ZeroRains Blog

论文名称：Multi-view clustering: A survey 作者：Yan Yang; Hao Wang 时间：2018 期刊或会议：Big Data Mining and Analytics Introduction 举一些例子说明什么是多视图数据： 分享到网站的图片通常有对应的文字标签和描述 特定的新闻通常由不同的新闻机构报道 传感器信号会在时域和频域上分解 相同的语义可以被多个语言表达 聚类是一个有力的用于探索数据的底层结构的交替学习工具。他的基本思想是，根据某种要求对一组数据进行分类，使得相似物体尽可能分配到相同的簇中，而不相似的物体尽可能分配到不同的簇中。 多视图聚类的目标利用多个视图的互补信息和共同信息是，从而提取出多视图数据中更高质量的特征。 今年来聚类算法表现很好，但是大多数都只在一个视图上，而对于多视图数据则是将他们叠加到一个单一的视图上再使用优秀的聚类算法进行聚类，但这通常不能促进多视图聚类的效果，由于每一个视图有其特定的统计属性，所以这种方法并没有物理意义。 找到一个方式去最大化每一个视图的聚类质量同时考虑多个视图的聚类一致性是在MVC（多视 ...

论文名称：Deep Incomplete Multi-view Clustering via Mining Cluster Complementarity 作者：Jie Xu, Huayi Tang, Yazhou Ren, Liang Peng, Xiaofeng Zhu, Lifang He 时间：2022 期刊或会议：AAAI2022 代码：https://github.com/SubmissionsIn/DIMVC Origin Abstract Incomplete multi-view clustering (IMVC) is an important unsupervised approach to group the multi-view data containing missing data in some views. Previous IMVC methods suffer from the following issues: (1) the inaccurate imputation or padding for missing data negativ ...

论文名称：Multi-Level Feature Learning for Contrastive Multi-View Clustering 作者：Jie Xu, Huayi Tang, Yazhou Ren, Liang Peng, Xiaofeng Zhu, Lifang He 时间：2022 期刊或会议：Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 代码：https://github.com/SubmissionsIn/MFLVC Origin Abstract Multi-view clustering can explore common semantics from multiple views and has attracted increasing attention. However, existing works punish multiple objectives in the same feature space, where they ...

论文名称：Visual Object Tracking using Adaptive Correlation Filters 作者：David S. Bolme; J. Ross Beveridge; Bruce A. Draper; Yui Man Lui 时间：2010-7 期刊：CVPR2010 Origin Abstract Although not commonly used, correlation filters can track complex objects through rotations, occlusions and other distractions at over 20 times the rate of current state-of-the-art techniques. The oldest and simplest correlation filters use simple templates and generally fail when applied to tracking. More modern approaches suc ...

编译阶段 给出可能出错的代码，或者出错的方式，询问是在编译的哪个阶段会发生报错 比如： 12345// c代码int t=0,2ddd; // 1. 变量名命名错误t = 1+; // 2. 运算符使用错误int a[3];a[3] = 10;// 3. 数组越界 在词法分析阶段报错 在语法分析阶段报错 在语义分析阶段报错（其还包括调用未定义的函数） 词法分析 状态转换图的接收与拒绝 比如下图： 图中一开始有箭头（出发端没有元素）指向的状态为初态（图中A），有两层圈的状态为终态（图中E,F）。 对于任意一个输入串，比如011，其满足从初态出发，在经过对应字符的遍历A->D->C->F后，到达终态（即最后一个点为终态）则可以接收这个输入串，反之（最后一个点不是终态）则不可以接收 状态转化矩阵 比如： 状态 a（对应第一列状态的情况下输入a） b（对应第一列状态的情况下输入b） S A S A A B B B B 初态：S，终态：B 矩阵表示的当处于S状态时，当接收a时，下一个状态为A，当接收b时，下一个状态S。其他同理，根据合格 ...

树 树是n个结点的有限集，它或为空树(n=0)，或为非空树，对于非空树TTT: 有且仅有一个称为根的结点 除根结点外，其余结点可分为m(m>0)个互不相干的有限集合T1,T2,...,TmT_1,T_2,...,T_mT1​,T2​,...,Tm​，其中每一个集合本身又是一棵树，并且称为根的子树。 a集合形式的树：对于任意两个集合，他们要么不想交，要么其中一个包含另一个 b广义表表示的树：根作为子树森林组成的表的名字写在表的左边。 c凹入法表示的数（类似书的编目） 二叉树 二叉树是n个结点所构成的集合，它或为空树(n==0)，或为非空树，对于非空树TTT 有且仅有一个称为根的结点 除根结点以外的其余结点分为两个互不相交的子集T1T_1T1​和T2T_2T2​，分别称为T的左子树和右子树，且都是二叉树 二叉树和树的区别 二叉树每个结点至多只有两棵子树（即二叉树中不存在度大于2的结点） 二叉树的子树有左右之分，其次次序不能任意颠倒 二叉树的性质（重点） （ps：默认二叉树的根结点在第1层） 性质1：在二叉树的第i层上至多有2i−12^{i-1}2i−1个结点(i≥1 ...

Universal Weighting Metric Learning for Cross-Modal Retrieval 论文名称：Universal Weighting Metric Learning for Cross-Modal Retrieval 作者：Jiwei Wei; Yang Yang; Xing Xu; Xiaofeng Zhu;Heng Tao Shen 时间：2021-6 期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence Origin Abstract Cross-modal retrieval has recently attracted growing attention, which aims to match instances captured from different modalities. The performance of cross-modal retrieval methods heavily relies on the capability of ...

Learning Temporal-Correlated and Channel-Decorrelated Siamese Networks for Visual Tracking 论文名称：Learning Temporal-Correlated and Channel-Decorrelated Siamese Networks for Visual Tracking 作者：Mao Xi; Wengang Zhou; Ning Wang; Houqiang Li 期刊：IEEE Transactions on Multimedia 时间：2021-6-08 原文摘要 Recently, Siamese network based trackers have attracted growing popularity in visual tracking, which tackle the tracking by template matching between the initial template and successive search regions. The in ...

数字图像处理复习 (ps: 为什么全都是重点啊！) 第二章：图像数字化 难点： 图像文件格式：不要求对图像文件存储格式有深入了解，要了解他们存储的方式是什么样的说得出大概就行 图像质量评价 主观评价：肉眼观察，不同的人对图像进行打分 可观评价：均方差，标准差，信噪比，结构相似度 1、采样间隔和量化等级，或采样与量化方式、参数的选择对图像质量有何影响? 采样间隔越密集图像质量越好，图像就会越接近与物理图像 量化等级越多，越接近我们实际的物理图像，灰度级越细致，反之则会损失掉较多的灰度信息，太少还会出现伪轮廓的情况 2、像素之间的关系 邻接：两个像素点有接触，比如4邻域，对角邻域，8邻域的中心像素与其他任意像素的关系 邻接性，是在指定的灰度集合（可以包含多个灰度值）中，图像的像素邻域内的像素都为灰度集合的像素 连通性：如果两个像素按照某种邻接关系存在一条连通的路径时，他们就是连通的。 区域：由连通的像素点所组成的点的集合称为一个区域 区域中的某一个像素如果存在某一个邻域不属于这一区域，则称他是该区域的边界点 边界：一个区域的全部边界点的集合组成该区域的边界 边界和边 ...

PAT练习题，共（13/167）题(持续更新中) 声明：此博客中提及到的所有题目均出自PTA平台的提供的PAT甲级练习题，不存在任何盗版行为 A+B Format 本题就是将计算结果按照英文的输出习惯(三位一逗号)进行输出，思路很简单就是直接将计算结果转成字符串，扭转，3位加一个逗号即可 12345678910111213141516171819202122#include <bits/stdc++.h>using namespace std;int a, b;string res;int main(){ // freopen("1.txt", "r", stdin); cin >> a >> b; res = to_string(a + b); reverse(res.begin(), res.end()); int t = 3; while (res.size() > t) { if ('0' <= res[t] && res[t] ...