<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[三明治的博客]]></title><description><![CDATA[记录、分享计算机科学领域的学习历程]]></description><link>https://blog.csdn.net/Jacompol</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Jacompol]]></copyright><item><title><![CDATA[ERROR: Could not install packages due to an OSError: [Errno 28] No space left on device尝试修改了默认路径，无果？]]></title><link>https://blog.csdn.net/Jacompol/article/details/136820217</link><guid>https://blog.csdn.net/Jacompol/article/details/136820217</guid><author>Jacompol</author><pubDate>Mon, 18 Mar 2024 20:58:16 +0800</pubDate><description><![CDATA[我明明设置好了pip的默认安装位置，并且空间足够大，但是下载到最后的时候，还是会报错：空间不足。而这时候如果你C盘空间所剩无几，无法提供充足的空间，那你的下载过程肯定就无法正常了，所以我们要做的就是修改“temp”文件夹所在位置。（浪费我好多时间和流量！）]]></description><category></category></item><item><title><![CDATA[《STA: Spatial-Temporal Attention for Large-Scale Video-Based Person Re-Identification》]]></title><link>https://blog.csdn.net/Jacompol/article/details/136714328</link><guid>https://blog.csdn.net/Jacompol/article/details/136714328</guid><author>Jacompol</author><pubDate>Fri, 15 Mar 2024 15:32:20 +0800</pubDate><description><![CDATA[提出了一种新的时空注意(STA)方法来解决视频中大规模的人物再识别任务。STA在空间和时间两个维度上充分利用了一个目标人的那些判别性部分，通过帧间正则化得到一个二维注意力评分矩阵来衡量空间部分在不同帧间的重要性。因此，根据挖掘的二维注意力评分矩阵指导的加权和操作，可以生成更鲁棒的剪辑级特征表示。在MARS和DukeMTMCVideoReID两个大规模数据集上进行了实验。mAP在MARS上达到87.7%]]></description><category></category></item><item><title><![CDATA[《Prototypical Contrastive Learning-based CLIP Fine-tuning for Object Re-identification》]]></title><link>https://blog.csdn.net/Jacompol/article/details/136603928</link><guid>https://blog.csdn.net/Jacompol/article/details/136603928</guid><author>Jacompol</author><pubDate>Sun, 10 Mar 2024 18:12:59 +0800</pubDate><description><![CDATA[在这项工作中，我们首先分析了提示学习在CLIP-ReID中的作用，并确定了其局限性。基于我们的研究，我们提出了一种简单而有效的方法来适应被监督对象的Re-ID。我们的方法使用典型的对比学习(PCL)损失直接微调CLIP的图像编码器，消除了对快速学习的需要。]]></description><category></category></item><item><title><![CDATA[《CLIP-ReID Exploiting Vision-Language Model for Image Re-identification without Concrete Text Label》]]></title><link>https://blog.csdn.net/Jacompol/article/details/136596706</link><guid>https://blog.csdn.net/Jacompol/article/details/136596706</guid><author>Jacompol</author><pubDate>Sun, 10 Mar 2024 15:28:11 +0800</pubDate><description><![CDATA[像CLIP这样的预训练视觉语言模型最近在包括图像分类和分割在内的各种下游任务上显示出优越的性能。然而，在细粒度图像再识别(ReID)中，标签是索引，缺乏具体的文本描述。因此，如何将这些模型应用于这些任务还有待确定。提出了一个两阶段的策略，以促进更好的视觉表现。关键思想是通过为每个ID提供一组可学习的文本标记，充分利用CLIP中的跨模态描述能力，并将其提供给文本编码器以形成模糊描述。第一个训练阶段，只有文本标记通过计算的对比损失从头开始优化。在第二阶段，为微调图像编码器提供了约束]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（六）-- 朴素贝叶斯]]></title><link>https://blog.csdn.net/Jacompol/article/details/131024437</link><guid>https://blog.csdn.net/Jacompol/article/details/131024437</guid><author>Jacompol</author><pubDate>Sat, 03 Jun 2023 22:50:37 +0800</pubDate><description><![CDATA[朴素贝叶斯法是基于概率统计，特征条件独立假设的分类方法，是一种非常常用的机器学习算法；通常用于处理文本分类和情感分析等自然语言处理任务中。相对于其他复杂的模型，朴素贝叶斯算法具有简单、易于实现、高效和良好的准确性等特点]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（五）-- 支持向量机（SVM）]]></title><link>https://blog.csdn.net/Jacompol/article/details/130438670</link><guid>https://blog.csdn.net/Jacompol/article/details/130438670</guid><author>Jacompol</author><pubDate>Sat, 29 Apr 2023 10:24:06 +0800</pubDate><description><![CDATA[我们希望寻找到这样的直线，使得距离这条直线最近的点到这条直线的距离最短。我们从如下右图直观来解释这一句话就是要求的两条外面的线之间的间隔最大。这是可以理解的，因为假如数据样本是随机出现的，那么这样分割之后数据点落入到其类别一侧的概率越高那么最终预测的准确率也会越高。在高维空间中这样的直线称之为超平面，因为当维数大于三的时候我们已经无法想象出这个平面的具体样子。那些距离这个超平面最近的点就是所谓支持向量，实际上如果确定了支持向量也就确定了这个超平面，找到这些支持向量之后其他样本就不会起作用了。]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（四）-- 决策树]]></title><link>https://blog.csdn.net/Jacompol/article/details/130176008</link><guid>https://blog.csdn.net/Jacompol/article/details/130176008</guid><author>Jacompol</author><pubDate>Sat, 22 Apr 2023 19:10:52 +0800</pubDate><description><![CDATA[最经典的机器学习模型之一，成树型结构，决策树的目的是为了产生一颗泛化能力强，处理未见实例能力强的树，通过特征判断不断分类，基本流程遵循“分而治之”的递归分类策略。]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（三）-- 逻辑回归（对数几率回归）]]></title><link>https://blog.csdn.net/Jacompol/article/details/130155283</link><guid>https://blog.csdn.net/Jacompol/article/details/130155283</guid><author>Jacompol</author><pubDate>Fri, 14 Apr 2023 22:18:11 +0800</pubDate><description><![CDATA[上个算法（算法系列二）介绍了如何使用线性模型进行回归学习，但若要做的是分类任务，则需要找一个单调可微函数将分类任务的真实标记y与线性回归模型的预测值联系起来。虽然名字叫回归，但其实是分类学习方法。]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（二）-- 线性回归算法]]></title><link>https://blog.csdn.net/Jacompol/article/details/130127510</link><guid>https://blog.csdn.net/Jacompol/article/details/130127510</guid><author>Jacompol</author><pubDate>Thu, 13 Apr 2023 22:52:26 +0800</pubDate><description><![CDATA[线性回归是使用对数据进行线性拟合的算法。]]></description><category></category></item><item><title><![CDATA[机器学习算法系列（一）-- K近邻法（KNN）]]></title><link>https://blog.csdn.net/Jacompol/article/details/130116615</link><guid>https://blog.csdn.net/Jacompol/article/details/130116615</guid><author>Jacompol</author><pubDate>Wed, 12 Apr 2023 22:42:21 +0800</pubDate><description><![CDATA[给定一个训练数据集，对于新输入的实例，在训练数据集中找到与该实例最近的k个实例，这k个实例的多数属于某个类，就将该输入实例划分为某个类通俗来说，就是未标记的样本类别，由距离其最近的k个邻居投票决定，少数服从多数。]]></description><category></category></item><item><title><![CDATA[Python爬虫以及数据可视化分析]]></title><link>https://blog.csdn.net/Jacompol/article/details/111692298</link><guid>https://blog.csdn.net/Jacompol/article/details/111692298</guid><author>Jacompol</author><pubDate>Fri, 25 Dec 2020 17:43:30 +0800</pubDate><description><![CDATA[Python爬虫以及数据可视化分析之B站动漫排行榜信息爬取分析
简书地址：https://www.jianshu.com/u/40ac87350697
简单几步，通过Python对B站番剧排行数据进行爬取，并进行可视化分析
源码文件可以参考Github上传的项目：https://github.com/Lemon-Sheep/Py/tree/master
下面，我们开始吧！

PS: 作为Python爬虫初学者，如有不正确的地方，望各路大神不吝赐教[抱拳]

本项目将会对B站番剧排行的数据进行网页信息爬取以及]]></description><category></category></item></channel></rss>