<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[limmmy的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/limmmy</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; limmmy]]></copyright><item><title><![CDATA[DeepSeek（深度求索）研究报告]]></title><link>https://blog.csdn.net/limmmy/article/details/162938023</link><guid>https://blog.csdn.net/limmmy/article/details/162938023</guid><author>limmmy</author><pubDate>Sun, 16 Aug 2026 00:03:35 +0800</pubDate><description><![CDATA[DeepSeek的故事，和其他所有AI研究公司都不一样。绝大多数AI实验室的创始人，来自谷歌、Meta或顶级大学实验室。DeepSeek的创始人梁文锋，来自一个完全不同的世界——。2015年，梁文锋创立了幻方量化。此后五年间，幻方从零成长为管理规模数百亿的中国顶级量化基金之一。梁文锋和他的团队在"用AI做金融交易"这件事上，积累了大规模深度学习模型训练的经验——从海量数据中提取统计规律、用GPU集群做分布式训练、在极端计算效率上优化代码。]]></description><category></category></item><item><title><![CDATA[LTE话机深度研究报告]]></title><link>https://blog.csdn.net/limmmy/article/details/162937918</link><guid>https://blog.csdn.net/limmmy/article/details/162937918</guid><author>limmmy</author><pubDate>Thu, 16 Jul 2026 15:04:15 +0800</pubDate><description><![CDATA[LTE话机的故事，要从一个行业的根本性转变说起。自1876年贝尔发明电话以来，语音通信一直依赖——通话双方之间建立一条专用的物理电路，这条电路在通话期间被独占。铜线固定电话（PSTN）和2G/3G移动电话，本质上都是这个逻辑。但到了2010年前后，这个逻辑开始出现裂痕。移动互联网爆发，数据流量以指数级增长，运营商的网络资源越来越向数据传输倾斜。语音通话——这个曾经承载了运营商100%营收的业务——开始被视为"占用频谱的包袱"。]]></description><category></category></item><item><title><![CDATA[【今日思考】短视频流行的原因？]]></title><link>https://blog.csdn.net/limmmy/article/details/105404064</link><guid>https://blog.csdn.net/limmmy/article/details/105404064</guid><author>limmmy</author><pubDate>Thu, 09 Apr 2020 10:17:13 +0800</pubDate><description><![CDATA[【今日思考】短视频火爆的原因？

从平台角度来看：

软硬件平台支持： 2012年撒老师做了一个演讲：也许过不了多久，当网络视频解决了宽带的问题，每个人都可能成为主持人，走在大街上拿着手机直播突发事件。得益于4G的普及以及各种移动通信技术提升，现在这一天真的到了。科技永远都是第一生产力。
个性化推荐能力：头条的推荐信息流、网易云的推荐歌单、淘宝的猜你喜欢……强大的推荐系统可以精准的把握用户的喜好，...]]></description><category></category></item><item><title><![CDATA[在生成darknet时候MSB372 （MSB3721）vs2015错误]]></title><link>https://blog.csdn.net/limmmy/article/details/105098160</link><guid>https://blog.csdn.net/limmmy/article/details/105098160</guid><author>limmmy</author><pubDate>Wed, 25 Mar 2020 16:54:51 +0800</pubDate><description><![CDATA[问题描述：
windows下运行darknet过程中，在VS2015生成darknet的时候（darknet build error MSB3721 ）遇到了MSB372的错误。（实际上是MSB3721错误，但是因为那个MSB3721的1被隐藏了所以网上一搜索全是问MSB372错误哈哈哈…）

原因：
我的配置是：cuda9.1+cudnn7.1+openCV3.3.0
是因为大神 AlexeyA...]]></description><category></category></item><item><title><![CDATA[图像分割（一）]]></title><link>https://blog.csdn.net/limmmy/article/details/91436999</link><guid>https://blog.csdn.net/limmmy/article/details/91436999</guid><author>limmmy</author><pubDate>Tue, 11 Jun 2019 15:38:34 +0800</pubDate><description><![CDATA[文章目录有向图的分割图像边缘分割
有向图的分割
图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或 图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特 征进行构建。
在图论中，图的最小切割是其在某种意义上是最小的切割（图形的顶点划分为由至少一个边连接的两个不相交的子集）。图的最小割可以分很多情况进行讨论，例如有向图、无向图，边的权重等。
from pyg...]]></description><category></category></item><item><title><![CDATA[MNIST手写体识别（Tensorflow）]]></title><link>https://blog.csdn.net/limmmy/article/details/90743901</link><guid>https://blog.csdn.net/limmmy/article/details/90743901</guid><author>limmmy</author><pubDate>Mon, 03 Jun 2019 00:41:36 +0800</pubDate><description><![CDATA[文章目录一、Tensorflow配置与安装二、卷积神经网络卷积（Padding）Pooling层三、LeNet四、MNIST数据集的特征1.MNIST训练集的特征2.MNIST测试集的预测情况容易误判但是判断正确的图像误判的图像
一、Tensorflow配置与安装
Python3.6.2 + Anaconda （conda 4.3.27）+ tensorflow-gpu1.8.0下测试通过
1.首...]]></description><category></category></item><item><title><![CDATA[图像内容分类（KNN算法+dense-sift+SVM手势识别）]]></title><link>https://blog.csdn.net/limmmy/article/details/90312842</link><guid>https://blog.csdn.net/limmmy/article/details/90312842</guid><author>limmmy</author><pubDate>Mon, 20 May 2019 17:52:21 +0800</pubDate><description><![CDATA[文章目录KNN算法（K近邻分类法）Dense-SIFT图像分类：手势识别
KNN算法（K近邻分类法）

Dense-SIFT
Dense-SIFT是sift的密集采样板，其每个描述子也是一个128维的向量，表征的是关键点2邻域内16个像素点沿八个方向的梯度变化，因此维度为16*8=128。它与Sift最大的不同在于关键点的选取是稠密且同规格的，就是图像上每一个点都被当做特征点全采样，这样可以避免遗...]]></description><category></category></item><item><title><![CDATA[图像检索与识别（Bag-Of-Words Models）]]></title><link>https://blog.csdn.net/limmmy/article/details/89961540</link><guid>https://blog.csdn.net/limmmy/article/details/89961540</guid><author>limmmy</author><pubDate>Sun, 12 May 2019 11:53:23 +0800</pubDate><description><![CDATA[文章目录BOW模型运用到图像检索BOW的基本流程1.特征提取2.“视觉词典（visual vocabulary）”的构造
BOW模型运用到图像检索
进行图像检索的时候，我们可以用穷举的方法，但是一一匹配效率太过低，工作量过大，于是参考文本信息检索的模型，提取特征点进行降维处理。在文本信息检索中，BOW模型假定对于一个文档，忽略它的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合，文档中每...]]></description><category></category></item><item><title><![CDATA[对极几何以及基础矩阵原理求解（一）]]></title><link>https://blog.csdn.net/limmmy/article/details/89339016</link><guid>https://blog.csdn.net/limmmy/article/details/89339016</guid><author>limmmy</author><pubDate>Wed, 17 Apr 2019 20:06:05 +0800</pubDate><description><![CDATA[文章目录一、P在不同坐标系中的表示二、本质矩阵与基础矩阵对极几何本质矩阵（Essential Matrix）基础矩阵（Fundamental Matrix）三、基础矩阵的求解代码实验结果及其分析
一、P在不同坐标系中的表示
空间点P本身在世界坐标系中的表示：PW=(XWYWZW)
P_{W}=\begin{pmatrix}
X_{W}\\
Y_{W} \\
Z_{W}
\end{pmatrix}P...]]></description><category></category></item><item><title><![CDATA[张友正相机标定法以及Matlab工具包实现Camera calibration]]></title><link>https://blog.csdn.net/limmmy/article/details/89239916</link><guid>https://blog.csdn.net/limmmy/article/details/89239916</guid><author>limmmy</author><pubDate>Sun, 14 Apr 2019 16:08:29 +0800</pubDate><description><![CDATA[看在房间里

]]></description><category></category></item><item><title><![CDATA[python增强现实（一）]]></title><link>https://blog.csdn.net/limmmy/article/details/88973467</link><guid>https://blog.csdn.net/limmmy/article/details/88973467</guid><author>limmmy</author><pubDate>Sun, 07 Apr 2019 15:21:13 +0800</pubDate><description><![CDATA[增强现实（Augumented Reality，AR）
是将物体和相应信息放置在图像数据上的一系列操作的总称。

]]></description><category></category></item><item><title><![CDATA[图像到图像的映射（二）创建全景图]]></title><link>https://blog.csdn.net/limmmy/article/details/88837281</link><guid>https://blog.csdn.net/limmmy/article/details/88837281</guid><author>limmmy</author><pubDate>Sat, 30 Mar 2019 15:00:48 +0800</pubDate><description><![CDATA[法

]]></description><category></category></item><item><title><![CDATA[安装两个版本的python]]></title><link>https://blog.csdn.net/limmmy/article/details/88720124</link><guid>https://blog.csdn.net/limmmy/article/details/88720124</guid><author>limmmy</author><pubDate>Thu, 21 Mar 2019 17:09:35 +0800</pubDate><description><![CDATA[这学期有两门课分别用到了python2.x和python3.x，但是python2和python3不仅有部分语法不同，而且由于一些库只支持某个版本分支，所以需要在电脑上让两个版本的Python兼容。
因为从终端调用python的时候默认先调用环境变量里排序靠前的那个python，比如我是python2在前，所以cmd输入python进入的是python2，安装包的时候它也会默认安装到python2...]]></description><category></category></item><item><title><![CDATA[安装Unity3D过程中遇到 'SendRequest Error' 的问题]]></title><link>https://blog.csdn.net/limmmy/article/details/88719001</link><guid>https://blog.csdn.net/limmmy/article/details/88719001</guid><author>limmmy</author><pubDate>Thu, 21 Mar 2019 16:36:27 +0800</pubDate><description><![CDATA[安装Unity3D的时候遇到了这个问题：
Unity Download Assistant Error： ‘SendRequest Error’ while downloading ini file from http://files.unity3d.com/bootstrapper/…
（此时我安装的不是官网上最新的版本，官网更新到了3.8，我直接从同学那里拷贝了3.7版本的，没想到这居然是一个...]]></description><category></category></item><item><title><![CDATA[图像到图像的映射（一）]]></title><link>https://blog.csdn.net/limmmy/article/details/88662042</link><guid>https://blog.csdn.net/limmmy/article/details/88662042</guid><author>limmmy</author><pubDate>Tue, 19 Mar 2019 22:17:57 +0800</pubDate><description><![CDATA[目标：使用仿射变换将一张图像防止到另一幅图像中
1.计算第二张图像与第一张图像之间的变换关系
2.将第二张图像叠加到第一张图像的坐标系中
变换后的融合/合成
1.计算图像之间的变换结构

...]]></description><category></category></item><item><title><![CDATA[SITF匹配地理标记图像（二）]]></title><link>https://blog.csdn.net/limmmy/article/details/88631343</link><guid>https://blog.csdn.net/limmmy/article/details/88631343</guid><author>limmmy</author><pubDate>Mon, 18 Mar 2019 01:39:18 +0800</pubDate><description><![CDATA[集大建筑图
不上传所有的图片了
集大很美，亲自来看看吧嘻嘻 ]]></description><category></category></item><item><title><![CDATA[SITF特征原理描述及其匹配处理（一）]]></title><link>https://blog.csdn.net/limmmy/article/details/88556448</link><guid>https://blog.csdn.net/limmmy/article/details/88556448</guid><author>limmmy</author><pubDate>Sun, 17 Mar 2019 12:51:22 +0800</pubDate><description><![CDATA[自1977年Moravec提出Moravec角点检测算子，接下来的一段时间内，就有各种改进的角点检测算子，如Harris角点检测算子、Shi-Tomasi角点检测算子，但是这些都是单维度的角点，直到1999年David G.Lowe提出了一种基于尺度空间的，对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子——Sift（尺度不变特征变换），用多维向量来描述一个特征点，是过去十年中最成功...]]></description><category></category></item><item><title><![CDATA[python和openCV的安装]]></title><link>https://blog.csdn.net/limmmy/article/details/88140192</link><guid>https://blog.csdn.net/limmmy/article/details/88140192</guid><author>limmmy</author><pubDate>Mon, 04 Mar 2019 22:18:17 +0800</pubDate><description><![CDATA[python的下载
电脑里原来有python2.7和python3.6.7，但是在安装PIL库的时候出现各种安装错误，而且早期安装位置、python.exe命名方式、环境变量的添加都比较乱，就决定先卸掉再重装python。用软件管家卸载以及删掉了原来环境变量里的路径。
去官网下载需要的版本，配置好环境变量：将对应路径添加进Path（包括Python\和Python\Scripts），然后开始通过p...]]></description><category></category></item></channel></rss>