- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-9 人以群分 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99688626 7-9 人以群分 (25 分) 社交网络中我们给每个人定义了一个“活跃度”
77520发布于 2019-11-08 - 来自专栏yuyy.info技术专栏
【笔记】Operator课程(7-9)
Indexer缓存k8s资源对象，并提供便捷的方式查询。例如获取某个namespace下的所有资源
43120编辑于 2023-04-12 - 来自专栏刷题笔记
7-9 最长对称子串
本文链接：https://blog.csdn.net/shiliang97/article/details/96307903 7-9 最长对称子串 对给定的字符串，本题要求你输出最长对称子串的长度。
78330发布于 2019-11-08 - 来自专栏后端开发从入门到入魔
7-9 JAVA-水仙花数
水仙花数是指一个N位正整数（7≥N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 要求编写程序，计算所有N位水仙花数。
45810编辑于 2024-03-01 - 来自专栏全栈程序员必看
7-9 判断素数 (20分) 本题的目标很简单，就是判断一个给定的正整数是否素数。
7-9 判断素数 (20分) 本题的目标很简单，就是判断一个给定的正整数是否素数。
75220编辑于 2022-09-23 - 来自专栏刷题笔记
【未完成】7-9 目录树 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727548 7-9 目录树 (30 分) 在ZIP归档文件中，保留着所有压缩文件和目录的相对路径和名称
74910发布于 2019-11-07 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-9 人脸识别与特征脸
本系列是《玩转机器学习教程》一个整理的视频笔记。本章的最后一个小节介绍PCA在人脸识别领域的一个特殊的应用，也就是所谓的特征脸。本小节会介绍什么是特征脸，并通过可视化的方式直观的感受特征脸。
1.4K20发布于 2019-11-23 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（7-9章节）
构建数据，执行测试目标方法，校验结果，这些该抽取就抽取，要让测试代码易读。 权衡优雅和性能。 每个测试一个断言 这样会造成重复代码，可通过模板模式来解决，共性放在基类，特性放到派生类。
61510编辑于 2022-06-28 - 来自专栏ReganYue's Blog
【PTA】7-9 递归实现逆序输出整数 (15point(s))
本题目要求读入1个正整数n，然后编写递归函数reverse(int n)实现将该正整数逆序输出。
1.5K10发布于 2021-09-16 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-9 天梯赛座位分配
7-9 天梯赛座位分配 天梯赛每年有大量参赛队员，要保证同一所学校的所有队员都不能相邻，分配座位就成为一件比较麻烦的事情。
86410发布于 2020-06-23 - 来自专栏刷题笔记
【未完成】7-9 电路布线 (30 分)15分
本文链接：https://blog.csdn.net/shiliang97/article/details/101473534 7-9 电路布线 (30 分) 在解决电路布线问题时，一种很常用的方法就是在布线区域叠上一个网格
44820发布于 2019-11-08 - 来自专栏IT技术圈（CSDN）
2017年天梯赛大区赛题集 7-9 人以群分
7-9 人以群分 社交网络中我们给每个人定义了一个“活跃度”，现希望根据这个指标把人群分为两大类，即外向型（outgoing，即活跃度高的）和内向型（introverted，即活跃度低的）。
42120发布于 2020-09-15 - 来自专栏Debian中国
CPU 漏洞补丁对内核性能影响：4.15 比 4.11 快 7-9%
根据Google+博文显示，最近发布的Linux Kernel 4.15的速度要比4.11快7-9%；在激活内核页表隔离（KPTI）情况下速度仅比4.11慢了1-2%。 ?
66220发布于 2018-12-21 - 来自专栏PaddlePaddle
【目标检测】SSD目标检测
场景文字识别 目标检测任务的目标是给定一张图像或是视频帧，让计算机找出其中所有目标的位置，并给出每个目标的具体类别。对于人类来说，目标检测是一个非常简单的任务。 然而，计算机能够“看到”的仅有一些值为0 ~ 255的矩阵，很难解图像或是视频帧中出现了人或是物体这样的高层语义概念，也就更加难以定位目标出现在图像中哪个区域。 与此同时，由于目标会出现在图像或是视频帧中的任何位置，目标的形态千变万化，图像或是视频帧的背景千差万别，诸多因素都使得目标检测对计算机来说是一个具有挑战性的问题。 【目标检测】 SSD目标检测 |1. PaddlePaddle已集成SSD算法，本示例旨在介绍如何使用PaddlePaddle中的SSD模型进行目标检测。
5.1K90发布于 2018-04-02 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪测距
目标框内左上角，显示的是目标距离相机的纵向距离。目标横向距离、速度已求出，没在图片展示。 这里不仅仅实现对目标检测框的跟踪，且可以实现单相机进行对目标进行测距跟踪。 想了解详细原理可以参考往期博客：【目标跟踪】多目标跟踪sort （python 代码） 。这里不过多赘述，直接上代码，如有疑问，欢迎私信交流。 调用跟踪与测距接口进行计算 可以设置 dispaly 与 video_save 是否 show 图片 与保存视频 x_p 里面包含目标离相机纵向与横向距离，还有速度、加速度。 目标状态为 （x,y,vx,vy,ax,ay） 目标横向距离，纵向距离，横向速度，纵向速度，横向加速度，纵向加速度。 关于目标前后帧匹配，是利用 iou 匹配进行的，所以要基于目标检测框的匹配跟踪。
1.1K10编辑于 2024-02-05 - 来自专栏全栈程序员必看
cvpr目标检测_目标检测指标
特征金字塔（Feature pyramids）是识别系统中用于检测不同尺度目标的基本组件。但是最近的深度学习目标检测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。 高分辨率地图具有低级特征，这会损害其目标识别的表征能力。 深度卷积网络目标检测器。随着现代深度卷积网络 [19] 的发展，像 OverFeat [34] 和 R-CNN [12] 这样的目标检测器在准确度上显示出显着的提高。 在最初的 RPN 设计中，在单尺度卷积特征图之上，在密集的 3×3 滑动窗口上评估小型子网络，执行目标/非目标二进制分类和边界框回归。 目标/非目标标准和边界框回归目标是相对于一组称为锚点的参考框定义的[29]。锚点具有多个预定义的比例和纵横比，以覆盖不同形状的目标。 我们通过用我们的 FPN 替换单尺度特征图来调整 RPN。
1.3K40编辑于 2022-11-15 - 来自专栏Ms08067安全实验室
跨域攻击分析和防御（中）
Mimikatz.exe privilege::debug “lsadump::lsa /patch /user:test$” “lsadump::trust /patch” exit 结果如图7-9中所示 ①为当前域的sid，图7-9中②为目标域的sid，图7-9中③为信任密钥，这里使用了两种方法获取信任密钥，实际操作时选择一种即可。 图 7-9 使用mimikatz获取所需要的信息 接着使用Mimikatz创建伪造的信任票证，输入如下命令。 sid-519，代表我们伪造的用户属于目标域企业管理员组，rc4参数指定信任密钥，user参数指定伪造的用户名，service参数指定需要访问的目标服务，target参数指定目标域名，ticket参数指定保存票据的文件名 Asktgs test.kirbi CIFS/DC.test.com 图 7-11取目标域中目标服务的TGS 然后将获取到的TGS票据注入到内存中，输入如下命令，结果如图7-12所示。
38310编辑于 2023-12-11 - 来自专栏计算机视觉life
目标检测
近几年来，目标检测算法取得了很大的突破。 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。 6.2 目标检测层 这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。
1.9K30发布于 2019-07-10 - 来自专栏程序人生
设定目标
之前说过要讲讲目标的设定，现在到了兑现诺言的时刻。 有清晰明确的目标是我们每天生活的动力，（很可能）也是快乐的源泉。 于是就订了个目标要发表至少10个Patent目标。 我想说的是，有了一个你渴求的目标后，你的眼睛似乎一下子明亮起来，原来那些视而不见的东西突然间就跟目标有了联系。 所以对于这样一个不那么现实的目标，我们需要将其分解成一个个小目标，一点点达到。 我的前同事Keith说我一点也不像个工程师，还真是。 我喜欢把我的目标说给我的LP听，家人听，甚至会放在博客里，公众号里这样公开的场合。不管是什么目标，一旦你将其扩散给周围的人（可多可少），你完成目标的可能性就大了很多。
1.5K100发布于 2018-03-28 - 来自专栏林欣哲
目标检测
依然有个缺点就是，识别这个目标的边框可能不够精确。 YOLO算法可以解决这个边框的问题。 衡量一个目标检测是否符合标准，就看神经网络识别后的框和数据标注的框的交并比，也就是两者框的交集除以两者框的并集。 这里可能会碰到多次检测的问题，就是在目标附近的几个格子都会认为它检测到了目标，这时候应用非极大值抑制的算法，选出概率最大的格子，并把其他交并比很高的格子抑制（这一步交并比的判断，是因为有可能一个图像里有多个目标被检测出来 ，利用交并比可以只抑制一个目标附近多余的检测，而不能把其他目标的检测都被你抑制了）。 不同类别的目标检测，如车和人，抑制分别跑，一共跑两次。 ?
1.2K80发布于 2018-04-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号