精华内容
下载资源
问答
  • as with区别

    千次阅读 2017-02-21 10:58:06
    as 与with 都可以构成结构来表示伴随状语,as 在此结构中是一个连词,而with 是一个介词,因此构成不同的结构来表示伴随状语: 结构不同: As+主语+谓语动词,主句 With +名,代词 +介词、形容词,副词,...
    as 与with 都可以构成结构来表示伴随状语,as 在此结构中是一个连词,而with 是一个介词,因此构成不同的结构来表示伴随状语:
    
      结构不同:
    
      As+主语+谓语动词,主句
    
      With +名,代词 +介词、形容词,副词,分词,不定式
    
       eg.  As the production increased by 20 percent,we have had another good harvest year.
    
            With the production up by 20 percent,we have had ....
    
        随着产量增长20%,.......
    
    He enjoys listening to music with his eyes closed.
    
       他喜欢闭着眼睛听
    。 He came out of the room with his eyes shining. 他走出房间,眼里闪着亮光。 Don't speak with your mouth full. 嘴里吃东西时不要讲话。 Mother looked at me with tears in her eyes. 母亲含泪看着我。 with独立结构的位置可前可后,如: With a lot of work to do,he felt even busier. 有大量工作要做,他感到更忙了。 With a lot of work done,he felt he would have a good rest. 做完了工作,他感到他要好好休息一下。
    展开全文
  • You are given a string, S, and a list of words, L, that are all of the same length. Find all starting indices of substring(s) in S that is a concatenation of each word in L exactly once and w

    题目:

    You are given a string, S, and a list of words, L, that are all of the same length. Find all starting indices of substring(s) in S that is a concatenation of each word in L exactly once and without any intervening characters.

    For example, given:
    S"barfoothefoobarman"
    L["foo", "bar"]

    You should return the indices: [0,9].
    (order does not matter).


    思路:

    假设len表示L字串的长度,num表示L字串的数目。

    需要用S中的字母与L中的字符串中的字母一个一个去比较,所有比较成功则产生一个结果,否则会发生回溯。由于有回溯存在,势必需要字符串会被重复比较。因此我们可以利用动态规划的观点来存储S中的字串与L的关系。
    sameWord用来存储这个结果,sameWord[k]表示从k开始,长度为L中字符串长度的S中字符串与L中的第几个字符串匹配。

    第二个问题是,L中的字符串可能有重复。所以我们需要有一个map结果来保存字符串与其对应的编号。L中的重复字符串就应当对应相应的编号。代码中的words就是这样的结果。

    第三个问题是,我们不仅要用编号来排除重复的字符串,还需要保存字符串重复的次数。因此我们引入了dict来保持重复次数。

    以上问题解决之后,我们只需要带回溯的循环一次来依次查看从i开始,长度为len*num的S字串与L所有字串的关系。

    代码:

    class Solution {
    public:
        vector<int> findSubstring(string S, vector<string> &L) {
            vector<int> r;
            
            int len=L[0].size();
            int num=L.size();
            
            unordered_map<string,int> words;
            vector<int> dict;
            int count=0;
            for(int i=0;i<L.size();i++)
            {
                unordered_map<string,int>::const_iterator got = words.find (L[i]);
                if(got==words.end())
                {
                    pair<string,int> item(L[i],count);
                    words.insert(item);
                    dict.push_back(1);
                    count++;
                }
                else
                {
                    dict[got->second]++;
                }
            }
            //建立L中字符串(重复)与其对应的编号,以及每个编号字符串出现的次数
            
            int* sameWord = new int [S.size()];
            for(int i=0;i+len<=S.size();i++)
            {
                unordered_map<string,int>::const_iterator got = words.find (S.substr(i,len));
                if(got != words.end())
                {
                    sameWord[i] = got->second;
                }
                else
                {
                    sameWord[i] = -1;
                }
            }
            //建立动态规划方程来记录i开始,长度为len的S字串与L字符串的关系
            
            for(int k=0;k+len*num<=S.size();k++)
            {
                int begin=k;
                vector<int> tmp = dict;
                bool found = true;
                int total = num;
                while(total>0)
                {
                    int index = sameWord[begin];
                    
                    if(index == -1)
                    {
                        found = false;
                        break;
                    }
                    else
                    {
                        if(tmp[index]>0)
                        {
                            tmp[index]--;
                            total--;
                            begin+=len;
                        }
                        else
                        {
                            found = false;
                            break;
                        }
                    }
                };
                if(found)
                {
                    r.push_back(k);
                }
            }
            //每次循环查看,长度为len*num的字串能否涵盖所有的L字串
            return r;
        }
    };


    展开全文
  • You are given a string, S, and a list of words, L, that are all of the same length. Find all starting indices of substring(s) in S that is a concatenation of each word in L exactly once an

    【题目】

    You are given a string, S, and a list of words, L, that are all of the same length. Find all starting indices of substring(s) in S that is a concatenation of each word in L exactly once and without any intervening characters.

    For example, given:
    S"barfoothefoobarman"
    L["foo", "bar"]

    You should return the indices: [0,9].
    (order does not matter).

    【解析】

    题意:给定一个字符串S和一个字符串数组L,L中的字符串长度都相等,找出S中所有的子串恰好包含L中所有字符各一次,返回子串的起始位置。

    把L转化为一个HashMap<String, Integer>,其value表示L中String的个数,因为L中可能包含相同的字符串。

    public class Solution {
        public List<Integer> findSubstring(String S, String[] L) {
            List<Integer> ans = new ArrayList<Integer>();
            if (S.length() < 1 || L.length < 1) return ans;
            int len = L[0].length(); //题目说L中每个单词长度一样
            
            //初始化HashMap,注意L中可能包含多个相同的字符串,所以用value表示个数
            HashMap<String, Integer> map = new HashMap<String, Integer>();
            for (int j = 0; j < L.length; j++) {
                if (map.containsKey(L[j])) {
                	map.put(L[j], map.get(L[j]) + 1);
                } else {
                	map.put(L[j], 1);
                }
            }
            
            //i的范围很关键,如果直接到S.length()是会超时的
            for (int i = 0; i <= S.length() - L.length * len; i++) {
                int from = i;
                String str = S.substring(from, from + len);
                int cnt = 0;
                while (map.containsKey(str) && map.get(str) > 0) {
                    map.put(str, map.get(str) - 1);
                    cnt++;
                    from += len;
                    if (from + len > S.length()) break; //注意越界
                    str = S.substring(from, from + len);
                }
                
                //L中每个单词恰好出现一次,加入到结果集
                if (cnt == L.length) {
                    ans.add(i);
                }
                
                //为下一次初始化HashMap
                if (cnt > 0) {
                	map.clear();
                    for (int j = 0; j < L.length; j++) {
                        if (map.containsKey(L[j])) {
                        	map.put(L[j], map.get(L[j]) + 1);
                        } else {
                        	map.put(L[j], 1);
                        }
                    }
                }
            }
            
            return ans;
        }
    }

    这道题的Test Case有点变态,代码改了好多次,各种没有注意到的边边角角。



    =====================

    Update on 2015/10/28

    该题时间要求已变,上述代码会超时,等待后续更高效的解法,也欢迎大家补充好的解法。

    展开全文
  • One Millisecond Face Alignment with an Ensemble of Regression Trees CVPR2014 http://www.csc.kth.se/~vahidk/face_ert.html https://github.com/suzuichi/OneMillisecondFaceAlignment 本文也是使用级联...

    One Millisecond Face Alignment with an Ensemble of Regression Trees
    CVPR2014
    http://www.csc.kth.se/~vahidk/face_ert.html
    https://github.com/suzuichi/OneMillisecondFaceAlignment

    本文也是使用级联回归器来做人脸特征对齐的。速度快,效果不错,Dlib 实现了代码,可以测试
    这里写图片描述
    站在巨人的肩膀上可以看得更远。这里我们借鉴了前人的两个思路:
    1)The first revolves around the indexing of pixel intensities relative to the current estimate of the shape
    这里我们使用了一个相对位置的像素差值作为特征,为什么如此选择了? 在图像中我们使用一个 向量的形式来表示人脸的 shape,因为 一些变化因素如: shape deformation and nuisance factors such as changes in illumination conditions,导致了 这个基于向量表示形式的特征变化的幅度很大,基于这个特征来做精确的 shape estimation 就比较难。这里面有一个鸡和蛋的问题: 可靠的特征和精度的 shape estimation 是相互依赖的。
    The dilemma is that we need reliable features to accurately predict the shape, and on the other hand we need an accurate estimate of the shape to extract reliable features. 对于这种问题一般都是采用 iterative approach (the cascade) 来解决的。这里我们没有基于图像的 global coordinate system 来提取特征,而是基于当前估计的shape 的 normalized coordinate system 来提取特征。基于这个特征我们预测一个 update vector,一般迭代几个步骤就收敛了。

    2) The second considers how to combat the difficulty of the inference/prediction problem。在测试阶段,基于向量的人脸特征点 shape 优化是一个 non-convex with many local optima。 an alignment algorithm has to estimate the shape, a high dimensional vector, that best agrees with the image data and our model of shape. 后来研究指出 基于 linear subspace 可以快速减少搜索空间并有助于 avoid local optima。
    我们的高效回归函数学习的方法融合了上述的两个思想。

    2 Method
    2.1. The cascade of regressors
    多个回归器的级联,每个回归器的预测基于图像和前一次的预测
    这里写图片描述
    initial shape can simply be chosen as the mean shape of the training data centered and scaled according to the bounding box output of a generic face detector

    2.2. Learning each regressor in the cascade
    首先介绍了 regression function r0 的 学习,初始化完成之后,就可以开始迭代
    这里写图片描述

    2.3. Tree based regressor
    这里主要介绍了训练每个 regression tree 的一些主要实现问题
    1)Shape invariant split tests
    2)Choosing the node splits
    3)Feature selection:exponential prior

    2.4. Handling missing labels
    这里介绍了怎么处理一部分特征点没有标记的问题

    3 Experiments
    这里写图片描述

    11

    展开全文
  • 文章提出了一种结合【实体外部描述】【三元组】的知识图谱表示学习方法。在【知识图谱补全】【实体分类】两个任务上取得了很大的提升。并且很重要的一点是,该方法能够自然地解决【实体不在图谱中的问题】。 二...
  • 曾经遇到过,在google play store搜索应用,搜索不到应用或者提示不兼容。下面针对这两种情况给出我自己的解释。 一、搜索不到应用 ...二、下载提示This app is compatible with some of your devices(Y...
  •  如果之前我们已经分配好空间,并且由于字符串较短,可以不理会浪费的空间,仅仅只是想简单地将短字符宽字符相互转换,那有没有什么简便的方法呢?  WIN32 API里没有符合这种要求的函数,但我们可以自己进行封装: ...
  • 上周阅读了Hinton在06发表在Science上的文章Reducing the Dimensionality of Data with Neural Networks,结合了网上找到的一些资料(这个、这个、还有这个),对文章进行了翻译。实验部分可以参考这里。未完待续用...
  • Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural NetworkYing Li,, Haokui Zhang,and Qiang Shen 点击下载论文SpectralSpatial Classification of Hyperspectral ...
  • out of the office 离任;下班 表示人在公司上班,但是本人现在不在公司里面,可能出去有事了 ...Dear all,Thanks for your email, I'm ooo from (Date ) with limited access to ema...
  • 这是一个数组越界的问题,找了很多解决方法都跟我的不一样,后来打印出图片的宽高自己想了想,换了个思路解决了,在此总结...index 720 is out of bounds for axis 1 with size 720: 1表示宽度越界,0表示高度越界。 ...
  • 论文连接:One Millisecond Face Alignment with an Ensemble of Regression Trees 1.简介 本文也采用级联回归树。 本论文主要解决两个问题: 1.抽取向量特征用于表征复杂背景不同光照下的人脸图片。但在实际...
  • 注:仅仅为了自己记录 该错误是索引超出了列表的长度的,比如创建了长度为1的数组a,而我的...IndexError: index 1 is out of bounds for axis 0 with size 1 再比如我创建了长度为3的数组a, 而我的索引为a[5]: im...
  • 问题:我的代码是想判断两个nparray是否完全相等,if prediction[i] == Y_test[i]:运行时报的错误为:ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()原因:...
  • 参考文献: ... One millisecond face alignment with an ensemble of regression trees[C]//Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on. IEEE, 2014: 1867-1874
  • 小弟菜鸟一枚,在开发页面时发现需要一个俩行的js,想着没多少也简单就在html中写吧,可是写完发现标签报错,错误为Failed to load resource: the server responded with a status of 404 (Not Found) 说一下我的...
  • Description of interest regions with local binary patterns  该文章发表在Pattern recognition, 2009上,主要针对sift特征表达方法计算量大的问题(因为sift表达方法要计算梯度的方向大小),提出用CS...
  • 2006_Efficient Learning of Sparse Representations with an Energy-based Model 此文也是Deep learning三大breakthrough文章之一,其实就是稀疏的autoencoder,以下为摘要。 模型结构图...
  • ajax请求失败:Failed to load resource: the server responsed with a status of 400 (Bad Request) 一般情况下,造成这个错误的原因有两个: 1. 请求url错误; 2. 前后台数据格式不匹配。 遇到这个问题...
  • demand of demand for 区别在哪

    千次阅读 2018-01-06 22:34:18
    表示谁的要求。后面如果是人,那么相当于所有格,可换成sb's demand。 demand for :对…的需求。针对什么事情的要求。 "Whatever we do is the demand of the public. " she says.(这里的the demand of the ...
  • 英语中of和for用法有什么区别

    千次阅读 2016-09-10 13:00:33
    of 表从属关系介词of的用法(1)所有关系this is a picture of a classroom(2)部分关系a piece of papera cup of teaa glass of watera bottle of milkwhat kind of football,american of soccer?(3)描写关系a...
  • (1):web.xml没有配置spring的上下文环境核心的监听器 解决办法: 在web.xml添加 &amp;amp;lt;!--spring的上下文--&amp;amp;gt; &amp;amp;lt;context-param&amp;amp;gt; &amp;amp;lt;...
  • A project with an Output Type of Class Library cannot be started directly 原因是:把类库项目作为起始项目了,起始项目只能是可执行程序或者web程序 解决方法:在你要启动的项目上单击右键,选择Set as ...
  • CNN能够提取出有效的特征描述子来表示图像,但是对于compatible with geometry-aware re-ranking 几何感知重排序方法(兼容??) 本文重新回顾了检索过程,初始搜索重排序 构建了紧致的特征向量,编码图像区域...
  • CoType: Joint Extraction of Typed Entities and Relations with Knowledge Bases 文章综述 本文主要解决在远程监督的过程中面临的三大挑战:需要事先训练的命名实体抽取器限制了领域的扩展;讲实体抽取关系...
  • 近年来,基于CNN的图像表征已经为图像检索提供了很有效的描述子,超越了很多由预训练CNN模型的到的短向量表示。然而这些方法模型不适用于几何感知重排,仍然会被一些依赖于精确的特征匹配,几何重排或者查询扩展的...
  • 程序员的一生就是bug作战的一生,为了方便后来人以及自己的偶尔复习,特此写下本篇,记录自己的错误。 目录 文章目录前言目录正文解决方案 正文 在使用python的时候,总是会遇到一些奇特的错误,在调用numpy包...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 588,156
精华内容 235,262
关键字:

with和of表示的区别