Goodness2020的博客

SimpleNet 是一种用于检测和定位异常的简单且易于应用的神经网络。当前的方法主要采用无监督方式解决异常检测问题，即训练过程中只使用正常样本。用于生成局部特征。用于将局部特征转换到目标领域。通过向正常特征添加高斯噪声来伪造异常特征。它通过合成异常来训练模型，避免了对大量真实异常样本的依赖。用于区分异常特征和正常特征。在推理过程中，异常特征生成器将被丢弃。我们的方法基于三个直觉。首先，将预训练的特征转换为面向目标的特征有助于避免域偏差。

S . 表示CMakeLists.txt在哪个目录-B build CMake生成结果在哪个路径 build就是路径名简短或进入build 文件夹下 cmake在build文件夹下编译常量：CMAKE_CURRENT_LIST_DIR CMAKE_BUILD_TYPE# INC_DIRset(# 第三方库头文件目录set(# 设置第三方库文件路径set(set(# 引入头文件macro(# 引入头文件${INC_DIR}

计时

python常用功能

深度图像的存储

Pytorch中tensor与numpy的数据转换

DFT/DCT

全概率公式和贝叶斯公式

b=a和b=a.copy()的区别

import numpy as npnum = [3, 4, 3]print(type(num)) # <class 'list'>num2 = num * 2print(num2) # [3, 4, 3, 3, 4, 3]arr = np.array(num)print(type(arr)) # <class 'numpy.ndarray'>arr2 = arr * 2print(arr2) # [6 8 6]tup = tuple(num).

#include <stdio.h>#include <string>int main(){ string str = "good"; const char* ch1 = str.c_str(); // string --> const char* const char* ch2 = str.data(); // string --> const char* int len = strlen(ch1); .

#include <stdio.h>void swap(int* p1, int* p2){ int temp; temp = *p1; *p1 = *p2; *p2 = temp;}int main(int argc, char** argv){ int x, y; int* pt_x; int* pt_y; x = 2, y = 8; // x,y是一个整形变量 pt_x = &x; /.

list_files ('G:/1/test2', ['files','follow_links'], testImageFiles)tuple_regexp_select (testImageFiles, ['\\.(jpg)$ || .(bmp)$', 'ignore_case'], testImageFiles)

#include <string>#include <fstream>#include <iostream>using namespace std;int main(){ cout << "Hello World!" << endl; string path = "E:\\ImageDeepLearning110\\name_list.txt"; ifstream in(path); string .

python使用集合统计相同元素的个数

typedef tuple<int, int, char> encodeUnit; // 定义结构体encodeUnit tup = tuple<5, 2, 'a'>; // 初始化参数cout << get<0>(tup) << "," << get<1>(tup) << "," << get<2>(tup) << endl; // 打印 5，2，a...