import numpy as np def kmeans(X, k, maxIt): numPoints, numDim = X.shape dataSet = np.zeros((numPoints, numDim + 1)) dataSet[:, :-1] = X centroids = dataSet[np.random.randint(numPoints, size = k), :] centroids[:, -1] = range(1, k +1) iterations = 0 ol

JVM在运行java程序的过程中会把他所管理的内存划分为若干个不同的数据区域. 这些区域都有各自的用途和创建.销毁时间.有些区域随着虚拟机的启动而存在.有些区域则依赖用户线程的启动和结束而建立和销毁.依据<Java虚拟机规范1.7>规定,Java虚拟机所管理的内存分为下面几个区域: 程序计数器.Java虚拟机栈.本地方法栈.Java堆.方法区.运行时常量池.直接内存 程序计数器 是一块较小的内存空间.他能够看作是当前线程所运行的字节码的行号指示器. 在虚拟机的概念模型里,字节码解释器工作时就是

1,销售区域划分 Setup | Administrator | Manage Territory Territory Type : 帮助用户建立大的销售区域分类,分类顺序按照Priority进行显示 Territory Models : New Territory Model : 可以根据多个条件创建区域(例如,产品类型,客户类型)建立多个销售区域 View Rules: 这里是主数据,建立自动分配account的规则 (分配规则可以支持适应子规则) Territory Hierarchy :

Navigation寻路导航界面下,Areas分页下是在给导航区域分类(相当于分层),以及为每个分类设置不同的消费Cost,意义在于,导航算法中会计算出的是累加起来消耗最低的路径(不一定是视觉上最短可行路径).例如,设置地面上有一滩沼泽,把该地形新建一个分类,并设置一个很高的消费,那么在正常情况下,寻路将会绕过该区域,走其他消费更低的路径.但若此时游戏中动态生成的物体阻挡了其他路径,只有该路径可走,那么角色将会穿过该沼泽地形进行导航. 所以该界面的作用在于,可为每种地形自定义分类,并可自定义其可

http://blog.csdn.net/shadow_guo/article/details/51767036 原文标题为“R-FCN: Object Detection via Region-based Fully Convolutional Networks ”,作者代季峰 1,14年毕业的清华博士到微软亚洲研究院的视觉计算组,CVPR 16 两篇一作的会议主持人~ ╰(°▽°)╯ 同时公布了源码~ 2 后面主要内容为原文随便的翻译或概括.必有不紧贴原文原意之处,曲解请指出,否则求放过~

分类汇总就是把一些数据按照一个标准进行分类,然后按照相应的汇总方式进行汇总. 使用分类汇总之前先排序,否则汇总会出现很多类. 看如上这个表,如果按照所属区域分类,然后按照金额的总和汇总,在汇总之前就要按照区域来排序,顺序还是倒序无所谓,排序主要是想让相同地区的数据在一起. 点击数据->分类汇总, 按照这种方式就可以进行分类汇总了,结果如下: 双击边框,自动扩大宽度. 删除分类结果: 如何先按照地区分类,再按照产品类别进行分类汇总呢? 分地区与产品分类统计数量.金额.成本的总计 那就先要两个关键词

继续上一篇(2)未完成的研究,我们接下来学习 KPROCESS这个数据结构. 1. 相关阅读材料 <深入理解计算机系统(原书第2版)> 二. KPROCESS KPROCESS,也叫内核进程块.我们在开始学习它的数据机构之前,首先要思考的一个问题是,它和EPROCESS名字感觉差不多,那它们之间是什么关系呢?它们在内核区域中都位于那一层呢? 我们先来看一张图: windows内核中的执行体负责各种与管理和策略相关的的功能(在学习笔记(2)有相关的介绍).而内核层(或微内核)实现了操作系统的&q

转自:http://www.cnblogs.com/hanzhaoxin/archive/2013/02/15/2912879.html 机器视觉工程应用主要可划分为硬件和软件两大部分. 硬件:工程应用的第一步就是硬件选型.硬件选型很关键,因为它是你后面工作的基础.主要是光源.工业相机和镜头选择. 软件:目前业内商业库主要有Halcon,康耐视,DALSA,evision,NI等,开源库有OpenCV.其中NI的labview+vision模块. 机器视觉工程应用的基本开发思路是: 一.图像采集

Windows 8系统自带微软拼音简捷输入法,无论是在Windows的开始屏幕新界面中还是Windows传统桌面里,按Shift键或者直接点击屏幕上的"中/英"标识即可切换中英文输入状态. 使用"Win+空格"组合键切换输入法       在Windows 8系统中,我们可以按照以前习惯的方法下载和安装其他的输入法.需要特别注意到是,在安装了多个输入法之后,Win8系统切换输入法时需要使用"Win+空格"组合键. 1.控制面板设置Win8输入法

题目英文太多,简单翻译了一下:1. For products that are wrapped in small packings it is necessary that the sheet of paper    containing the directions for use is folded until its size becomes small enough.    对于那些使用小包包裹的产品,包含所使用方向的包装纸应当折叠起来并且足够小.    2. We assume tha

CSS样式规则的学习是很繁琐和枯燥的,因为它不像物理.数学或者其他编程语言一样有一些基本概念.有一些基本公理或者规则,其他所有的表现都是概念在这些公里或者规则之下的逻辑游戏,CSS是有一些基本概念,但它没有说给你几条规则然后所有的表现都是在这些规则之下的任意自由组合,你要推测一个样式声明块的在页面中具体是怎样表现的,你几乎靠非常少是靠逻辑推理去推测出来,绝大多数是你知道并记住了这种写法的声名块是具有怎样的表现的.之所以为这样也是因为样式的组合太繁琐组合情况特别多,像同样的概念margin在块级中

在我前面有很多篇随笔介绍了Web API 接口层的架构设计,以及对微信公众号.企业号.小程序等模块的分类划分.例如在<C#开发微信门户及应用(43)--微信各个项目模块的定义和相互关系>介绍了相关模块的划分,在<基于微信小程序的系统开发准备工作>介绍了Web API的架构设计思路.本篇随笔对之前介绍的架构内容进行统一的调整更新,以便更加方便实际项目的应用开发,以期达到统一.重用.清晰的目的. 1.公众号.企业号.小程序模块的划分 我们知道,目前微信企业应用,分为公众号.企业号(企业

微信小程序给我们提供了一个很好的开发平台,可以用于展现各种数据和实现丰富的功能,本篇随笔介绍微信小程序结合后台数据管理实现商品数据的动态展示.维护,介绍如何实现商品数据在后台管理系统中的维护管理,并通过小程序的请求Web API 平台获取JSON数据在小程序界面上进行动态展示. 1.整体性的架构设计 我们整体性的架构设计,包含一个Web管理后台.一个Web API统一接口层.当然还有数据库什么,另外还有一个小程序客户端.整个架构体系还是以我之前随笔介绍的<整合微信小程序的Web API接口层的架

Faster R-CNN论文翻译   Faster R-CNN是互怼完了的好基友一起合作出来的巅峰之作,本文翻译的比例比较小,主要因为本paper是前述paper的一个简单改进,方法清晰,想法自然.什么想法?就是把那个一直明明应该换掉却一直被几位大神挤牙膏般地拖着不换的选择性搜索算法,即区域推荐算法.在Fast R-CNN的基础上将区域推荐换成了神经网络,而且这个神经网络和Fast R-CNN的卷积网络一起复用,大大缩短了计算时间.同时mAP又上了一个台阶,我早就说过了,他们一定是在挤牙膏. F

R-CNN论文翻译 Rich feature hierarchies for accurate object detection and semantic segmentation 用于精确物体定位和语义分割的丰富特征层次结构 2017-11-29 摘要         过去几年,在权威数据集PASCAL上,物体检测的效果已经达到一个稳定水平.效果最好的方法是融合了多种图像低维特征和高维上下文环境的复杂结合系统.在这篇论文里,我们提出了一种简单并且可扩展的检测算法,可以将mAP在VOC2012最

http://openaccess.thecvf.com/content_cvpr_2017/papers/Jie_Deep_Self-Taught_Learning_CVPR_2017_paper.pdf Deep Self-Taught Learning for Weakly Supervised Object Localization. Zequn Jie, Yunchao Wei, Xiaojie Jin, Jiashi Feng, Wei Liu 亮点 监督学习中用难例挖掘,弱监督中靠

1. IO的控制方式 演进过程:轮询 --> 中断 --> DMA --> IO通道 经典布局:南北桥 PS:详见<计算机组成原理> 2. IO的实现 软件实现层次:硬件 --> 中断处理程序 --> 设备驱动程序 --> 独立于设备的IO软件 --> 用户空间的IO软件 IO缓冲: 解决问题: 设备与CPU速度不匹配 逻辑记录大小和物理记录大小不一致 减少IO操作对CPU的中断次数 实现:缓冲区 内存中开辟一个专门临时存放IO数据的区域 分类:单缓冲

[Rich feature hierarchies for accurate object detection and semantic segmentation] Abstract     论文的方法结合了两个关键的观察:1.可以通过hight-capacity CNN来进行bottom-up 区域提名以定位和划分对象:2.如果训练集不足,那监督预训练是个有用的方法,再经过fine-tuning,可以有很好的性能提升.R-CNN: Regions with CNN features. 整体结构

一:虚拟机内存图解 JAVA程序运行与虚拟机之上,运行时需要内存空间.虚拟机执行JAVA程序的过程中会把它管理的内存划分为不同的数据区域方便管理. 虚拟机管理内存数据区域划分如下图: 数据区域分类: 方法区            (Method Area) 虚拟机栈         (VM Stack) 本地方法栈     (Native Method Stack) 堆                   (Heap) 程序计数器    (Program Counter Register) 直接

多标签图像分类总结 目录 1.简介 2.现有数据集和评价指标 3.学习算法 4.总结(现在存在的问题,研究发展的方向) 简介 传统监督学习主要是单标签学习,而现实生活中目标样本往往比较复杂,具有多个语义,含有多个标签. 荷兰城市图片 (1)传统单标签分类 city(person) (2)多标签分类 city , river, person,  European style (3)人的认知 两个人在河道边走路 欧洲式建筑,可猜测他们在旅游 天很蓝,应该是晴天但不是很晒 相比较而言,单标签分类需要得

论文网址: https://arxiv.org/abs/1311.2524 RCNN利用深度学习进行目标检测. 摘要 可以将ImageNet上的进全图像分类而训练好的大型卷积神经网络用到PASCAL的目标检测中? 答案是肯定的,并且结果是简单的,可扩展的,相对于可变部件模型(DPM)将平均精度提高了40%以上(在VOC 2007年达到最终的mAP为48%).我们的网络框架结合强大的产生自下而上的候选区域的计算机视觉技术和在学习高容量卷积神经网络中的最新进展.我们称之为R-CNN:具有CNN特征的