终指向区间的第一个元素，之后的
2023.07.10虽说目前已经有频谱效率更高的叠加导频设计，但是这篇论文堪称OTFS嵌入式导频的经典之作，经常被其他论文引用，左思右想觉得还是有必要重新阅读并记录学习过程。（注：关于MIMO的部分暂未深入）。【OTFS与信号处理：论文阅读】EmbeddedPilot-AidedChannelEstimationforOTFSinDelay–DopplerChannel一、前言1.1写在前面1.2中心思想1.3INTRODUCTION二、系统模型2.1基本OTFS概念/符号2.2OTFS输入输出分析（重头戏来了！）case1：整数多普勒频移case2：分数多普勒频移三、嵌入式信道估计（SISO
机器学习的回归问题常用RMSE，MSE,MAE,MAPE等评价指标，还有拟合优度R2。由于每次预测出来的预测值再去和原始数据进行误差评价指标的计算很麻烦，所以这里就直接给出他们五个指标的计算函数。把每次预测出来的值和真实值输入这个函数就可以得到上面这些指标，很方便。然后计算出来放一起还可以画柱状图先放计算公式：mse就是rmse的平方，公式是差不多的。 Python计算代码：importnumpyasnpimportpandasaspdfromsklearn.metricsimportmean_absolute_errorfromsklearn.metricsimportmean_square
机器学习的回归问题常用RMSE，MSE,MAE,MAPE等评价指标，还有拟合优度R2。由于每次预测出来的预测值再去和原始数据进行误差评价指标的计算很麻烦，所以这里就直接给出他们五个指标的计算函数。把每次预测出来的值和真实值输入这个函数就可以得到上面这些指标，很方便。然后计算出来放一起还可以画柱状图先放计算公式：mse就是rmse的平方，公式是差不多的。 Python计算代码：importnumpyasnpimportpandasaspdfromsklearn.metricsimportmean_absolute_errorfromsklearn.metricsimportmean_square
信道估计之MMSE算法前言MMSE估计的原理总结前言 前篇分析了LS信道估计算法，也说明了由于没有考虑SNR的影响，所以LS算法不适合在低信噪比的情况下使用。本篇来学习信道估计的另外一种常用的算法–MMSE。 为什么说LS没有考虑噪声大小的情况呢，因为LS算法使用的是实际观测量与估计观测量的误差，这并不能精确的代表估计量的真值与估计值的误差，因此在MMSE估计算法中，直接使用估计量真值与估计值的误差，作为优化的目标。这样就将噪声的影响消除掉了，因此能得到比LS估计更精确的估计值。MMSE估计的原理 首先，依旧是给出假定的信号关系式 Y为接收数据（
写在前面工作中遇到，简单整理博文内容涉及基于OpenCV和Dlib头部姿态评估的简单Demo理解不足小伙伴帮忙指正庐山烟雨浙江潮，未到千般恨不消。到得还来别无事，庐山烟雨浙江潮。----《庐山烟雨浙江潮》苏轼https://github.com/LIRUILONGS/Head-posture-detection-dlib-opencv-.git实验项目以上传，只需git克隆，安装需要的pytohn包，就可以开始使用了，但是需要说明的是Dlib的基于HOG特征和SVM分类器的人脸检测器很一般，很多脸都检测不到，实际情况中可以考虑使用深度学习模型来做关键点检测，然后评估姿态。可以查看文章末尾大佬的
文章目录1.需求分析2.时间区间枚举类TimeScopeEnum3.前端请求Qo类4.时间处理的工具类5.执行查询1.需求分析项目需求：根据时间区间查询elasticsearch中的数据查询最近7天的数据，前端请求路径：https://10.87.67.226/chahua/api/v1/list?endTime=1651288728694&startTime=1650683928694&timeScope=last7d查询最近30天的数据，前端请求路径：endTime=1651288728694&startTime=1650683928694&timeScope=last30d查询最近3个月
动态规划——区间dp什么是动态规划区间dp定义应用例题引入题目描述输入格式输出格式样例样例输入样例输出提示贪心法区间dp优缺点：AC代码：代码详解三层for循环状态转移方程环形的处理什么是动态规划动态规划（dp）是一种通过将问题分解为子问题，并利用已解决的子问题的解来求解原问题的方法。适用于具有重叠子问题和最优子结构性质的优化问题。通过定义状态和状态转移方程，动态规划可以在避免重复计算的同时找到问题的最优解，是一种高效的求解方法，常用于解决各种问题，如最短路径、背包问题、序列比对等。区间dp定义区间dp是一种dp的应用，用于解决涉及区间的问题。它将问题划分为若干个子区间，并通过定义状态和状态转
目录1.介绍深度估计2.深度值的预处理3.train4.损失函数5.可视化6.评估准则1.介绍深度估计深度估计目的的从一张2D图像中获取每个点距离拍摄源的位置远近(通常用颜色的深浅可视化)。 常用的数据集室内数据集NYU-V2-Depth,包含464个场景，120k个尺寸为 480*640RGB图像与深度图对。249个训练 场景，215测试场景。距离拍摄源的距离 为[0-10]m。室外数据集kitti包含61个场景，32个场景用于训练，29个场景697张图片用于测试。距离拍摄源的距离为[0-80]m。2.深度值的预处理本文以NYU为例，在我们使用PIL读取的imageanddepth中，用
