拼接importcv2img =cv2.imread(file_path[i])img=cv2.hconcat([img,img,img])#水平拼接img=cv2.vconcat([img,img,img])#垂直拼接合并# 生成一个值为0的单通道数组zeros = np.zeros(image.shape[:2], dtype = "uint8")# 分别扩展B、G、R成为三通道。另外两个通道

自动摘要：自动将文本转换生成简短摘要的信息压缩技术要求：足够的信息量、较低的冗余度、较高的可读性抽取式摘要：从原文中取句子，高分句子，去掉冗余。效果一般。Text rank 步骤：1.去除原文的一些停用词，度量每个句子的相似度，计算得分，迭代传播，直至误差小于某一个范围。2.对关键句子进行排序，根据摘要的长度选择一定数量的句子组成摘要。生成式摘要根据输入的文本获得对原文本的语义理解，逐渐成为主流。

语言模型的核心思想是按照特定的训练方式，从语料中提取所蕴 含的语言知识，应用于词序列的预测。包括 基于规则的语言模型 和 统计语言模型•统计语言模型处于主流地位，通过对语料库的统计学习，归纳出 其中的语言知识，获得词与词之间的连接概率，并以词序列的概 率为依据来判断其是否合理。序列S={w1,w2,w3…}的概率就是：这样后面就是指数级增长，所以后面考虑N-gram，只考虑当前词的前n-1个单词。

人脸识别：PCA是经典的算法。人脸验证 / 人脸比对（Face Verification）• 1比1的比对，即判断两张图片里的人是否为同一人• 应用场景：人脸解锁• 人脸识别（Face Identification）• 1比N的比对，即判断系统当前见到的人，为数据库中众多人中的哪一个。• 应用场景：疑犯追踪，小区门禁，会场签到，客户识别传统人脸识别的主要思路是设计特征提取器，再利用机器学习算法对提

•机器学习方法•生成方法（无监督学习），所学到的模型称为生成式模型。•判别方法（有监督学习），所学到的模型称为判别式模型。生成方法通过观测数据学习样本与标签的联合概率分布P(X, Y)， 训练好的模型，即生成式模型，能够生成符合样本分布的新数据。在没 有目标类标签信息的情况下捕捉观测到或可见数据的高阶相关性。判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X) 作为预测的模型，即判别

mAP: mean Average Precision, 是多标签图像分类任务中的评价指标。AP衡量的是学出来的模型在给定类别上的好坏，而mAP衡量的是学出的模型在所有类别上的好坏。参考添加链接描述，写的很好一 首先关注 TP\FP\FN\TNTP、FP、FN、TNTrue Positive (TP):----正确地判定为正类False Positive (FP): IoU<=阈值 的检测框

转载 https://www.cnblogs.com/Trevo/p/11795503.html对于像素级别的分类，最常用的评价指标是Pixel Accuracy（像素准确率）和Mean Inetersection over Union（平均交并比），二者的计算都是建立在混淆矩阵的基础上的–PA，MPA，MIoU，FWIoU预测正确，前面就是T，否则就是F。预测成什么，后面就是什么。很简单，只是一

人脸识别：PCA是经典的算法。人脸验证 / 人脸比对（Face Verification）• 1比1的比对，即判断两张图片里的人是否为同一人• 应用场景：人脸解锁• 人脸识别（Face Identification）• 1比N的比对，即判断系统当前见到的人，为数据库中众多人中的哪一个。• 应用场景：疑犯追踪，小区门禁，会场签到，客户识别传统人脸识别的主要思路是设计特征提取器，再利用机器学习算法对提

写的很好的HOG方向梯度直方图(HOG)中，梯度的方向分布被用作特征。沿着一张图片X和Y轴的方向上的梯度是很有用的，因为在边缘和角点的梯度值是很大的，我们知道边缘和角点包含了很多物体的形状信息。怎么计算方向梯度直方图呢？我们会先用图像的一个patch来解释。第一步：预处理Patch可以是任意的尺寸，但是有一个固定的比例，比如当patch长宽比1:2，那patch大小可以是100200, 12825

主要是通过递归的方法，快排的基本原理就是先选定一个基准，然后把数组中全部小于这个数的放到基准的前面，大于这个数的放到基准的后面。每次递归的输出结果分成了三部分，再叠加成一个数组，分别是小于基准的数组，基准，大于基准的数组。然后再对分出来的数组不断进行快排，直到只剩下一个元素的时候，直接返回。 注意不能数组＋数字，所以返回的基准要放在数组里！def kuaisupaixu(nums):...