- 综合排序
- 最热优先
- 最新优先
- 来自专栏指剑的分享
python3 高斯函数
1.涉及公式 1.1 高斯分布公式 概率密度函数 1.2 二项分布公式 换句话说，一枚公平的硬币有正面结果的概率（正面）p = 0.5。 1.5 概率密度函数 2.编写高斯类 import math import matplotlib.pyplot as plt class Gaussian(): """ 高斯分布类，用于计算和可视化高斯分布 of Data') plt.xlabel('data') plt.ylabel('count') def pdf(self, x): """高斯分布的概率密度函数计算器 Standard Deviation') axes[0].set_ylabel('Density') plt.show() return x, y 3. 测试高斯类 import unittest class TestGaussianClass(unittest.TestCase): def setUp(self): self.gaussian
93710编辑于 2022-08-26 - 来自专栏兮动人的博客
flyway适配高斯数据库
flyway适配高斯数据库flyway-core 源码版本：6.2.2 tag由于高斯和postgresql使用的驱动都是一样的，所以基于flyway支持已有的postgresql数据库来改造修改点如下 由于 postgresql 和 高斯 之间对设置 role 语法之间的差异，高斯数据库 set 角色时还需要带上密码，而postgresql则不用，如：postgresql: SET ROLE xxx 给出升级Flyway的建议 recommendFlywayUpgradeIfNecessaryForMajorVersion("12");}高斯数据库是基于 postgresql 9.2 改造的， ensureDatabaseNotOlderThanOtherwiseRecommendUpgradeToFlywayEdition("9.0", org.flywaydb.core.internal.license.Edition.ENTERPRISE);3、 表高斯数据库执行时创建 flyway_scheme_history 表会丢失 checksum 的值，导致最后执行不了指定文件夹的脚本语句，把这个方法执行的逻辑调整下@Overridepublic String
1.3K40编辑于 2023-09-16 - 来自专栏分享学习
高斯数据库与MySQL数据库的区别
高斯数据库与MySQL数据库的区别 在当今数据驱动的时代，选择合适的数据库管理系统（DBMS）对于项目的成功至关重要。 高斯数据库和MySQL作为两款广泛使用的数据库系统，各自具有独特的特点和优势，适用于不同的应用场景。本文将从功能、性能、使用场景等多个方面对高斯数据库与MySQL进行详细比较。 高斯数据库支持多种数据模型，包括关系型、文档型、图形型等，可以满足不同应用场景的需求。此外，高斯数据库还提供了强大的数据压缩技术、数据分片策略以及多种数据备份和恢复策略，确保数据的可靠性和安全性。 例如，在互联网应用中，高斯数据库可以快速处理大规模的用户数据，提供高并发的读写能力；在物联网应用中，高斯数据库可以支持海量设备数据的存储和分析；在金融行业中，高斯数据库可以快速处理金融交易数据，提供高可靠性和高并发的读写能力 综上所述，高斯数据库与MySQL在功能特点、性能表现和使用场景等方面存在显著差异。高斯数据库更适合处理大规模数据和支持高并发的应用场景，而MySQL则更适合于中小型项目以及一些大型系统的后端数据库。
1.3K10编辑于 2025-05-18 - 来自专栏bit哲学院
C++性能优化系列——3D高斯核卷积计算(八)3D高斯卷积
代码实现如下： void GaussSmoothCPU3DBase(float* pSrc, int iDim[3], float* pKernel, int kernelSize[3], float pKernel[kx] * pSrcSlice[i]; } } } } 执行时间 GaussSmoothCPU3DBase 代码实现如下： void GaussSmoothCPU3DBase(float* pSrc, int iDim[3], float* pKernel, int kernelSize[3], float pKernel[kx] * pSrcSlice[i]; } } } } 执行时间 GaussSmoothCPU3DBase 总结 本文按照 X Y Z的维度顺序，实现了3D高斯卷积的计算，同时基于OpenMP技术，实现了多线程并行化。同时分析了Z维度计算时造成内存瓶颈的原因。
1.3K20发布于 2021-02-10 - 来自专栏程序员面试小技巧
国产之光高斯数据库使用入门
OpenGauss是什么上一篇文章里我们提到了华为的自研生态以Euler欧拉OS为底座支持服务器、云计算、嵌入式等综合性的平台Gauss 高斯是华为的数据库主打产品同样也用了数学巨匠的名字可以看出创作者团队在数学方面的情怀 Gauss 高斯数学王子每个人都听说过高斯小时候的故事老师上课问到：1+2+3...+100 等于多少？ 9岁的高斯脱口而出：5050每个学计算机的人都学过统计图表著名的高斯分布-正态分布曲线也是以他命名的高斯数据库高斯数据库诞生于PostGreSQL之上基于PGSQL的9.2版进行演变直到今天两个版本的区别也越来越大 mian53它的结构类似Oracle包括 表空间 tablespace，库 database，模式 schema库表索引等对象都需要使用表空间如不特指则使用默认schema模式类似于子库的概念一个真实数据库 OpenGauss在国内数据库遍地开花的年代学习高斯的难度还是较低的甚至于它可以直接使用PGSQL的JDBC驱动可以参考很多原有的知识觉得有用的同学可以和我私信交流
2.2K10编辑于 2024-05-31 - 来自专栏媒矿工厂
GaussianEditor：快速可控的3D高斯编辑
y 一致的 3D 高斯 \Theta_y 。 高斯语义追踪 3D编辑中的已有工作通常使用静态 2D 或 3D 掩模，并仅在掩模像素内应用损失，从而将编辑过程限制为仅编辑所需区域。但是，这种方法有局限性。 为了解决上述问题，作者选择 GS 作为本文的 3D 表示，因为它具有明确的性质含义。这使作者能够直接为每个高斯点分配语义标签，从而促进 3D 场景中的语义追踪。 高斯的语义掩码 m 起到动态分割 3D 掩码的作用，随着训练而变化，允许内容在空间中自由扩展。 高斯溅射逆投影是本文提出的获得语义高斯掩码 m 的方法。 随后，对创建的 I^M_y 的前景对象进行分割，并将其输入到图像到 3D 的方法中，以生成粗略的 3D 网格。然后将该粗网格转换为 3D 高斯 \theta_y ，并使用 HGS 进行细化。
1.6K10编辑于 2024-01-04 - 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
75620编辑于 2022-05-28 - 来自专栏机器之心
告别3D高斯Splatting算法，带神经补偿的频谱剪枝高斯场SUNDAE开源了
一、带神经补偿的频谱剪枝高斯场 1.1 基于频谱图的剪枝策略 3DGS 使用一组高斯基元来表示场景，由于这些基元在三维空间中的分布不规则，我们提出了基于图的方法来捕获基元之间的关系，而不是使用网格这样的常规结构 图 1: (a) 3DGS 7k 迭代次数的结果；(b) 3DGS 30k 迭代次数的结果，使用了更多的高斯基元来表示三维场景，因此质量更高、速度更慢、存储空间更大；(c) 剪枝了 90% 的高斯基元， 具体来说，我们不是像 3DGS 那样直接渲染 RGB 图像，而是通过用于 3D 高斯的可微分光栅化器获得一个特征图，该光栅化器将 3D 高斯基元的特征投影到二维特征图上。 SUNDAE 的总体框架如下图 3 所示。 图 3: (a) Pipeline: 对一个预训练的 3D 高斯场，采用基于图的剪枝策略对高斯基元进行降采样，并使用卷积神经网络来补偿剪枝造成的损失。 这种方法旨在在训练 3D 高斯场时持续控制基元的最大数量，从而降低训练期间的峰值内存需求，并允许在 GPU 内存较低的 GPU 设备上进行训练。
73710编辑于 2024-05-22 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
正态分布是高斯概率分布。高斯概率分布是反映中心极限定理原理的函数，该定理指出当随机样本足够大时，总体样本将趋向于期望值并且远离期望值的值将不太频繁地出现。高斯积分是高斯函数在整条实数线上的定积分。 这三个主题，高斯函数、高斯积分和高斯概率分布是这样交织在一起的，所以我认为最好尝试一次性解决这三个主题（但是我错了，这是本篇文章的不同主题）。 本篇文章我们首先将研究高斯函数的一般定义是什么，然后将看一下高斯积分，其结果对于确定正态分布的归一化常数是非常必要的。最后我们将使用收集的信息理解，推导出正态分布方程。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 image.png print(l_opt, sigma_f_opt) 0.9872536793237083 0.8613778055591963 更高维的高斯过程 image.png #噪音参数 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏计算机视觉战队
高斯YoloV3目标检测（文中供源码链接）
概述 这个高斯yolov3是一个老的技术，最近看到了，就和大家分享一下！ 在目标检测中，实时性和精确性的trade-off至关重要，YOLOv3是目前为止在这方面做得比较好的算法。 通过高斯分布的特性，改进YOLOv3使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 主要是在yolov3中，bbox的回归没有对边界框概率的评估，因此为bbox的四个坐标值分别拟合一个高斯分布。 ? 模型 ? 高斯yolov3是yolov3的改进版，它利用高斯分布的特性(也叫正态分布，详见参考资料)，改进yolov3，使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 基于这一点，高斯yolov3利用Gaussian模型来对网络输出进行建模，在基本不改变yolov3网络结构和计算量的情况下，能够输出每个预测框的可靠性，并且在算法总体性能上提升了3个点的MAP。
79430发布于 2020-07-16 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
算法基本思想 用GMM对背景建模的基本思想是把每一个像素点所呈现的颜色用K个高斯分布的叠加来表示，通常K取3-5之间。 混合高斯模型中第i个高斯分布的权系数的估计值， 和 分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵(此处假定像素的红、绿、蓝分量相互独立);η表示高斯分布概率密度函数。 如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 如果该像素对应的混合高斯模型中没有高斯分布与像素值Xt 匹配, 那么将最不可能代表背景过程的高斯分布Gj重新赋值, 即 式中, W0 和V0是预先给定的正值;I为一个3 ×3单位矩阵。 背景建模(二)——以像素值为特征的方法(1) 混合高斯背景模型及opencv实现 背景建模数据库汇总 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
95210编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 下图分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。 3、高斯模糊 既然每个点都要取周边像素的平均值，那么就涉及到了权重分配的问题。如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。 url=yNgq8w79SYbS7OT4DQ5zhiwVg-7LyBWUm2vKnbg8KDD0FcPcb2Ok3AFNBvoiubzbrgrNUlk0tYKcRVlpykeI9q 2、阮一峰的博客 ：http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html 3、维基百科：https://en.wikipedia.org/wiki/Gaussian_blur
6.1K20编辑于 2022-05-09 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
高斯金字塔构建过程： 1. 先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 将σ乘以一个比例系数k,等到一个新的平滑因子σ=k*σ，用它来平滑第1组第2层图像，结果图像作为第3层。 3. 它们对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……k^(L-2)σ。 4. ，对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……k^(L-2)σ。
96810编辑于 2022-11-04 - 来自专栏媒矿工厂
SIGGRAPH 2024 | 头像化身动画的 3D 高斯 Blendshapes
中性模型和表情混合形状均采用包含描述化身外观属性的 3D 高斯来表示。 与最先进的方法相比，我们的高斯混合形状表示法能更好地捕捉输入视频中的高频细节，并达到更高的渲染性能。 方法 3D 高斯混合形状 图 2：方法总览。 我们的方法以单目视频为输入，学习头像化身的高斯混合形状表示，其中包括一个中性模型 、一组表情混合形状 以及口腔内部模型 ，均采用 3D 高斯表示。 初始化 对于中性模型 ，我们使用泊松圆盘采样在中性 FLAME 网格 选取若干点作为高斯位置的初始化，其他高斯属性的初始化与 3DGS 相同。 最后，我们使用高斯溅射从 和 得到渲染图像。优化过程类似于 3DGS，涉及添加和删除高斯的自适应密度控制步骤。
97010编辑于 2024-06-13 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的体系架构
，包括：数据库集群、数据库、表、索引、视图等等。 1.1数据库集群-DatabaseCluster它也叫数据库集簇，是指由单个OpenGauss数据库服务器实例管理的所有数据库集合。 组成数据库集群的这些数据库使用相同的全局配置文件和监听端口、共用数据库的后台线程和内存结构。一个数据库集群可以包括：多个数据库、多个用户以及数据库中的所有对象。 不同的数据库在逻辑上彼此分离，除数据库之外的其他数据库对象（例如：表、索引等等）都属于它们各自的数据库。通过下面的语句可以查看OpenGauss数据库服务器中已存在的数据库。 ListoftablespacesName|Owner|Location------------+----------+----------pg_default|postgres|pg_global|postgres|(2rows)（3）
15910编辑于 2026-03-19 - 来自专栏PawSQL，在线的自动化SQL优化工具！
高斯数据库(GaussDB)中如何获取表的分布策略
高斯表的分布策略 分布式高斯数据库（GaussDB）支持以下分布方式： HASH 分布: 基于某些列的哈希值进行分布。 RANGE 分布: 按范围分布数据。 在高斯数据库（GaussDB）的分布式架构中，可以通过查询pgxc_class和其他相关系统表来查看表的分布信息。pgxc_class是一个系统表，用于存储表的分布相关信息。 这是数据库分布策略的核心元数据表之一，定义了每个表在集群中的分布方式和相关属性。 3. 在高斯数据库中，分布类型和列是分布式存储和性能优化的重要因素，尤其是 HASH 和 RANGE 分布，需要根据业务场景选择合适的分布方式。
3.6K10编辑于 2024-12-23 - 来自专栏媒矿工厂
CVPR 2024 | VastGaussian：用于大型场景重建的3D高斯
为解决 3D 高斯应用于大型场景的问题，作者提出了基于 3D Gaussian Splatting 的大型场景重建 (Vast 3D Gaussian)。 对新增的点云进行初始化，可以得到正确的新 3D 高斯以进行优化，而不是在第 j 个单元中生成漂浮物。在单元优化后，单元外部生成的 3D 高斯点将被移除。 解耦外观模块 图2. 对于每个优化的单元，在边界扩展之前删除原始区域之外的 3D 高斯。然后，合并这些不重叠单元的 3D 高斯。 VastGaussian 的高质量重建部分归功于其大量的 3D 高斯点。 以 Campus 场景为例，Modified 3DGS 中的 3D 高斯数量为 890 万，而对于 VastGaussian，高斯数量为 2740 万。 表2.
2.6K10编辑于 2024-04-12 - 来自专栏PostgreSQL、金仓、高斯
【赵渝强老师】高斯数据库（openGauss）的逻辑存储结构
ListoftablespacesName|Owner|Location------------+----------+----------pg_default|postgres|pg_global|postgres|(2rows)（3） --------mydemotbs|postgres|/home/postgres/training/mydemotbspg_default|postgres|pg_global|postgres|(3rows ----+--------+------------+------------+-------pg_default|10||||fpg_global|10||||fmydemotbs|10||||f(3rows -------------------------Name|pg_defaultOwner|postgresLocation|Accessprivileges|Description|-[RECORD3] 展开代码语言：SQLAI代码解释openGauss=#createtablemyschema.test1(tidint);（3）查看指定模式下的表。
14610编辑于 2026-03-20
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