1. 基于AES ECB 算法的文件加密与解密

    基于AES ECB算法的文件加密与解密 高级加密标准(AES,Advanced Encryption Standard)为最常见的对称加密算法(例如微信公众平台,百度API等都是采用的这种加密算法)。对称加密算法也就是加密和解密用相同的密钥,具体的加密流程如下图:

    2020/08/14 Technology

  2. 添加Mac的Time Machine备份到smb网络硬盘

    添加Mac的Time Machine备份到smb网络硬盘 家里的极路由支持smb协议,也就是windows 共享文件夹。路由器上插上移动硬盘,然后装上局域网文件中转站插件即可。

    2020/07/30 Technology

  3. 基于Hough变换原理的文档图像倾斜角检测与校正

    基于Hough变换原理的文档图像倾斜角检测与校正 霍夫变换是一种特征检测(feature extraction),被广泛应用在图像分析(image analysis)、计算机视觉(computer vision)以及数位影像处理(digital image processing)。霍夫变换是用来辨别找出物件中的特征,例如:线条。他的算法流程大致如下,给定一个物件、要辨别的形状的种类,算法会在参数空间(parameter space)中执行投票来决定物体的形状,而这是由累加空间(accumulator space)里的局部最大值(local maximum)来决定。 现在广泛使用的霍夫变换是由RichardDuda和PeterHart在公元1972年发明,并称之为广义霍夫变换(generalizedHoughtransform),广义霍夫变换和更早前1962年的PaulHough的专利有关。经典的霍夫变换是侦测图片中的直线,之后,霍夫变换不仅能识别直线,也能够识别任何形状,常见的有圆形、椭圆形。1981年,因为DanaH.Ballard的一篇期刊论文”Generalizing the Hough transform to detect arbitrary shapes”,让霍夫变换开始流行于计算机视觉界。1

    2020/07/18 人工智能

  4. 人脸特征点置信度算法

    人脸特征点置信度算法 使用训练好的模型进行人脸特征点标记的时候,经常会生成一些特征点标记不准确、顺序错误或散乱的数据,每次标记完成后还要再经过人工进行筛选,特别耗时,少量数据还好,对于大数据集来说简直就是灾难。针对此种情况,根据人脸面部特征的规律现总结出一个算法用来计算特征点的置信度,给它起名叫FCC\(Facial Landmark Confidence Coefficient\)人脸置信度系数。该算法可以粗略的判断出模型标记的人脸特征点是否正确,使用人工标记的数据对算法进行测试,其有效识别率在95%左右。为了提高算法的可靠性又加入了两个辅助系数,CER和IER。在辅助系数的共同作用下有效识别率在97.65%以上。目前该算法还有待优化,有效识别率为97.65%也就意味着误判率为3左右%,每100张就有3张误判,每10000张误判数量就会高达300张。如果使用这些数据再进行其他网络的训练就会影响新模型的准确度。为了尽可能降低算法的误判率,我们可以对系数范围进行微调。例如 0.85 < FCC <= 1.9 识别率为97.65%,而 0.82 < FCC <= 2.3 时,可以将有效识别率提高至98.6%。这样做也有一个风险,强行扩大系数范围虽然能够少量提高有效识别率,但却使得有效识别的数据极有可能存在伪数据,所以在不同的场景下想要微调系数还需斟酌。

    2019/10/08 人工智能

  5. 基于HRNet的人脸特征点检测

    基于HRNet的人脸特征点检测 摘要 在本篇文章中我们主要研究人脸特征点检测,使用的网络结构为中科大与微软亚洲研究院,发布的HRNet。HRNet着重于输出可靠的高分辨率表征(reliable highresolution representation)。目前现有的大多数方法都是从高分辨率到低分辨率网络(high-to-low resolution network)产生的低分辨率表征中恢复高分辨率表征。相反,HRNet能在整个过程中都保持高分辨率的表征。

    2019/08/27 人工智能

  6. Pynsist制作Python程序的Windows安装包

    Pynsist制作Python程序的Windows安装包 使用Python语言编写GUI程序时,往往需要将程序中的依赖包连同程序一同打包成.exe安装文件, 打包完成后,便于在其他Window电脑上安装并使用该程序。本篇文章主要讲解如何使用Pynsist进行打包。

    2019/04/03 System Package

  7. Tensorflow模型转换之TFJS、Tensorflow Lite

    Tensorflow模型转换之TFJS、Tensorflow Lite 最近在搭建一个人工智能学习平台,主要包括在线训练图像分类模型、自学习聊天机器人、模型在线转换等功能。 本篇文章主要讲解如何将训练好的Save Model模型,转换成移动端使用的Tensorflow Lite模型与Web端使用的Tensorflow JS模型。 此处我们以Posenet为例来实现Lite与JS模型的转换。

    2019/02/22 人工智能

  8. PostNet动作识别

    PostNet动作识别 PostNet是使用Tensoflow.js来开发的一款检测人姿势的模型。可以用于检测单个人或多个人的姿势,意味着有一个版本的算法可以检测一幅图像或视频中的单个人,而另一个版本的算法可以检测视频或图像中的多个人。本篇文章主要讲解如何配置模型运行时所需要的环境,并使用Github开源的PoseNet模型实现本地的运行。 Github源码地址:PoseNet 将源代码下载至本地,并解压

    2019/01/24 人工智能

  9. Linux Docker

    Linux Docker Docker 是一个开源的应用容器引擎,让开发者可以打包他们的应用以及依赖包到一个可移植的容器中,然后发布到任何流行的 Linux 机器上,也可以实现虚拟化。容器是完全使用沙箱机制,相互之间不会有任何接口。 一个完整的Docker有以下几个部分组成: DockerClient客户端 Docker Daemon守护进程 Docker Image镜像 DockerContainer容器

    2019/01/22 Linux

  10. 第一章 机器学习基础

    第一章 机器学习基础 1. 机器学习的概念 机器学习(Machine Learning,ML)是使用计算机来彰显数据背后的真实含义,它为了把无序的数据转换成有用的信息。是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。

    2018/12/25 人工智能