一、用回归方法解决一个实际问题。
二、自行选择实际问题，收集数据，并用软件进行数据处理。
三、要求：1.验证线性回归理论成立的条件，如正态性，同方差性，独立性，解释变量的相关性等。
若选择变量过多，需要进行变量的筛选。
2.用软件进行数据处理，建立回归模型，并进行回归方程和系数的显著性检验。
3.用建立的回归模型对实际问题进行解释，尽可能说明所建模型的合理性。
若不满意，应指出可能存在问题，给出可能的改进措施。
4.按发表论文的格式整理作业。
八字方针：结构合理、点到为止
二、自行选择实际问题，收集数据，并用软件进行数据处理。
三、要求：1.验证线性回归理论成立的条件，如正态性，同方差性，独立性，解释变量的相关性等。
若选择变量过多，需要进行变量的筛选。
2.用软件进行数据处理，建立回归模型，并进行回归方程和系数的显著性检验。
3.用建立的回归模型对实际问题进行解释，尽可能说明所建模型的合理性。
若不满意，应指出可能存在问题，给出可能的改进措施。
4.按发表论文的格式整理作业。
八字方针：结构合理、点到为止
2025/11/9 6:18:28
296KB
1
为了帮助对视觉障碍患者有效识别道路周围的场景，提出一种基于迁移学习和深度神经网络方法，实现实时盲道场景识别。
首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子，并进行特征融合，然后训练新的盲道特征表示，用Softmax函数实现盲道场景识别。
实验中，对成都不同区域盲道周围障碍物采样，分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型，最后在实际应用场景，实现了盲道周边障碍物的实时分类和报警，实验证明提出的方法具有很高准确率和良好的运行性能。
首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子，并进行特征融合，然后训练新的盲道特征表示，用Softmax函数实现盲道场景识别。
实验中，对成都不同区域盲道周围障碍物采样，分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型，最后在实际应用场景，实现了盲道周边障碍物的实时分类和报警，实验证明提出的方法具有很高准确率和良好的运行性能。
2025/7/30 17:30:33
1.22MB
1
丢在默认工作路径下直接调用就好了，内部有输入说明，输出1,2,3分别为Sen'sTrend,MKsigtest
2025/7/17 20:12:34
949B
1
这是一种图像视觉显著性提取方法，对应文献S.Goferman,L.Zelnik-Manor,andA.Tal,“Context-awaresaliencydetection,”inIEEECVPR,2010,pp.2376–2383.该文献中的模型同时考虑了图像的局部特征和全局特征，克服了显著区域范围是固定模型以及区域只考虑到前景图像，忽视含有信息量的背景信息的做法，能提取出显著区域轮廓，利于后续处理，但是需要计算图像中每个像素点相当于局部区域的显著性，计算量较大。
2025/3/29 0:47:36
496KB
1
2012年CVPR上备受关注的一篇快速的显著性检测文章：SaliencyFilters:ContrastBasedFilteringforSalientRegionDetection的代码现在可以在第二作者PhilippKrähenbühl的个人主页上下载了。
修改了代码的一些错误，需要搭建好opencv平台，直接编译即可。
修改了代码的一些错误，需要搭建好opencv平台，直接编译即可。
2024/10/20 22:34:58
37KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB