1、点乘--A*BA*B是以数学运算中矩阵相乘的方式实现的，即Mat矩阵A和B被当做纯粹的矩阵做乘法运算，要求A的列数等于B的行数时，才能定义两个矩阵相乘。如A时m*n矩阵，B是n*p矩阵，乘积AB是一个m*p矩阵。参与点乘的两个Mat矩阵的数据类型只能是CV_32F、CV_64FC1、CV_32FC2、CV_64FC2这4种类型中的一种。2、dot--A.dot(B)相当于数学向量运算中的点乘，

KNN、Kmeans是常用机器学习算法，但也经常弄混。本文将详细介绍这两种算法含义、实现过程、用途、区别等方面进行详细讲解。1、KNN属于监督学习，属于分类学习（需要进行训练）。最简单粗暴就是将预测点与所有点距离计算，然后保存并排序，选出前面K个值看看哪些类别比较多，则预测的点属于哪类。(1) 流程对未知类别属性的数据集中的每个点依次执行以下操作：a、计算已知类别数据集中的点与当前点之间距离（曼哈

特征点检测：图像的特征点可以简单的理解为图像中比较显著显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。ORB采用FAST（features from accelerated segment test）算法来检测特征点。这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。其中I（x）

感光器件是工业相机用来感光成像的部件。1英寸CCD尺寸=长12.8mm*宽9.6mm，对角线为16mm之对应面积，三边比例为4:3:5. CCD尺寸比例定义，例如：1）1/2" CCD的对角线就是 1"的一半为8mm，面积约为 1/42）1/4" CCD的对角线就是 1"的1/4，即为 4mm，面积约为1/16。1/2.5inchCCD感光面积<1/1.8inch...

在MNN与opencl进行联合编译中，需要注意一些事项：1、在MNN中cmakelists进行修改后2、在source/backend/opencl/core/runtime中OpenCLWarpper.cpp中文件进行修改。否则在编译过程中不报错，而在执行过程报以下错误：OpenCL init error, fallback ..例如我们使用全志T507的liunx系统进行开发，需要把liunx

(1) 假设一个图像的灰度，这个图像的灰度是3阶，灰度共生矩阵是3阶方阵（灰度共生矩阵的阶数等于灰度的等级数）(2) 表示像素对的位置关系（两个像素相对位置关系）注意这里的x+a,y+b的写法水平:a=1,b=0垂直:a=0,b=1正45:a=-1,b=1负45:a=1,b=1(3)n(i,j),i和j都是灰度等级，n表示灰度等级i和j的像素对，在δ定义的位置关系下，出现的次数比如n(0,0),δ

损失函数可以分为三类：回归损失函数、分类损失函数和排序损失函数1、L1 loss计算实际值和预测值之间的绝对值之和的平均值。y表示标签，pred表示预测值。（回归问题），当目标变量的分布具有异常值时，即与平均值相差很大的值，它被认为对异常值具有很好的鲁棒性。import torchdef lossTest():input=torch.randn(3,5,requires_grad=True)tar

1、开山之作:LeNet对经典LeNet-5做深入分析:1)输入图像是单通道的28*28大小的图像，矩阵表示[28,28,1]2)conv1所用卷积核尺寸5*5,滑动步长1,卷积核数目20,该层后图像尺寸变为28-5+1=24,输出矩阵[24,24,20]3)pool1核尺寸为2*2,步长2,输出矩阵[12,12,20]4)conv2所用卷积核尺寸5*5,滑动步长1,卷积核数目50,该层后图像尺寸

1、定义二叉树是n（n>=0）个结点的有限集合，该集合或者为空集（空二叉树），或者由一个根结点和两棵互不相交的、分别称为跟结点的左子树和右子树的二叉树组成。2、特点每个结点最多有两棵子树，所以二叉树不存在度大于2的结点。左子树和右子树是有顺序的，次序不能颠倒。即使树中某结点只有一棵子树，也要区分它是左子树还是右子树。3、基本形态空二叉树、只有一个根节点、根结点只有左子树、根结点只有右子树、根

1、在vscode界面，按"ctrl+"进行设置界面，搜索Format2、设置保存文件时，按格式对代码排版3、向下拉，在框内输入Google，按照谷歌代码格式排版4、 使用方式，打开c++代码文件当文件保存时，自动按照谷歌代码风格进行格式化代码。或者进行shift+ctrl+i进行保存。...