- 综合排序
- 最热优先
- 最新优先
- 来自专栏嘿dotNet
FFmpeg frei0r插件使用学习
-i input.mp4 -vf "frei0r=filter_name=glow:filter_params=0.5" glow_0.5.mp4 其他 其实在其他工具中也有集成frei0r的，比如mlt framework，简单看看mlt下的使用示例； melt使用 用frei0r做的转场 trans_darken_1.0.mlt <mlt> <producer id="clip1"> a_track">0</property> <property name="b_track">1</property> <property name="<em>mlt</em>_service 01.000" /> <entry producer="clip2" in="00:00:01.000" out="00:00:10.000" /> </playlist> </mlt > 生成命令 melt trans_darken_1.0.mlt -consumer avformat:trans_darken_1.0.mp4 效果 [参考] https://blog.csdn.net
1K20编辑于 2023-10-26 - 来自专栏腾讯技术工程官方号的专栏
腾讯数平精准推荐 | 横扫ICDAR 2019，斩获七项冠军
LSVT项目（大规模弱标注街景文字识别）：包揽全部两项冠军 MLT-19项目（多语言自然场景文字识别）：包揽全部四项冠军 ReCTS项目（中文招牌文字识别）：端到端文字识别Task获得冠军 三大比赛均难度极高 ，LSVT侧重中英文街景拍摄图，MLT-19侧重多语言的自然场景和文档等，ReCTS侧重商户拍照信息。 官方排名如下： ReCTS端到端文字识别官方排名（Top-10） MLT-19（多语言自然场景文字识别）竞赛由多国学者提供2万张自然场景图片，共有7大类语言（10个小类别），多语言文字识别可广泛应用于拍照翻译 官方排名如下： MLT-19文本检测官方排名（Top-10） MLT-19词条语言鉴别官方排名（Top-10） MLT-19文本检测和语言鉴别官方排名（Top-10） MLT-19端到端多语种文字识别官方排名
1.6K50发布于 2019-06-26 - 来自专栏腾讯大数据的专栏
腾讯数平团队 荣获第15届国际文档分析与识别竞赛七项冠军
MLT-文本检测 冠军 ? MLT-语种识别 冠军 ? MLT-端到端语种识别 冠军 ? MLT-端到端文字识别 冠军 ? LSVT-文本检测 冠军 ? LSVT-端到端文字识别 冠军 ? LSVT侧重中英文街景拍摄图，MLT-19侧重多语言的自然场景和文档，而ReCTS侧重商户拍摄的招牌图片。 ? MLT-19 文本检测官方排名（Top-10） 官方结果：https://rrc.cvc.uab.es/?ch=15&com=evaluation&task=1 ? MLT-19 词条语种识别官方排名（Top-10） 官方结果：https://rrc.cvc.uab.es/?ch=15&com=evaluation&task=2 ? MLT-19 端到端多语种文字识别官方排名（Top-10） 官方结果：https://rrc.cvc.uab.es/?ch=15&com=evaluation&task=4 ?
1.2K30发布于 2019-10-08 - 来自专栏腾讯大数据的专栏
腾讯数平精准推荐 | 横扫ICDAR 2019，斩获七项冠军
LSVT项目（大规模弱标注街景文字识别）：包揽全部两项冠军 MLT-19项目（多语言自然场景文字识别）：包揽全部四项冠军 ReCTS项目（中文招牌文字识别）：端到端文字识别Task获得冠军 三大比赛均难度极高 ，LSVT侧重中英文街景拍摄图，MLT-19侧重多语言的自然场景和文档等，ReCTS侧重商户拍照信息。 ReCTS端到端文字识别官方排名（Top-10） MLT-19（多语言自然场景文字识别）竞赛由多国学者提供2万张自然场景图片，共有7大类语言（10个小类别），多语言文字识别可广泛应用于拍照翻译、文档识别 MLT-19文本检测官方排名（Top-10） ? MLT-19词条语言鉴别官方排名（Top-10） ? MLT-19文本检测和语言鉴别官方排名（Top-10） ? MLT-19端到端多语种文字识别官方排名（Top-10） 团队简介 数平精准推荐团队（Tencent Data Platform Precision Recommendation, Tencent-DPPR
1.3K30发布于 2019-06-26 - 来自专栏腾讯技术工程官方号的专栏
腾讯数平团队 荣获第15届国际文档分析与识别竞赛七项冠军
MLT-文本检测 冠军 MLT-语种识别 冠军 MLT-端到端语种识别 冠军 MLT-端到端文字识别 冠军 LSVT-文本检测 冠军 LSVT-端到端文字识别 冠军 ReCTS-端到端文字识别 冠军 ICDAR LSVT侧重中英文街景拍摄图，MLT-19侧重多语言的自然场景和文档，而ReCTS侧重商户拍摄的招牌图片。 ch=16&com=evaluation&task=2 MLT-19 文本检测官方排名(Top-10) 官方结果：https://rrc.cvc.uab.es/? ch=15&com=evaluation&task=1 MLT-19 词条语种识别官方排名(Top-10) 官方结果：https://rrc.cvc.uab.es/? ch=15&com=evaluation&task=3 MLT-19 端到端多语种文字识别官方排名(Top-10) 官方结果：https://rrc.cvc.uab.es/?
1.6K40发布于 2019-09-29 - 来自专栏智慧协同
Linux 操作Postgresql数据库
-l logfile start|stop|restart 进入数据库 /usr/local/pgsql/bin/psql -U postgres 列出所有数据库 \l 选用某个数据库 \c rms_mlt_oa 导出数据库 /usr/local/pgsql/bin/pg_dump -U postgres -f db.sql rms_mlt_oa 导入数据库 psql -U postgres(用户名) 数据库名
4.6K20发布于 2019-06-13 - 来自专栏叶子的开发者社区
【GAMES101】Lecture 18 高级光线传播
如果要从摄像机出发靠弹射想要找到这个光源是比较困难的，因为四周都是漫反射，所以路径追踪就会出现左图的情况，而双向路径追踪它有一边从光源出发，那天花板上就会反射出一堆光线，这样就效果比较好 Metropolis light transport (MLT 而当f和p形状很相似的时候这个方差就会很小 这个事情应用到光线追踪上就可以根据一条已有的光线路径生成一条很接近的路径，从而找到其他所有的光线路径 那这个有什么用呢，当场景中这个光路太过复杂的时候，用这个MLT diffuse，这个时候光线就不知道往那去了，那会有一部分光线再反射到水面出来再经过一次这个specular发射到达我们的眼睛，这个路径叫SDS，specular-diffuse-specular，这个用MLT 就会效果比较好，因为我只要找到一条可行的光路那我就能找到附近的其他可行的光路 但是MLT还有一些缺点，一是很难去估计它什么时候会收敛，二是它是一个局部的方法，每个像素的收敛程度可能都不一样，所以它可能会产生一些比较脏的结果 ，不适用于渲染动画，因为动画是按帧渲染的，帧之间用MLT可能差异比较大 有偏光线传播方法 光子映射（Photon mapping） 光子映射是一种有偏的方法，分为两步操作，适用于刚刚提到的SDS，并且适用于产生
38110编辑于 2024-02-08 - 来自专栏LET
Hessian-Hamiltonian MC Rendering
MC Rendering算法，简称H2MC，该算法基于Metropolis Light Transport，引入了Hamiltonian力学的思路，将光路贡献和转移概率类比为重力和势能，很好的提高了MLT 传统的MLT是基于当前采样点的isotropic分布，而本论文中的高斯分布是anisotropic，根据当前位置的梯度和Hessian二阶导数，中心朝向高贡献方向。 这里不介绍MLT的相关内容，直接进入Hamiltonian MC部分。 Hessian Hamiltonian MC ? ，然后执行MLT算法。因为重力的作用，新的样本往往具有较高的贡献值，则意味着较高的接受率。 哈密顿力学需要满足的微分方程如下： ? 应用 该算法在应用中需要和现有的MLT结合，同样分为large step和small step两种，前者采用MMLT和PSSMLT，后者提供了两种mutation的方式：一个是 ?
1.5K30发布于 2021-06-21 - 来自专栏阿泽的学习笔记
【CTR】MMoE：Google 多任务学习框架
1.1.1 Common form MLT 主要有两种形式，一种是基于参数的共享，另一种是基于约束的共享。 Hard 参数共享 参数共享的形式在基于神经网络的 MLT 中非常常见，其在所有任务中共享隐藏层并同时保留几个特定任务的输出层。 ESMM 就属于这种类型的 MLT。 ? Soft 参数共享 每个任务都有自己的参数和模型，最后通过对不同任务的参数之间的差异施加约束。比如可以使用L2进行正则, 迹范数（trace norm）等。 1.1.2 Why MTL work 那么，为什么 MLT 有效呢？ 首先是不同 MLT 模型对在不同相关性任务下的参数分布，其可以反应模型的鲁棒性。可以看到 MMeE 模型性能还是比较稳定的。 ? 第一组数据集的表现： ? 第二组数据集的表现： ?
2.7K10发布于 2020-07-21 - 来自专栏Java帮帮-微信公众号-技术文章全总结
solr使用教程二【面试+工作】
如上所述，MLT 是与标准 SolrRequestHandler 集成在一起的；MoreLikeThisHandler 与 MLT 结合在一起，并添加了一些其他选项，但它要求发布一个单一的请求。 我将着重讲述 MLT，因为使用它的可能性更大一些。幸运的是，不需要任何设置就可以查询它，所以您现在就可以开始查询。 MLT 要求字段被储存或使用检索词向量，检索词向量以一种以文档为中心的方式储存信息。 true|false mlt.count 可选。每一个结果要检索的相似文档数。 > 0 mlt.fl 用于创建 MLT 查询的字段。 任何被储存的或含有检索词向量的字段。 mlt.maxqt 可选。 :8983/skyCore/mlt? q=id%3A6F398CCD-2DE0-D3B1-9DD6-D4E532FFC531&mlt.true&mlt.fl=content&wt=xml&indent=true 上面请求的意思查找 id 为
1.6K70发布于 2018-04-17 - 来自专栏深度学习与数据挖掘实战
头条|全球OCR文字识别测试最新结果公布：中国AI企业霸屏
据了解，云从科技提出的Pixel-Anchor框架在多个ICDAR测试子集（ICDAR2015以及ICDAR2017 MLT）上均获得了第一名的好成绩。 ICDAR2017 MLT数据集前五名及框架名称分别是云从科技（Pixel-Anchor）、阿里巴巴（ATL-cangjie）、商汤科技（FOTS、旷视科技（EAST++）、南京大学（PSENet_NJU
1.4K20发布于 2018-12-17 - 来自专栏CVer
商汤ICCV论文解读：自然场景下文字检测的几何归一化网络（GNNets）
Comparison with the state-of-the-art methods onboth ICDAR 2015 and ICDAR 2017 MLT. ? 与原始的PSENet[2] 相比，作者提出的GNNets在ICDAR 2015[3]和ICDAR 2017 MLT [4]上分别实现了约1.3％和2.1％的性能提升。 GNNets在ICDAR 2015上的表现优于FOTS [8]，在ICDAR 2017 MLT上的F-score更超出其7.3％。并且FOTS使用了文字识别的数据。 在单尺度测试中，作者提出的GNNets在ICDAR 2015和ICDAR2017 MLT上均达到了state-of-the-art的性能。 Fig. 5可视化了GNNets和其他文本检测方法在ICDAR 2015和ICDAR 2017 MLT上的检测结果。 ? Fig.5.
85210发布于 2019-12-24 - 来自专栏东风微鸣技术博客
Grafana系列文章-「译」基于 Grafana 的全栈可观察性 Demo
️Reference: https://github.com/grafana/intro-to-mlt 这是关于 Grafana 中可观察性的三个支柱的一系列演讲的配套资源库。 如果这个端口没有空闲，请编辑docker-compose.yml文件，并修改这一行 - "3000:3000" 到其他一些空闲的主机端口，例如： - "3123:3000" 3.访问 MLT dashboard (MLT: Metrics/Logging/Tracing) 4.使用 Grafana Explorer[4] 访问数据源。 /grafana/definitions/mlt.yaml) •为本地登录提供3000端口。 dashboard: http://localhost:3000/d/4VSk5Lank/mlt-dashboard?
1.5K20编辑于 2022-04-22 - 来自专栏折腾折腾再折腾
机器学习实例篇
用训练集分词统计词的重要性 x_train = tf.fit_transform(x_train) x_test = tf.transform(x_test) # 使用朴素贝叶斯算法预算 mlt = MultinomialNB(alpha=1.0) mlt.fit(x_train,y_train) y_predict = mlt.predict(x_test) print ('预算准确率为:',mlt.score(x_test,y_test)) ''' 预算准确率为: 0.8433786078098472 ''' if __name__ == "_
74840发布于 2019-09-23 - 来自专栏LET
light transport小结
另一个则是MLT，基于Markov，当我找到了一条光路时，则基于该光路做微调，从而很可能找到另一条可行的光路。 前面提到的MLT，是一种基于MCMC的light transport，基于Markov Chain的correlated path，样本之间不再独立，而是有关联。 如果其他光路算法都不能很好的解决一些特殊场景和需求时，我们可以通过MLT使用一些自定义的渲染机制，来满足特定的要求。 ? 我们计算一条光路的gradient，可以把该gradient当作重力方向，然后随机赋给该光路一个初始动量，这样，当上升时，动量变小，势能变大，下降时则相反，整体的energy不变，通过这一机制，则可以大大提高MLT 该算法称为Hessian-Hamiltonian MC，属于MLT的一种。
1K20发布于 2020-12-17 - 来自专栏c/c++&&linux
网络基础：网络通信基础
降0升1（降1升0）；编码效率50% 2.差分曼彻斯特编码 差分曼彻斯特编码是在曼彻斯特编码的基础上加上了翻转特性，遇1翻转，遇0不变，常用于令牌环网；编码效率50% 3.MLT-3编码 逢“1”跳变， 逢“0”不变，并且编码后不改变信号速率；MLT-3是双极性码；有“-1”，“0”，“1”三种电平 编码规则： 如果下一bit是0，则输出电平符号与前面的相同 如果下一bit是1，则输出电平需要有一个转变
63610编辑于 2024-06-04 - 来自专栏通用文字识别信息技术白皮书
FOTS：端到端的文本检测与识别方法的理论与应用
实验结果：FOTS选择三个具有挑战性的公共基准数据集：ICDAR 2015、ICDAR 2017 MLT和ICDAR 2013对方法进行评估。 ICDAR 2017 MLT是一个大型多语言文本数据集，包括7200个训练图像、1800个验证图像和9000个测试图像。 由于训练图像太少，首先使用ICDAR 2017 MLT训练和验证数据集中的9000张图像来训练预训练模型，然后使用229张ICDAR 2013训练图像进行微调。 由于ICDAR 2017 MLT没有文本检测任务，实验只报告文本检测结果。ICDAR 2013中的所有文本区域都由水平边界框标记，而其中许多区域略微倾斜。 由于FOTS的模型是使用ICDAR 2017 MLT数据进行预训练的，因此它还可以预测文本区域的方向。
1.4K20编辑于 2022-11-04 - 来自专栏畅游IT
C语言·深入理解指针（进阶）
include<stdio.h> int add(int a, int b) { return a + b; } int sub(int a, int b) { return a - b; } int mlt break; } case '-': { printf("%d", sub(a, b)); break; } case '*': { printf("%d", mlt include<stdio.h> int add(int a, int b) { return a + b; } int sub(int a, int b) { return a - b; } int mlt , n = 0; printf("请输入两个整数:\n"); scanf("%d %d", &a, &b); int (*parr[5])(int, int) = { 0, add, sub, mlt
29810编辑于 2024-04-09 - 来自专栏AI算法与图像处理
史上最全场景文字检测资源合集（70篇重要论文 + 15个开源代码 + 176个实验结果 + 1305个统计信息）
Arbitrary-Quadrilateral-Text Datasets: USTB-SV1K、SVT、SVT-P、ICDAR 2015、COCO-Text、MSRA-TD500、MLT 2017、 MLT 2019、CTW、RCTW-17、ReCTS； 3.
2.8K10发布于 2019-09-04 - 来自专栏硬件工程师
网络芯片Auto MDI-X
100BASE-Tx（快速以太网）：采用的是MLT-3（三电平编码）的信道编码方法，目的是使MDI的5bit输出的速率降低了。 MLT-3定义只有数据是“1”时，数据信号状态才跳变，“0”则保持状态不变，以减低信号跳变的频率，从而减低信号的频率。
1.5K30编辑于 2022-08-29
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