zfmx's Blog

在阅读论文 "A fast effective ellipse detector for embedded vision applications" 后找到原码，简单调试运行，opencv2.4.13环境

ubuntu24.04 安装 opencv2.4.13, 论文 “A fast and effective ellipse detector for embedded vision applications” 复现使用的环境。

详细的使用idea创建 javaweb 项目过程。 maven,servlet,tomcat等本科课程中出现的环境。

正值寒假，阅读了一本经典的Linux书籍——《鸟哥的LINUX私房菜》，全书共有五部分，共计七百余页，由于看的时候同时在机器上测试，又在书上写写画画，我的阅读进度并不算快，目前为止也仅看完了第一部分——Linux的规则与安装。

2024年2月13日，将CVE漏洞复现的相关文章整合到一起，方便查阅

现在是2024年的2月13日，一月份购置了《软件设计师教程》一书，想着单单看着总会遗忘很多知识点，于是有了这一篇文章。原本的打算是做成零碎的文章，但零碎的知识点于平时别的碎碎念会产生混乱，于是今日将他们整合到一起，同时将之前写过的相关内容一并放于此地。这一篇文章会慢慢更新，逐步完善下去，希望不会再次发生弃坑的恶习吧~

本文章粗略介绍了R-CNN系列的神经网络，并对前置知识做了详细的介绍与说明。

本文简要介绍了一些数学建模常用知识点，以及相关的数学公式，仅供参考，每个知识点或许不太深入，后续有机会将会一个点一个点完善。

一、GAN网络总体流程 随机噪声输入生成器中生成假图像，再将真图像和假图像一同输入判别器中比较，在根据判别器的结果分别更新生成器和判别器，使得生成器生成的假图像被判别器判别为真图像的概率提高，最终使得判别器无法分辨出假图像 二、论文参数介绍z：随机噪声 pz(z)：随机噪声z服从的概率分(一维均匀分布，一维高斯分布，二维均匀分布，二位高斯分布…..n维均匀分布，n维高斯分布) G(z,θg)：生成器，用于输入随机噪声z，输出假图像，其中θg为多层感知器参数(神经元权重) D(x,θd)：判别器，输入图像x，返回0到1之间的标量，越接近1代表图像越真，其中θd为多层感知器参数 pg：生成器生成的假图像服从的概率分布 x~pdata：真实数据服从的概率分布 三、论文中的一些定义​ 生成器与判别器进行two-player minimax game(双人极大极小博弈) ​ 生成器的目的是最小化 log(1-D(G(z))) G(z) 生成器生成的假图像 D(G(z))判别器认为假图是真图的概率 ​ 判别器的目的是最大化 log(D(x)) ​ 用简单的例子表述生成器与判别器的关系：生成器如造假币的小偷需要使假币在进入判别器的时候使其越来越不被判别器找出，而判别器则是用来判别真币假币，要最大化判别器的性能使得假币被找出来 定义函数V(G,D):$$min_Gmax_D=E_{x-p_{data}}[logD(x)]+E_{z-p{(z)}}[log(1-D(G(z)))]$$ 四、GAN的理论分析当G和D足够强的时候就达到了 non-parametric limit G和D训练时遵从交替训练，k次判别器训练后进行一次生成器训练（若各一次交替训练的话训练代价高昂，同时还会导致过拟合） 伪代码部分： for number of training ite ...

本文记录了学习前端三件套过程中，写过的代码，以及一些相关知识