HTML 学习（在规则的边缘起舞）
最编程
2024-04-05 10:51:11
...
标签语言不分大小写。
我们偶尔可以不写闭合标签，有时候浏览器会帮你写的嘿嘿。
<hr />标签空格可以不写，斜杠可以不写♥
我们可以用段落标签<p></p>来进行换行。可以哟!
表单标签<input>的形式有text，password，checkbox，reset，radio，file。他们的属性后面有的要写name，有的要value。
<a href＝" "＞关</a>于这个双引号你也可以用单引号扩住完全没有问题
上一篇： 第二，Nginx 的企业架构
推荐阅读
-
HTML 学习（在规则的边缘起舞）
-
在React和Vue中，我们是如何玩转router的？ - 使用HTML5 History API，React Router利用pushState和replaceState方法在不刷新页面的情况下管理导航历史。它像这样工作： 1. 当URL发生变化时，React Router悄悄地“监听”浏览器地址栏的改动，主要通过popstate事件来察觉url更改。 2. 随着URL的变化，Router会对照预先设定好的JavaScript路由配置对象，依据一套规则找出与当前URL匹配的路径。 3. 一旦找到合适的路线，React Router就会如魔法般地渲染相应的组件到网页上，从而实现了页面内容的实时更新。让我们来看一个React Router实际运用的例子。
-
简单易懂版 - 什么是粒子群算法(PSO)?" - PSO 是这样工作的: 想象一群小鸟寻找食物，它们会互相学习、竞争并跟随最优秀的伙伴。这就是模仿群体智慧（Swarm Intelligence,SI）的粒子群优化算法，由 Eberhart 博士和 Kennedy 博士创造，属于多智能体优化系统（MAOS）的一员。 - 数学背后的逻辑: - 每只“鸟”（粒子）依据邻居过去的发现来飞得更好： 1. 受到激励的好位置（Pbest） 2. 与附近伙伴的成绩对比 3. 阿婆姨领先者的模仿 - 模型简化来说，每个粒子像 D 维空间的理想点，按特定速度飞行，速度随自身经验和同伴表现实时调整。我们用 Xi 表示 D 个粒子的集合，其中 Pi 存储过最佳位置，Pg 是群体中最优的位置，Vi 是粒子的速度。 - 更新规则： - **速度更新**：有点像梯度下降法中的导数概念，但因鸟群数量大，能有效跳出局部最优区域，引导群体朝全局最优方向前进。 - **位置更新**：在固定的时间内，新移动的距离就是 Vi（即速度向量在单位时间内的累积效果）。 - 参数简述：粒子群算法涉及多个参数，如粒子数量、学习因子（影响对过去经验的重视程度）、加速常数（控制探索与利用之间的平衡），这些参数的选择会影响算法的实际性能和收敛速度。
-
计算机视觉中，究竟有哪些好用的目标跟踪算法（下）-快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解，前面分析了相关滤波是模板类方法，如果目标快速变形，那基于HOG的梯度模板肯定就跟不上了，如果快速变色，那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关，固定学习率的线性加权更新，如果学习率太大，部分或短暂遮挡和任何检测不准确，模型就会学习到背景信息，积累到一定程度模型跟着背景私奔了，一去不复返。如果学习率太小，目标已经变形了而模板还是那个模板，就会变得不认识目标。(举个例子，多年不见的同学，你很可能就认不出了，而经常见面的同学，即使变化很大你也认识，因为常见的同学在你大脑里面的模型在持续更新，而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets)，而且边界效应产生的错误样本会造成分类器判别力不够强，下面分训练阶段和检测阶段分别讨论。 训练阶段，合成样本降低了判别能力。如果不加余弦窗，那么移位样本是长这样的： 除了那个最原始样本，其他样本都是“合成”的，100*100的图像块，只有1/10000的样本是真实的，这样的样本集根本不能拿来训练。如果加了余弦窗，由于图像边缘像素值都是0，循环移位过程中只要目标保持完整那这个样本就是合理的，只有目标中心接近边缘时，目标跨越边界的那些样本是错误的，这样虽不真实但合理的样本数量增加到了大约2/3(padding= 1)，即使这样仍然有1/3(3000/10000)的样本是不合理的，这些样本会降低分类器的判别能力。再者，加余弦窗也不是“免费的”，余弦窗将图像块的边缘区域像素全部变成0，大量过滤掉分类器本来非常需要学习的背景信息，原本训练时判别器能看到的背景信息就非常有限，我们还加了个余弦窗挡住了背景，这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝，是余弦窗)。 检测阶段，相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的，这就是说你训练了一个100*100的滤波器，那你也只能检测100*100的区域，如果打算通过加更大的padding来扩展检测区域，那样除了扩展了复杂度，并不会有什么好处。目标运动可能是目标自身移动，或摄像机移动，按照目标在检测区域的位置分四种情况来看： 如果目标在中心附近，检测准确且成功。 如果目标移动到了边界附近但还没有出边界，加了余弦窗以后，部分目标像素会被过滤掉，这时候就没法保证这里的响应是全局最大的，而且，这时候的检测样本和训练过程中的那些不合理样本很像，所以很可能会失败。 如果目标的一部分已经移出了这个区域，而我们还要加余弦窗，很可能就过滤掉了仅存的目标像素，检测失败。 如果整个目标已经位移出了这个区域，那肯定就检测失败了。 以上就是边界效应(Boundary Effets)，推荐两个主流的解决边界效应的方法，但速度比较慢，并不推荐用于实时场合。