因为朋友参加了第一季的亚马逊科技Build On，不仅学习了新知识，还能获得一些亚马逊周边礼品，所以我也很心动，就报名参加了亚马逊科技Build On第二季-AIoT视频识别。但是因为不在深圳，参加的是线上活动，操作流程算是模拟的，没有实际的树莓派开发板可以操作，也算是比较遗憾。
活动详情页： 亚马逊云科技 Build On 2022技能提升计划-CSDN
简单来说就是基于物联网和机器视觉的一项实验开发。而实验名称为：《基于Amazon KVS与 Amazon Rekognition Streaming Video Events实时智能视频检测的创新实践》。
在居家安防监控领域，基于实时视频的移动检测，发现监控环境中人、宠物、包裹等的出现，并且能实时地将检测结果通知给身处任何地方的用户是其重要的应用场景之一。但在这一场景的技术实现中面临如下的挑战：一是基于摄像头的视频检测通知，存在大量由于风、雨、移动的车等并非用户关注的事件误报，严重影响用户的使用体验。二是实现这一方案涉及的技术领域与复杂度很高，如设备端事件检测和触发、视频编解码处理、视频存储、机器视觉等，需要团队具备较强的技术和专业能力。本实验将以最小化原型，体现由Raspberry Pi加摄像头作为安防设备端，并使用Amazon KVS和Amazon Rekognition Streaming Video Events来解决上述挑战，实现实时智能视觉识别。
我们一方面可以看到线下Build On的现场直播，另一方面我们线上还拉了腾讯会议，有助教老师指导我们操作。
Amazon 提供物联网 (IoT) 服务和解决方案来连接和管理数十亿台设备。连接、存储和分析工业、家居消费、商业和汽车业工作负载的 IoT 数据。
Amazon Kinesis Video Streams（KVS） 是一项完全托管的亚马逊云科技服务，您可以使用 Kinesis Video Streams 捕获来自数百万种源 (包括智能手机、安全摄像头、网络摄像头、车载摄像头、无人机及其他源) 的海量实时视频数据传输到 Amazon云，或者构建应用程序以进行实时视频处理或进行面向批处理的视频。Amazon KVS的优势包括：
我们会发一个操作手册和账号，虽然我们是免费的，但实际这个平台并不是免费的，费用是由Build On 活动方支付，所以需要账号。
经过一系列操作，我们会有一个Cloud9的终端界面，可以写一些操作代码
这一步，我们在KVS中会创建一个视频流
上传完毕后，我们就可以在线播放了
SNS 指的是Simple Notification Service。创建后会收到邮件信息，我认为这一步的目的是上传文件后会收到邮件反馈。
这个地方我其实踩了一个坑。设置json文件的时候，不要自作主张加东西。我们可以看到在下图写ARN值的后面，有的有“/*”，有的没有。我就自作主张加了“/*”，结果最后没收到邮件。又重新做了一遍实验。
然后也会收到一个邮件。
其实我认为只要按照实验手册上的步骤规规矩矩的做实验，不会出什么差错，易错点老师都会强调的。
不要像我一样，自作聪明，以为手册上某个地方是错的，自己改过来。怎么说呢，在自己没达到那个高度时，不要自以为是。
其实重点我认为不在于做实验，而在于理解这项试验背后的意义，这项科技在我们的工作中会带来什么变化。了解一些平时遇不到的前沿科技。
生命不止，学习不休。新知识点不断涌现，我们要以开放的心态去学习与迎接。
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
动漫制作技巧是很多新人想了解的问题，今天小编就来解答与大家分享一下动漫制作流程，为了帮助有兴趣的同学理解，大多数人会选择动漫培训机构，那么今天小编就带大家来看看动漫制作要掌握哪些技巧？一、动漫作品首先完成草图设计和原型制作。设计草图要有目的、有对象、有步骤、要形象、要简单、符合实际。设计图要一致性，以保证制作的顺利进行。二、原型制作是根据设计图纸和制作材料，可以是手绘也可以是3d软件创建。在此步骤中，要注意的问题是色彩和平面布局。三、动漫制作制作完成后，加工成型。完成不同的表现形式后，就要对设计稿进行加工处理，使加工的难易度降低，并得到一些基本准确的概念，以便于后续的大样、准确的尺寸制定。四、
2022/8/4更新支持加入水印水印必须包含透明图像，并且水印图像大小要等于原图像的大小pythonconvert_image_to_video.py-f30-mwatermark.pngim_dirout.mkv2022/6/21更新让命令行参数更加易用新的命令行使用方法pythonconvert_image_to_video.py-f30im_dirout.mkvFFMPEG命令行转换一组JPG图像到视频时，是将这组图像视为MJPG流。我需要转换一组PNG图像到视频，FFMPEG就不认了。pyav内置了ffmpeg库，不需要系统带有ffmpeg工具因此我使用ffmpeg的python包装p
Transformers开始在视频识别领域的“猪突猛进”，各种改进和魔改层出不穷。由此作者将开启VideoTransformer系列的讲解，本篇主要介绍了FBAI团队的TimeSformer，这也是第一篇使用纯Transformer结构在视频识别上的文章。如果觉得有用，就请点赞、收藏、关注！paper:https://arxiv.org/abs/2102.05095code(offical):https://github.com/facebookresearch/TimeSformeraccept:ICML2021author:FacebookAI一、前言Transformers(VIT)在图
我完全不是程序员，正在学习使用Ruby和Rails框架进行编程。我目前正在使用Ruby1.8.7和Rails3.0.3，但我想知道我是否应该升级到Ruby1.9，因为我真的没有任何升级的“遗留”成本。缺点是什么？我是否会遇到与普通gem的兼容性问题，或者甚至其他我不太了解甚至无法预料的问题？ 最佳答案 你应该升级。不要坚持从1.8.7开始。如果您发现不支持1.9.2的gem，请避免使用它们(因为它们很可能不被维护)。如果您对gem是否兼容1.9.2有任何疑问，您可以在以下位置查看:http://www.railsplugins.or
如何学习ruby的正则表达式？(对于假人) 最佳答案 http://www.rubular.com/在Ruby中使用正则表达式时是一个很棒的工具，因为它可以立即将结果可视化。 关于ruby-我如何学习ruby的正则表达式？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/1881231/
目前我正在使用这个正则表达式从YoutubeURL中提取视频ID:url.match(/v=([^&]*)/)[1]我怎样才能改变它，以便它也可以从这个没有v参数的YoutubeURL获取视频ID:http://www.youtube.com/user/SHAYTARDS#p/u/9/Xc81AajGUMU感谢阅读。编辑:我正在使用ruby1.8.7 最佳答案 对于Ruby1.8.7，这就可以了。url_1='http://www.youtube.com/watch?v=8WVTOUh53QY&feature=feedf'url
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
