Epic

视觉信号的神经通路 ref: <<神经科学:探索脑>> 视网膜 → 外侧膝状体核LGN →V1/初级视皮层*纹状皮层 →颞叶与顶叶 image-20240827225253370 视觉内容在LGN的投射和实验证明 切片是垂直于皮层切的 image-20240827230133287 纹状体眼优势柱（左右眼） 和斑块区（方位） 在平行于皮层的切面方向，眼睛的轴突投射并非是均匀展开的，而是被分为一系列空间大小相等的条块，每个宽约0.5mm， 这些条块为眼优势祝 ocular dominance column 。 image-20240827231636105 投影拓扑图 image-20240827232639901 视觉通路的 normalization https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1009028 Learning divisive...

第一份工作并不那么风光，也没有想象的钱多，每天做着琐碎的事情。常常是一边抱怨着工作，一边无奈自己的受限的能力。曾经的我励志要扭转自己的专业和航道，却在工作和年龄中逐渐消磨。 不愿如此，只做着打杂的事情，想学硬件，现在却越走越远，形同陌路。原来的我眼中闪光，计划未来，现在的我只像韩国电影《寄生虫》般，想着如果。 身旁活得比自己成功，天资聪颖的人，他们知道时间投在那些具有效益地方，而我却如此拧巴，没有更强的能力，却天天投在无用的幻想中，脚不踏实地。未来的自己去向何方，我真能对世界有更多的了解吗，还是这样浑浑噩噩，走向晚年。我好害怕最终活成那样。。。。。。

IQA model 分类 在图像质量评估(IQA)领域，OA、OU、DA和DU是描述评估模型特性的术语，它们分别代表： OA (Opinion-Aware): 意见感知型。这种类型的IQA模型在训练阶段使用了人类对失真图像的评分数据。换句话说，这些模型通过学习人类对图像质量的主观评价来预测图像质量。OA模型能够评估它们在训练数据中见过的失真类型。 DIVINE CBIQ LBIQ BLIINDS BRISQUE OU (Opinion-Unaware): 意见不感知型。与OA模型不同，OU模型在训练时不使用人类对失真图像的评分。它们不依赖于人类对特定失真类型的主观评价，而是通过其他方式来评估图像质量。 DA (Distortion-Aware): 失真感知型。DA模型在设计时考虑了特定的失真类型，它们通过训练来识别和评估这些特定的失真。这些模型对它们训练中包含的失真类型有更好的评估能力。 DU (Distortion-Unaware):...

NIQE 引言 随着多媒体内容在互联网上不断增多，传输在感知上具有高质量的图像需求也随之增长。即在保证图像质量没有明显损失的前提下，快速传输内容。而在大多数情况下，人们通常是没有途径获取原始无损的图像的，而仅仅是对接收到的当个图形进行评价，这种情况下就是我们通常所说的无参评估。 关于NR-IQA的方法，可以分为以下几类： 按提取的信息类型分 基于distortion评估 基于subjective/objective score 评估 按是否需要训练分 需要带有label的训练集 端到端训练 提特征+分类/回归器 基于无损数据集的统计信息，具有一定解释性 全基于理论，对数据集的依赖小，具有较强可解释性 一些IQA算法 algorithm author type year BIQI moorthy wavelet coefficients DIIVINE Moorthy 88...

BRISQUE 原理 朴素原理：自然无损的图像之间他们的某些统计属性更接近，而非寻常的人工图像（或是内容非自然或者自然图像经过失真处理）则不符合经验分布，比如下面两个图，左侧的图像亮度符合高斯，而人为的图像则不符合。于是有别于通过识别不同distortion类型判断失真程度，比如 blur、noise、compression ， 我们还可以通过与自然图像的总体统计值的偏差deviation 来评估感知质量。 Underlying Gaussianity of natural images BRISQUE则是属于后者的一类 通过分析NSS的无参图像评估 方法。 Natural Scene...

109 feature map: image-20240817142408450 image-20240817142419402 image-20240817142425897 image-20240817142432930 image-20240817142439099 image-20240817142447700 image-20240817142454338 image-20240817142500951

chan vess segmentation sign illustration f : denote the given grayscale image, f(x),x is point t : iteration t's border matrix, binary bool ?, describe as iteration th 's edge result, is closed curve mask ε : Heaviside regularization,custom params, = 1 x : pixel/position in image,2D φ : level set function, φ(i,j),φi,j : φ value at point(i,j) C : an edge set curve image Boundary C represented as the zero level set of implicit function φ(x, y)1 H : Heaviside...

介绍hexo 的基本生成部署操作和typora的文件如何更新到博客 Hexo 基本操作 我们定义根目录是含有主题、 source等信息的根目录，如下是根目录内的文件 image-20240811020929586 首先是要先把新建的仓库clone到本地，新建博客源码分支，初始化hexo，具体命令如下： 12345678910111213141516$ git clone xxxxxx // xxxxx是github上复制的clone地址$ cd xxxxxx // clone到本地会生成一个跟仓库同名的目录$ git checkout -b hexo // 创建并切换到hexo分支$ hexo init hexo // 初始化hexo，第一个hexo是cmd，第二个hexo是新建hexo目录$ cd hexo // 进入新建的hexo目录$ npm install // 安装相关依赖$ hexo g // generate，生成静态网站$ hexo s //...

基本介绍 使用场景 假如你拥有多个github账户，那么在编辑和push 仓库的时候需要指定特定用户进行登录，对于github仓库管理是通过ssh与github进行通讯的，那么就需要管理不同的账户下的SSH配置，即SSH公钥和 私钥。 SSH 如果我们要使用 Github 这种 git 代码托管平台的话，首先本地要生成一个 SSH 私钥(如id_rsa) 和 公钥(如id_rsa.pub)，然后将 公钥 填写到 Github 的 SSH Key 管理面板中。当我们向 Github 推送代码的时候会首先发起身份校验。此时，本地会将用户信息通过 SSH 私钥 执行『签名』操作 本地 - 私钥 - id_rsa github - 公钥 - id_rsa.pub 通过配置各个用户名的公钥和私钥，在使用的时候指定使用对应的私钥即可通过认证，进行通讯和数据传输。举例来说，如果我们要使用 Github 这种 git 代码托管平台的话，首先本地要生成一个 SSH 私钥(如id_rsa) 和 公钥(如id_rsa.pub)，然后将 公钥 填写到 Github 的 SSH...

在 Hexo 中使用 NOTE 提示块 123456789101112131415161718192021222324{% note default %}一个 default 提示{% endnote %}{% note primary %}一个 primary 提示{% endnote %}{% note success %}一个 success 提示{% endnote %}{% note info %}一个 info 提示{% endnote %}{% note warning %}一个 warning 提示{% endnote %}{% note danger %}一个 danger 提示{% endnote %} 一个 default 提示 一个 primary 提示 一个 success 提示 一个 info...