Canny 边缘检测是一种经典且常用的图像边缘提取算法，由 John Canny 在 1986 年提出。它在 OpenCV 中得到了高效实现，是结构化光、SLAM、医学影像分析与机器视觉领域中最常用的边缘检测方法之一。其目标是以最优方式识别图像中的边缘，既能准确检测真实边缘，又能保持较强的抗噪能力与定位精度。边缘通常对应灰度变化剧烈的区域，但噪声也会产生剧烈变化。如果不去噪，边缘会出现大量虚假响应

无监督学习不依赖人工标注数据，模型仅利用输入数据本身进行训练，旨在发现数据中的潜在结构、分布规律或隐藏特征。

目标检测和迁移学习是现代AI，尤其是深度学习不可或缺的两大基石。目标检测通过一系列精妙的算法设计（从两阶段的精度优势到单阶段的速度优势），实现了机器对“看懂”世界的跨越。未来的趋势将是更轻量化、更高效、更通用的模型，例如结构（如DETR）的引入，正推动目标检测向更简洁的端到端范式发展。迁移学习则极大地提高了深度学习的实用性和可扩展性。通过复用知识，它有效解决了数据稀疏和高昂计算成本的问题，让深度学

数据集划分是深度学习建模中的关键环节。合理的划分能确保模型在训练中有效学习，并在实际应用中保持良好的泛化性能。三分法则：训练、验证、测试三部分不可混淆，比例需结合数据规模合理设定。分布一致性：各划分子集应保持整体数据分布的一致性，避免偏差。场景适配：针对不同任务（图像、文本、时间序列、医学影像）选择合适的划分方法。防止泄露：严格避免测试数据泄露，保持模型评估的公正性。

滤波的核心思想是：对每个像素，以其邻域（通常为 k×k 窗口）为基础进行计算，使输出像素值更平滑或者更符合某种特定需求。线性滤波的一般形式为：其中 k(i,j) 为滤波核（kernel）。

图像平滑是计算机视觉中的重要基础操作，用于降噪、改善图像质量以及为后续算法（如边缘检测、特征提取、图像金字塔处理等）作准备。在所有平滑方法中，是最常用、最经典的一种。与均值滤波或方盒滤波相比，高斯滤波能更好地保护边缘，具有更好的数学性质和视觉效果。

vfFFmpeg的滤镜命令是用于音视频处理中的强大工具，可以完成剪裁、缩放、加水印、调色、合成、旋转、模糊、叠加字幕等复杂的操作。

实时点播（信令处理）：https://blog.csdn.net/www_dong/article/details/132950064。实时点播（数据处理）：https://blog.csdn.net/www_dong/article/details/133581370。历史视音频文件查询成功后，选中一条记录，右键选择录像回放，即可弹窗显示录像数据。查看历史文件成功后，选中某一条记录，开始录像回放

配置ffmpeg。

follower副本发生故障会被临时踢出ISR，待follower副本恢复后，follower副本会读取本地磁盘上次记录的HW，将log文件高于HW的部分截取掉，从HW开始向leader副本进行同步，等待该follower副本的LEO大于该Partition的HW，即follower副本追上leader副本之后，就可以重新加入ISR。