第7章贪心法；
第8章动态规划；
第9章图算法设计；
第10章计算几何；
第11章计算复杂性理论；
第12章概率算法和近似算法；
教程练习题答案
第8章动态规划；
第9章图算法设计；
第10章计算几何；
第11章计算复杂性理论；
第12章概率算法和近似算法；
教程练习题答案
2023/11/22 7:35:09
5.69MB
1
计算机复杂性堵顶柱老师的书，计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书计算机复杂性堵顶柱老师的书
2023/11/20 12:25:01
7.3MB
1
线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
2023/8/13 15:12:13
9.55MB
1
图像分割是图像分析中最关键的任务之一。
阈值确定无疑是最受欢迎的细分方法之一。
在阈值方法中，最小交叉熵阈值（MCET）由于其简单性和阈值的测量精度而被广泛采用。
虽然在二级阈值化的情况下MCET是有效的，但是当涉及多级阈值以穷举搜索多个阈值时，MCET会遇到昂贵的计算。
提出了一种基于遗传算法的改进方案，用于多级MCET中固定阈值的选择。
该方案使用递归编程技术来降低多层MCET中目标函数的计算复杂性。
然后，提出了一种遗传算法来搜索几个接近最优的多级阈值。
根据经验，通过穷举搜索，我们的方案获得的多个阈值与最佳阈值非常接近。
在各种图像上对该方法进行了评价，实验结果表明了该方法在真实图像上的有效性和可行性。
阈值确定无疑是最受欢迎的细分方法之一。
在阈值方法中，最小交叉熵阈值（MCET）由于其简单性和阈值的测量精度而被广泛采用。
虽然在二级阈值化的情况下MCET是有效的，但是当涉及多级阈值以穷举搜索多个阈值时，MCET会遇到昂贵的计算。
提出了一种基于遗传算法的改进方案，用于多级MCET中固定阈值的选择。
该方案使用递归编程技术来降低多层MCET中目标函数的计算复杂性。
然后，提出了一种遗传算法来搜索几个接近最优的多级阈值。
根据经验，通过穷举搜索，我们的方案获得的多个阈值与最佳阈值非常接近。
在各种图像上对该方法进行了评价，实验结果表明了该方法在真实图像上的有效性和可行性。
2023/3/14 11:38:14
768KB
1
近年来，目睹了卷积神经网络（CNN）在各种计算机视觉和人工智能应用中的广泛普及。
然而，功能的提高是以大量密集的计算复杂性为代价的，这阻碍了它在诸如移动或嵌入式设备之类的资源受限的应用中的使用。
尽管人们越来越关注内部网络结构的加速，但很少考虑视觉输入的冗余性。
在本文中，我们首次尝试直接从视觉输入中减少CNN加速的空间和通道冗余。
所提出的方法称为ESPACE（消除空间和信道冗余），它通过以下三个步骤起作用：首先，通过一组低秩的卷积滤波器降低卷积层的3D通道冗余度。
其次，提出了一种新颖的基于掩模的选择性处理方案，该方案通过跳过视觉输入的不显着空间位置来进一步加快卷积操作。
第三，通过反向传播使用训练数据对加速网络进行微调。
在ImageNet2012上评估了提出的方法，并在两个广泛采用的CNN（即AlexNet和GoogLeNet）上实现了该方法。
与CNN加速的几种最新方法相比，该方案已证明在AlexNet和GoogLeNet上分别以5.48倍和4.12倍的加速比提供了最新的加速功能，而分类精度的下降却最小。
然而，功能的提高是以大量密集的计算复杂性为代价的，这阻碍了它在诸如移动或嵌入式设备之类的资源受限的应用中的使用。
尽管人们越来越关注内部网络结构的加速，但很少考虑视觉输入的冗余性。
在本文中，我们首次尝试直接从视觉输入中减少CNN加速的空间和通道冗余。
所提出的方法称为ESPACE（消除空间和信道冗余），它通过以下三个步骤起作用：首先，通过一组低秩的卷积滤波器降低卷积层的3D通道冗余度。
其次，提出了一种新颖的基于掩模的选择性处理方案，该方案通过跳过视觉输入的不显着空间位置来进一步加快卷积操作。
第三，通过反向传播使用训练数据对加速网络进行微调。
在ImageNet2012上评估了提出的方法，并在两个广泛采用的CNN（即AlexNet和GoogLeNet）上实现了该方法。
与CNN加速的几种最新方法相比，该方案已证明在AlexNet和GoogLeNet上分别以5.48倍和4.12倍的加速比提供了最新的加速功能，而分类精度的下降却最小。
2023/2/21 22:04:53
384KB
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