乒乓球自動計分器運動目標檢測與估計算法研究提綱

Submitted by neurta on Thu, 01/09/2020 - 10:43
在國內外體育比賽的裁判中,經常發生誤判的爭議。目前的裁判主要依靠人工進行裁判,費時費力;人的視覺具有暫留現象,分辨事物的最高頻率24HZ,即反應一次至少0.042s;此外,為探究目前處于感官認知階段的馬格努斯力對運動軌跡影響的分析,對旋轉乒乓球建模,模型求解,算法設計;

一種基于問句主題的自動問答答案選擇方法

Submitted by neurta on Sun, 12/29/2019 - 11:41
本發明公開了一種基于問句主題的自動問答答案選擇方法,通過獲取問答對,對問答對中的答案進行分類,構建分類的答案集;提取待回答問句主題,根據待回答問句主題和分類模型對待回答問句進行分類,比對分類的答案集,獲取待回答問句的候選答案集,根據待回答問句和與其對應的候選答案集,使用問答匹配模型獲取待回答問句的答案;本發明提供的基于問句主題的自動問答答案選擇方法,根據待回答問句主題對待回答問句進行分類,能夠過濾掉與主題不相關的信息,提升數據集質量,提升自動問答的準確性。

設計模式:策略模式【Strategy Pattern】

Submitted by neurta on Fri, 12/20/2019 - 12:53
總體來說設計模式分為三大類:   創建型模式,共五種:工廠方法模式、抽象工廠模式、單例模式、建造者模式、原型模式。   結構型模式,共七種:適配器模式、裝飾器模式、代理模式、外觀模式、橋接模式、組合模式、享元模式。   行為型模式,共十一種:策略模式、模板方法模式、觀察者模式、迭代子模式、責任鏈模式、命令模式、備忘錄模式、狀態模式、訪問者模式、中介者模式、解釋器模式。

btree索引和hash索引的區別

Submitted by neurta on Tue, 12/17/2019 - 14:54
(1)Hash 索引僅僅能滿足"=","IN"和"<=>"查詢,不能使用范圍查詢。 由于 Hash 索引比較的是進行 Hash 運算之后的 Hash 值,所以它只能用于等值的過濾,不能用于基于范圍的過濾,因為經過相應的 Hash 算法處理之后的 Hash 值的大小關系,并不能保證和Hash運算前完全一樣。 (2)Hash 索引無法被用來避免數據的排序操作。 由于 Hash 索引中存放的是經過 Hash 計算之后的 Hash 值,而且Hash值的大小關系并不一定和 Hash 運算前的鍵值完全一樣,所以數據庫無法利用索引的數據來避免任何排序運算; (3)Hash 索引不能利用部分索引鍵查詢。

大型圖像抽取對象識別

Submitted by neurta on Tue, 12/10/2019 - 14:29
def plot_image(i, predictions_array, true_label, img): predictions_array, true_label, img = predictions_array, true_label[i], img[i] plt.grid(False) plt.xticks([]) plt.yticks([]) plt.imshow(img, cmap=plt.cm.binary) predicted_label = np.argmax(predictions_array) if predicted_label == true_label: color = 'blue' else: color = 'red' plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label], 100*np.max(predictions_array), class_names[true_label]), color=color) def plot_value_array(i, predictions_array, true_label): predictions_array, true_label = predictions_array, true_label[i] plt.grid(False) plt.xticks(range(10)) plt.yticks([]) thisplot = plt.bar(range(10), predictions_array, color="#777777") plt.ylim([0, 1]) predicted_label = np.argmax(predictions_array) thisplot[predicted_label].set_color('red') thisplot[true_label].set_color('blue')

標準號:GB/T 34083-2017 中文標準名稱:中文語音識別互聯網服務接口規范

Submitted by neurta on Tue, 12/10/2019 - 10:11
國家標準《中文語音識別互聯網服務接口規范》由TC28(全國信息技術標準化技術委員會)歸口上報及執行,主管部門為國家標準化管理委員會。 主要起草單位 科大訊飛股份有限公司 、中國電信集團公司 、中國電子技術標準化研究院 、北京慧聽科技有限公司 、蘇州思必馳信息科技有限公司 、阿里云計算有限公司 、中國科學院聲學研究所 。 主要起草人 李洪亮 、嚴峻 、于繼棟 、朱恩德 、程彩峰 、張陳 、胡修文 、楊震 、趙菁華 、周偉達 。

發明名稱 --- 一種基于動態數字驗證碼的語音門禁系統

Submitted by neurta on Mon, 12/09/2019 - 11:29
1.一種基于動態數字驗證碼的語音門禁系統,包括聲紋注冊終端、服務器與門禁終端,其特征在于,所述聲紋注冊終端與門禁終端連接在服務器上,所述的聲紋注冊終端包括聲紋網絡通信模塊、聲紋錄音模塊和聲紋顯示模塊,所述的聲紋網絡通信模塊用于接收和發送聲音數據或控制信號,所述的聲紋錄音模塊用于采集用戶錄音,所述的聲紋顯示模塊用于顯示動態數字碼或其它提示信息。 2.根據權利要求1所述的一種基于動態數字驗證碼的語音門禁系統,其特征在于:所述的服務器包括服務器網絡通信模塊、動態數字碼生成模塊、聲紋識別模塊、語音識別模塊、管理模塊與存儲模塊。 3.根據權利要求1所述的一種基于動態數字驗證碼的語音門禁系統,其特征在于:所述的門禁終端包括網絡通信模塊、控制模塊、顯示模塊、報警模塊、錄音模塊與感應模塊。 4.根據權利要求2所述的一種基于動態數字驗證碼的語音門禁系統,其特征在于:所述的服務器網絡通信模塊用于與聲紋注冊終端和門禁終端進行通信,接收以及發送聲音數據或控制信號;所述的動態數字碼生成模塊用

2020 IEEE Fellow名單出爐

Submitted by neurta on Wed, 11/27/2019 - 12:45

IEEE 全稱是美國電子電氣工程師學會(Institute of Electrical and Electronic Engineers),是國際性電子技術與信息科學工程師學會,在 160 多個國家擁有超過 40 萬會員。IEEE Fellow 為學會最高等級會員,是 IEEE 授予成員的最高榮譽,在學術科技界被認定為權威的榮譽和重要的職業成就。當選人需要對工程科學與技術的進步或應用做出重大貢獻,為社會帶來重大價值。當選人數不超過 IEEE 當年會員總數的 0.1%。

?

去年,機器之心就對 IEEE 2019 Fellow 進行了報道。據統計,去年晉升 IEEE Fellow 的華人學者近百位,來自大陸地區高校和企業的新晉 Fellow 30 多位,其中包括清華大學魏少軍、Petuum 創始人兼 CEO 邢波教授這樣的資深學者,非常引人注目。

?

結巴分詞

Submitted by neurta on Tue, 11/26/2019 - 15:54
常見問題 1. 模型的數據是如何生成的? 詳見: https://github.com/fxsjy/jieba/issues/7 2. “臺中”總是被切成“臺 中”?(以及類似情況) P(臺中) < P(臺)×P(中),“臺中”詞頻不夠導致其成詞概率較低 解決方法:強制調高詞頻 jieba.add_word('臺中') 或者 jieba.suggest_freq('臺中', True) 3. “今天天氣 不錯”應該被切成“今天 天氣 不錯”?(以及類似情況) 解決方法:強制調低詞頻 jieba.suggest_freq(('今天', '天氣'), True) 或者直接刪除該詞 jieba.del_word('今天天氣') 4. 切出了詞典中沒有的詞語,效果不理想? 解決方法:關閉新詞發現 jieba.cut('豐田太省了', HMM=False) jieba.cut('我們中出了一個叛徒', HMM=False) 更多問題請點擊:https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

阿里媽媽造發布國內首個工業級的圖深度學習開源框架Euler

Submitted by neurta on Sun, 05/12/2019 - 13:34
https://github.com/alibaba/euler 1.1Euler的核心能力 1)大規模圖的分布式學習 工業界的圖往往具有數十億節點和數百億邊,有些場景甚至可以到數百億節點和數千億邊,在這樣規模的圖上單機訓練是不可行的。Euler支持圖分割和高效穩定的分布式訓練,可以輕松支撐數十億點、數百億邊的計算規模。 2)支持復雜異構圖的表征 工業界的圖關系大都錯綜復雜,體現在節點異構、邊關系異構,另外節點和邊上可能有非常豐富的屬性,這使得一些常見的圖神經網絡很難學到有效的表達。Euler在圖結構存儲和圖計算的抽象上均良好的支持異構點、異構邊類型的操作,并支持豐富的異構屬性,可以很容易的在圖學習算法中進行異構圖的表征學習。 3)圖學習與深度學習的結合 工業界有很多經典場景,例如搜索/推薦/廣告場景,傳統的深度學習方法有不錯效果,如何把圖學習和傳統方法結合起來,進一步提升模型能力是很值得探索的。Euler支持基于深度學習樣本的mini-batch訓練,把圖表征直接輸入到深度學習網絡中聯合訓練。 4)分層抽象與靈活擴展 Euler系統抽象為圖引擎層、圖操作算子層、算法實現層三個層次,可以快速地在高層擴展一個圖學習算法。實際上,Euler也內置了大量的算法實現供大家直接使用。
冯仰妍破处门