WinkySpeed's Blog

虚拟现实复习整理 第一章 虚拟现实概念 Inducing targeted behavior in an organism by using artificial sensory stimulation, while the organism has little or no awareness of the interference. ------ S. M. LaValle. 虚拟现实是通过使用人工感官刺激来诱导生物体产生目标行为，而生物体对这种干扰几乎没有或完全没有意识 类似说法：通过人工多通道信号感知去刺激、诱导有机体特定目标行为，而这个有机体几乎没有，或是根本没有意识到这个诱导行为，对有机体来说像是自然交互一样 虚拟现实三特征（3I） Immersion：沉浸感，给人身临其境的沉浸感 Interaction：交互性，指人能以纯自然方式与虚拟环境中的对象进行交互操作 Imagination：构想性，构思和设计虚拟环境的创造力 VR技术的优势 使用VR技术的原因 现实中成本太高，或工作太危险 宇航员太空环境模拟 工厂老旧设备生产 ...

计算机视觉复习整理 基本概念，经典应用，重要知识点 计算机视觉概念、相关AI，图像处理，机器学习，深度学习之间关系 滤波和边缘提取 滤波：空域频域两种滤波方法了解（步骤）；不同滤波方法降噪 边缘提取：一阶差分，二阶差分，原理 卷积：图像上基本的操作；互相关之间的关系；操作的时候按互相关 深度学习框架，和numpy之间区别，框架优势 paddlepaddle使用 卷积计算、池化 SIFT，HOG，词袋模型 图像匹配，图像查找（一幅图找另外一幅图，一堆图找指定图像相似图） 直方图，所有传统计算机视觉中很重要，特点，图像直方图（像素分布），共性，统计特点 HOG，sift，图像分割，词袋模型都有直方图 论文阅读题： 综述阅读，回顾卷积神经网络发展历程，多少种卷积、不同激活函数等 经典网络，AlexNet，VGG，GoogLeNet，ResNet 轻量级网络，在边缘（计算能力不是很强的硬件）上跑：mobileNet，shuffleNet，GhostNet，基本了解 题型 全是主观题 10个简答题，5分一个 计算题，15分 论文阅读题，4个问题任选两个 ...

Pylance V2024.6.1 记录一下折磨我一天的问题 妈的这个气死我了 降级为Pylance V2023.12.1问题全部解决了 这件事告诉我们一个道理：写作业就赶紧写，万一你用的环境、插件自动更新成不称心如意的样子，你就要花大量的时间去修复成原来的状态 问题描述 一共是两个问题 Python函数不自动补全括号() 经常用VSCode的朋友们都知道啊，输入函数会自动补全后面的() 比如，输入pr，提示出现print，此时按一下回车，你的屏幕上就出现了print()，而你目前的光标也会到括号的中间，这简直就是造福人类的操作啊 但是今天就突然不行了？ 我查遍了stackoverflow、和各大中文技术博客平台，都告诉我把python.analysis.completeFunctionParens设置成true 我就这么做的啊，重启了不知道多少遍就是不行，给我急的，差点就换去用PyCharm了 最后发现是版本更新的问题以后我是真绷不住 byd，我最开始来用VSCode写Python就是因为自动补全太好用了，怎么你这更新给我把括号补全更新没了？ 更搞笑 ...

Raycasting学习记录_进阶与扩展 这篇博客是Raycasting学习记录的进阶与扩展部分，会在原来实现的基础上新添加一些内容 因此请先阅读Raycasting学习记录的内容，对“Raycasting”过程有了大致了解后再来阅读本博客 源代码和可执行程序已经部署到github上：Raycasting 纹理地板天花板 visual studio的Release模式 注意：实现此功能时，务必使用visual studio的Release模式，因为Debug模式非常卡 这是因为Debug模式和Release模式在编译选项上有所不同： Debug模式：在Debug模式下，编译器会保留调试信息和不进行优化，以便开发者可以跟踪代码的执行情况，找出和修复错误。由于保留了更多的信息并且没有进行优化，所以Debug模式下的程序运行速度通常会比Release模式慢。 Release模式：在Release模式下，编译器会进行各种优化，比如消除冗余代码，进行代码重排，内联函数等，以提高程序的运行速度。同时，编译器不会保留调试信息，因此Release模式下的程序文件通常会比D ...

GAMES101学习记录 本博客用于记录学习GAMES101时碰到的问题与记录 GAMES101的作业实现也会记录在此 同时，完成作业的过程碰到的问题与解决方案也会记录在此，包括但不限于环境配置、库的基本使用、稀奇古怪的bug Assignment-0 此次作业是配置环境相关内容 由于我在做NJU的icsPA时已经装好了一个Ubuntu的虚拟机，因此这一系列作业都将使用Ubuntu虚拟机完成 下载安装VS Code 用火狐进入VS Code官网，选择.deb文件进行下载，默认应该保存在~/Downloads/目录下 进入对应目录，运行sudo dpkg -i code_1.89.1-1715060508_amd64.deb 这里code_1.89.1-1715060508_amd64.deb是刚下载的.deb文件，不同版本名字不一样，记得替换 配置VS Code 还是跟Windows上的配置一样 设置字体为Consolas（Linux默认这个太难看了），参考链接将 Linux 上的 VSCode 改为 Consolas 字体 下载Consolas字体的具 ...

LeetCode训练记录 太久没用C++了，记录一下大概用法 因为蓝桥杯准备的是Python，C++现在已经很久没用了 难绷的是，蓝桥杯Python组还打水漂了，太幽默了 不过问题不大，接着搞C++的就行 LeetCode代码运行框架 力扣是写函数的，不用写输入输出，一定程度上比较方便 但之前没写过力扣，写过的全是牛客、洛谷这种从0开始写完整代码的，没有只写函数的 再加上我很久没有练习C++了，因此在此总结力扣代码的运行框架 力扣代码提交 以“两数之和”题目（力扣题库第一题）为例，你需要提交的是一个Solution类中的twoSum函数，参数和返回值类型已经确定： 123456class Solution {public: vector<int> twoSum(vector<int>& nums, int target) { }}; 因此，用集成环境需要写一个Solution类，完成需要实现的twoSum函数，再写一个Run函数，最后在main函数中调用即可 ...

Python基础语法记录 此博客记录了为蓝桥杯Python组做的准备 很多地方都会把C++和Python对比起来，以此巩固C++并且熟悉Python 更多都是Python的语法基础 难绷的是，今年蓝桥杯Python组还打水漂了 8个题写了5个题（1个填空题，4个大题，而且不是混分的，是全过程）竟然连三等奖都没，太幽默了 不过问题不大，通过这次准备，接触了很多Python基础语法知识 蓝桥杯而已，不需要这玩意来证明我的能力 初始化数组 一维数组 初始化一个空数组： 12List = list()List = [] 空数组不能直接访问下标，但是可以用数组的.append()方法添加元素 创建一个长1e6，初始值全为0的数组，有这几种写法： 12345List = [0] * int(1e6)List = [0 for _ in range(int(1e6))]import numpy as npList = np.zeros(int(1e6)) List = [0] * int(1e6)：这行代码创建了一个长度为1e6的列表，列表中的每个元素都是0。[0] ...

Outer Wilds 通关感想 “我还小的时候，觉得这种让人无法理解的事情都很可疑。可现在，我明白了，其实谁也没有恶意。宇宙如此，我们也是一样。”——Solanum "As a child, I considered such unknowns sinister. Now, though, I understand they bear no ill will. The universe is, and we are."--SOLANUM Outer Wilds：一封来自广袤星空的“邀请函”，一场浪漫瑰丽的大冒险 草稿 又是没写完的一篇 但是《星际拓荒》是我非常喜欢的游戏，我在有时间的时候一定会完善 总评 《星际拓荒》是一款无法用语言描述的游戏，它充满了精彩和惊奇，我想要用最华丽的词语来赞美它，却发现任何词语都显得无比苍白，不足以表达它的魅力；在给别人推荐时又不想剧透它的惊喜，为了不破坏游戏体验只能含糊其辞。 当直面广袤星空时，我的兴奋与恐惧震慑灵魂；当我在炽热的篝火边烤棉花糖，看着树影之间的群星闪耀时，感受着奇妙的满足，又觉得神秘而异域 流程中很多 ...

机器学习复习整理 绪论 基本术语 数据 数据集：训练集，测试集 示例/样本 属性/特征 标记 任务 预测目标 分类（classification）：离散值（比如好瓜，坏瓜） 二分类：好瓜;坏瓜 多分类：冬瓜;南瓜;西瓜 回归（regression）：连续值（比如西瓜的成熟度0.95,0.37） 瓜的成熟度 聚类：无标记信息 有无标记信息 根据训练数据是否拥有标记信息，学习任务大致分为两大类：监督学习，无监督学习 监督学习：分类、回归 无监督学习：聚类 半监督学习：两者结合 泛化能力 机器学习的目标是使得学到的模型能很好的适用于“新样本”，而不仅仅是训练集合，我们称模型适用于新样本的能力为泛化(generalization)能力 通常假设样本空间中的样本服从一个未知分布\(D\)，样本从这个分布中独立获得，即“独立同分布”(i.i.d) 一般而言训练样本越多越有可能通过学习获得强泛化能力的模型 假设空间 把学习的过程看做一个在所有假设组成的空间中搜索的过程，搜索目标是找到与训练集“匹配”的假设，即能够将训练集中的瓜正确判断的 ...

计算机图形学复习整理 引言 计算机图形学的起源 计算机图形学的发展 四大块支柱 几何造型理论与技术 参数曲线曲面（Bezier，B-spline） 隐式曲线曲面 多面体模型 设计与重建（CAD软件，点云重建） 分形表现 自相似 自然属性（面积/周长，体积/表面积） 分形维数 粒子系统 流体特性（遵从流体力学规律） 海量数据（处理耗时） 物理的和数学的 渲染理论与技术 材质（物体自身特性） 纹理（物体表面模样） 颜色（与光谱相关） 光照（环境影响因素） 计算机图形学的现在 虚拟现实技术（视觉主导） 视觉，听觉，触觉，嗅觉，思维活动等的融合 多媒体/超媒体 计算机仿真（物理主导） 核试验，风洞试验，车辆安全试验，环境评估等 传感器/现实环境/仿真 计算机图形学的未来 机器制造领域 CAD/CAM/CAF+计算机网络 高速无纸化自动化作业 日常生活领域 现实世界+网络+3D虚拟世界 高效超媒体(置身其中) 与计算机图形学相关的难题 拓扑重构：庞加莱猜想与霍奇猜想 偏微分方程组：纳维-斯托克斯方程 偏微分方程： ...