本地写好的代码如何发布到 GitHub 上呢？这里给出一个方法。 在 GitHub 上创建一个新的仓库 填写自己喜欢的仓库名 填写自己需要的仓库介绍，简短介绍仓库 选择初始化仓库 最好初始化 README file 点选 .gitignore 选择自己需要的代码版权协议 克隆仓库到本地最好为 GitHub 添加 SSH 认证，这样在提交修改的代码时不需要重复输入用户名和密码，方法参考我的另一篇博文 使用SSH连接GitHub 克隆代码方法如下（这里以 SSH 为例） 1git clone git@github.com:xujinzh/CSK.git 把本地代码放到克隆的文件夹下如我这里本地开发的代码是 1cf-csk 经过上面克隆后，代码放在 1CSK 拷贝 cf-csk 文件到 CSK 里 1cp -r cf-csk/* CSK/ 提交代码到 GitHub一般需要完善 README.md 文件以便更好的介绍该仓库，修改后，进行提交 1234git statusgit add .git commit -m "add csk tackers"git p ...

由定积分的几何意义我们知道，连续曲线 $y = f(x) (\geq 0)$ 在区间 $[a, b]$ 上与 $x$ 轴所围曲边梯形的面积为$$A = \int_a^b f(x) \mathrm{d}x = \int_a^b y \mathrm{d}x.$$ 负面积如果 $f(x)$ 在 $[a, b]$ 上不都是非负的，则所围图形的面积为$$A = \int_a^b |f(x)| \mathrm{d}x = \int_a^b |y| \mathrm{d}x.$$一般地，由上、下两条连续曲线 $y = f_2(x)$ 与 $y = f_1(x)$ 在区间 $[a, b]$ 上所围的平面图形面积计算公式为$$A = \int_a^b [f_2(x) - f_1(x)] \mathrm{d}x.$$同样 $x = g_2(y)$ 和 $x = g_1(y)$ 在区间 $[\alpha, \beta]$ 上所围面积，计算公式如下$$A = \int_{\alpha}^{\beta ...

在学术界各类期刊纷繁复杂，眼花缭乱，选择合适的期刊，对投稿将是有利无弊的。下面分别给出 journal, transactions, magazine, proceedings, acta, bulletin, letter, communication, annals, archives, review, current opinion, advance, trends, progress, frontiers 等的区别介绍，方便选择合适的类型投稿。 journal 期刊Journal 本意为日记，个人经验和反思的记录，引申为 A periodical presenting articles on a particular subject. 学报最典型的叫法， 刊登关于某特殊主题的文章的期刊。 要求有很大的创新点，比较详细的公式推导。因 Journal 面向的读者较广泛，因此发表在其上的文章需要对背景知识有更加全面的介绍。 如：IMA Journal of Applied Mathematics transactions 汇刊Transactions 本意为商业交易和谈判，引申为 ...

使用 Windows 10 的子系统能够非常方便的体验到 Linux 系统的简洁美（方便开发），同时也能够体验到 Windows10 图形界面的直接美（方便使用常用软件）。Windows 10 结合 WSL 能够在一定程度上消除了装载虚拟机的时间。但 WSL 只有终端界面没有图形界面，那么如何通过 WSL 关闭 Windows 10呢？这里以 Ubuntu-18.04 为例介绍。 System32首先需要通过终端进入 System32 目录下 1cd /mnt/c/Windows/System32 Shutdown其次使用 shutdown.exe 进行管理计算机开机、重启、休眠等 123456789101112131415161718# 取消关机./shutdown.exe -a # 关机./shutdown.exe -s # 强行关闭应用程序./shutdown.exe -f # 控制远程计算机./shutdown.exe -m computer-name# 显示远程关机图形用户界面，但必须是shutdown的第一个参数./shu ...

在前面，介绍了上和$S(T)$和下和$s(T)$，即对于分割$T:a=x_0 < x_1 < \cdots < x_n = b$，以及$\Delta_i = [x_{i-1}, x_i], \Delta x_i = x_i - x_{i-1}$，有$$S(T) = \sum_{i=1}^n M_i \Delta x_i$$$$s(T) = \sum_{i=1}^n m_i \Delta x_i$$ 其中$M_i = \sup_{x \in \Delta_i} f(x), m_i = \inf_{x \in \Delta_i} f(x), i = 1, 2, \cdots, n$. 因为可积必有界，假设$f$在$[a, b]$上有界，因此，$M_i, m_i$分别有上、下确界$M, m$，而且对于任何$\xi_i \in \Delta_i$，有$$m(b - a) \leq s(T) \leq \sum_{i=1}^n f(\xi_i) \Delt ...

首先给出一个结论：连续函数必定存在原函数。 变限积分与原函数的存在性假设$f(x)$在$[a,b]$上可积，对于任何的$x\in[a,b]$，$f$在$[a,x]$上也可积，定义$$\Phi(x) = \int^x_a f(t) \mathrm{d}t, x\in [a, b]$$为以积分上限$x$为自变量的函数，称为变上限的定积分。同样，定义变下限的定积分为$$\Psi(x) = \int^b_x f(t) \mathrm{d}t, x\in[a,b].$$统称$\Psi$与$\Phi$为变限积分。由于$\int^b_x f(t) \mathrm{d}t = -\int^x_b f(t)\mathrm{d}t$，因此下面只讨论变上限积分。 定理 9.9 若$f$在$[a,b]$上可积，则$\Phi$在$[a,b]$上连续。 定理 9.10 （原函数存在定理）若$f$在$[a,b]$上连续，则$\Phi$在$[a,b]$上处处可导，且$$\Phi^{\prime}(x) = \frac{\mathrm{d}}{\mathrm{d}x}\int ...

了解定积分的性质可以帮助我们方便计算定积分，提高计算的速度。 定积分的基本性质性质1 若$f$在$[a,b]$上可积，$k$为常数，则$kf$在$[a,b]$上也可积，且$$\int^b_a k f(x) \mathrm{d}x = k \int^b_a f(x) \mathrm{d}x.$$性质2 若$f,g$都在$[a,b]$上可积，则$f\pm g$在$[a,b]$上也可积，且$$\int^b_a [f(x) \pm g(x)] \mathrm{d}x = \int^b_a f(x) \mathrm{d}x \pm \int^b_a g(x) \mathrm{d}x.$$线性性质$$\int^b_a [\alpha f(x) + \beta g(x)] \mathrm{d}x = \alpha \int^b_a f(x) \mathrm{d}x + \beta \int^b_a g(x) \mathrm{d}x.$$其中$\alpha, \beta$为常数。 性质3 若$f,g$都在$[a,b]$上可积，则$f\cdot g$在$[a,b]$上也 ...

众所周知，Colab 是一个美观、工具齐全、编写 Python 代码方便的网页版 notebook，结合本地运行时能够提高代码开发效率。注意本篇使用的 Jupyterlab 版本小于3. 设置前注意事项： 调用任意命令（例如“rm -rf /”） 访问本地文件系统 在计算机上运行恶意内容 使用本地 Kernel如果想使用 colab + 本地运行时，请按照如下步骤设置： 安装 Jupyter 建议先安装 Miniconda 12345pip install jupyterlab# orconda install -c conda-forge jupyterlab# or mamba install -c conda-forge jupyterlab 安装后，建议生成配置文件 1jupyter notebook --generate-config 对于 JupyterLab 版本大于3 的, 推荐使用 1jupyter server --generate-config 安装 jupyter_http_over_ws 1234pip install jupyter_ht ...

定积分的可积条件就是研究函数满足什么条件下可进行积分（充分性），函数可积分会有什么性质（必要性），以及可积函数的充分必要条件等。 关于函数$f(x)$在闭区间$[a,b]$上的积分总结一句话就是：连续必可积，可积必有界。 可积的必要条件在介绍可积的必要条件之前，首先引入有界（无界）函数$f(x)$的定义。 有界函数和无界函数定义 设函数$f(x)$的定义域为$D$，如果存在一个常数$M(L)$，使得$\forall x \in D$，都有$$f(x)\leq M (f(x)\geq L).$$则称$f(x)$在$D$内有上（下）界的函数，数$M(L)$称为$f(x)$在$D$内的一个上（下）界。 定义 设函数$f(x), x\in D$，如果存在一个正数$K>0$，使得$\forall x \in D$，都有$$\left \vert f(x) \right \vert \leq K,$$那么称$f(x)$在$D$内是有界函数；否则，称$f(x)$是无界函数。 如果 $f(x)$ 在 $D$ 内既有上界又有下界，则称$f(x)$在$D$内是有界函数 函数$f(x)$在$D$内 ...

Hexo 写完博文后，使用如下命令生成静态页面 1hexo generate 出现如下错误 1Error: expected end of comment, got end of file 解决方案： 使用命令找到出错的文档是哪一个 1hexo generate --debug 检查文档中是否出现 1{# 尝试去除上面的 ‘{‘ 和 ‘#’ 参考文献 起风了

机器学习算法的评估指标常见的有精确率（Precision，精确率被定义为所有被预测成正样本的样本中真实的正样本比率）、召回率（Recall，召回率被定义为所有真实的正样本中被预测成正样本的样本比率）、F1值、ROC 和 AUC 等，但目标跟踪单根据这些指标是不能够满足跟踪器算法的评估的，它常使用帧率（FPS，每秒处理帧数）、IOU（Intersection Over Union），在 VOT 中提出的 Accuracy、Robustness、EAO 以及在 OTB 中提出的 Success plots of OPE、Precision plots of OPE、 SRE、TRE 来评价一个跟踪算法在一段视频上的跟踪性能等。 IOU 的定义目标跟踪各算法常用矩形边界框（Bounding Box）来标注跟踪的目标，使用 IOU 进行计算矩形边界框的正确性比较容易，这也是使用矩形边界框来标注目标的原因之一。IOU 的定义如下：$$IOU = \frac{bb_1 \cap bb_2}{bb_1 \cup bb_2}.$$交、并表示区域的像素数目，IOU 值越大表示两个矩形边界框 ...