MCU组网实例

MCU作为视频传输与处理的核心设备,已被广泛应用,但在具体操作过程中,受到许多实际情况的制约,例如MCU之间由于品牌不同不兼容、MCU线路板接口数量不足等,给使用者带来不少困难。如何立足现有设备找到替代或相通的办法,解决实际的通联问题,以减少投入,是设计人员应该考虑的首要问题。笔者在一次实际运用中同时遇到了上述两个问题,通过合理组网规划仅增加部分终端设备就实现了通联需求。     

人像精修实例指南（上）

学习后期,大家往往都是从教程开始,但总有很多人按部就班,记了很多的操作步骤和数据,可真要抛开教程独立制作时,却依然无从下手。其实学习教程一定要做到举一反三,学的是方法是经验,而不是去死记步骤和数据。从本期开始,我们将用两期的专题来为大家介绍人像摄影后期的制作实例,从外景婚纱、个人写真到影棚商业人像,让我们来看看职业修图师的一些经验之谈。     

科学合理地构建信息检索策略的技巧

正今天,人们利用网络搜索一些简单明了的信息(如:寻医问药、了解时事、生活解疑、自学娱乐等),通常都比较方便、容易;然而,当对专业信息数据库进行检索时,其效果常常不尽如人意。在国内,权威信息机构的质量要求很高的科技查新检索,也不时出现纰漏;经验丰富的检索专家尚且如此,其他专业技术人员的资料搜索更常是挂一漏万。由于学术研究的专深复杂、学科门类的数量庞大、专业间的交叉渗透,使得一些科研课题资料的检索有相当的     

玩转移动打印惠省Deskjet4518实例演示

可以预见的是,伴随着越来越多的应用开始加入“去PC化”队伍,移动无线打印必将成为时代的发展潮流。而在市场上林林总总的支持无线功能的打印机产品中,惠普推出的移动打印设备可以说具有不错的代表性。接下来,CHIP就以惠普旗下的惠省Deskjet4518无线打印一体机为例,分别针对iOS和Android两大平台,为各位读者带来移动打印的实例演示。     

网络环境下信息检索技术研究

在网络开放的环境下,人们越来越离不开互联网,人们开始在网络上通过信息检索获取自己想要的信息,这样可以节省人们的时间,并且还能够更准确的获得其他相关知识,这一便捷的技术受到了人们的广泛关注,针对于此,本文就网络环境下的信息检索技术进行分析,以供参考。     

互信息在图像检索中的应用

介绍了一种用互信息来衡量相似性图像检索方法.该方法首先生成一种在统计上有代表性的视觉模式,使用这种模式的分布作为图像内容的描述符;基于该内容描述,设计了其互信息的计算方法以衡量图像的相似性.实验结果表明,在图像检索中,相对于其它如KL散度和L2规范等方法,互信息是一种更为有效的衡量相似性的方法.     

立磨大修实例二则

牡丹江水泥集团新1#窑生产线为2000t／d熟料新型干法水泥生产线，其生料粉磨选用德国Peif-ferAG公司制造的MPS3350B型立磨，磨机投产后，各项经济技术指标达到设计要求。在该立磨正常大修项目中，更换磨辊辊套和磨盘衬板是工作量大、技术复杂、难度较高的两个项目。本文就其拆装要点介绍如下。     

基于对比学习的无监督三元哈希方法

为了解决现有无监督二元哈希方法由于存在较大量化损失而导致检索精度较低的问题,在CIBHash方法的基础上,提出了一种新的基于对比学习的无监督三元哈希方法——CUTHash,将三元哈希编码用于图像检索。具体来说,首先,使用融合了解耦对比损失的对比学习框架,在目标数据集上进行无监督的图像特征学习;接着,为了得到三元哈希编码,对学习到的图像特征使用平滑函数进行量化操作,解决离散函数量化后导致的零梯度问题;最后,应用改进后的对比损失,约束同属一张图像的增强视图的特征在哈希空间中尽可能地接近,从而使得三元哈希编码具有一定的辨识力,使其更好地应用于无监督图像检索任务。在CIFAR-10、NUS-WIDE、MSCOCO以及ImageNet100数据集上进行了大量对比实验,取得了较当前主流的无监督哈希方法更好的检索性能,从而验证了CUTHash方法的有效性。     

SQL Server数据表范式细化设计教学研究

在数据库系统及应用教学中,传统教学采用数学公式对关系模型数据表范式设计进行定义和描述,使多数学生理解得不是很透彻.就此问题,文章通过实例探讨了关系数据库SQL Server数据表范式设计的教学,使得教师可以简单教学,学生易于理解,对于数据库设计能力有进一步的提高,对教学质量有进一步的提升.     

一种面向跨项目软件缺陷预测的特征过滤与实例迁移框架

在跨项目软件缺陷预测中,源项目与目标项目的特征关联度与实例分布差异性是影响预测模型性能的主要因素。本文从特征过滤与实例迁移2个角度出发,提出一种跨项目软件缺陷预测框架KCF-KMM(K-medoids Cluster Filtering- Kernel Mean Matching)。在特征过滤阶段,该方法基于K-medoids聚类算法来筛选特征子集,过滤与目标项目关联度低的特征。在实例迁移阶段,通过KMM算法计算源项目与目标项目实例间的分布差异度,以此分配每个训练实例的影响权重。最后,结合目标项目中少量有标注数据建立混合缺陷预测模型。为了验证KCF-KMM的有效性,本文从准确率和F1值的角度出发,分别与经典的跨项目软件缺陷预测方法TCA+、TNB和NNFilter相比,KCF-KMM的预测性能在Apache数据集上可以分别提升34.1%、0.8%、21.1%和14.4%、3.7%、10.6%。