代码：KataCR，图像数据集（切片图像，分类图像）：Clash-Royale-Detection-Dataset，离线数据集：Clash-Royale-Replay-Dataset 本文主要对我的本科毕设流程、算法细节进行简要介绍，首先给出本科毕设论文作为参考（有非常多冗余内容）： 英文论文（投稿到 ICIRA 2024）： 结题答辩P

参考文献：Atteetion Is All You Need[1]^{[1]}[1], On Layer Normalization in the Transformer Architecture[2]^{[2]}[2], Improving Language Understanding by Generative Pre-Training[3]^{[3]}[3] 参考Blog：The Illu

adb&waydroid常用命令 waydroid官方参考文档，adb速查表 adb常用命令 adb devices ：列出当前连接的设别（当连接设别数目大于1个时，使用 adb shell 控制命令需要加入 -s 设别号 指定控制的设备） adb connect <IP:port>：使用 adb 连接当前 ip 对应的Android设备。例如：使用 waydr

ffmpeg常用命令 以下代码可在Linux上测试通过，参考：GitHub awesome-cheatsheets - 中文速查表，JiaHe’s Blog - FFMPEG CHEATSHEET (中文速查表) 可以从 Sample Videos 网站上下载视频进行测试。 基础参数 ffmpeg是一个在shell中对视频进行处理的工具，包含以下基础参数： -i <input>

使用Samba可以非常方便地将Linux上的文件夹共享到其他设备上，Ubuntu的共享方法非常简单，参考官方文档，我使用的Ubuntu版本为22.04LTS。 Windows使用Samba共享文件夹可以参考：Windows 10 Samba文件共享的设置方法，解决不能访问和密码错误的问题 安装Samba sudo apt update # 更新软件源 sudo apt install sa

mAP是目标识别中常用的指标，下面介绍其具体计算方法，包含这几个部分：召回率、精度、准确率、PR曲线、AUC。 参考：Object-Detection-Metrics 召回率、精度、准确率 这三个参数是传统二分类问题中所涉及的，用于评价二分类模型的性能。而目标识别问题也可以视为一个二分类问题，我们将图像中所有预测出的识别框都视为正例，其他所有的可能预测框都为负例，所以数据集中负例的数量将是无

前置知识：YOLOv1笔记, YOLOv2,v3笔记, YOLOv4笔记 回顾YOLOv1到v4 YOLOv1 我们学会了YOLO的基础框架（一阶段端到端模型），将 H×WH\times WH×W 的图像按照步长 sss (stride单位为像素) 划分为 (H/s)×(W/s)=:S×S(H/s)\times (W/s)=: S\times S(H/s)×(W/s)=:S×S 的网格（这

记录选修课《历史上最伟大的 10 个方程》导读的结课报告，对狭义相对论中的时空观和质能方程进行了理解。仍有很多问题待解决： Lorentz变换的证明过程（Wikipedia上给出一个群论的证明，MIT 8.033, part 3上用待定系数法证明） 广义相对论对时空的扭曲具体是什么，如何用广义相对论求解出孪生双胞胎悖论的时空膨胀问题？

China Academy of Launch Vehicle Technology (CALVT) 中国运载火箭技术研究院（航天工业部第一研究院） 劳动竞赛环境：百度网盘 - 劳动竞赛2023 完整代码GitHub：GitHub-Blog-file-CALVT2023 也可以从上面的网盘分享中下载 CALVT2023_太初.zip，解压后执行 agent_train.py 即可看到红蓝方执行设

参考文献： YOLOv4: Optimal Speed and Accuracy of Object Detection 其中结论得到的最优模型用到的所有优化: CIOU, DIOU：基于IOU给出了两个损失，其中CIOU作为边界框位置的损失，DIOU为NMS新的度量标准。 CSPNet：一种简单的对Backbone中ResBlock层进行优化的trick，可以大幅减少模型参数，同时具有稳定