方寸之土

　　文案来自于B站UP主深白的幻想森林于12月22日发布的视频 这是我第一次做长视频，我要把生死讲透。 ‌‌‌　　2023年12月10日，父亲的手碰到了天空。我试着把我的生死观讲透。‌‌‌　　好多人以为家人死亡的那一刻，自己心里最难受，其实不是。家人临近死亡前的那一两个月最难受，你眼看着他状态掉得飞快，医生一遍遍的告诉你：你尽力了，没有其他办法了。‌‌‌　　他开始变得意识模糊，他醒着的时间越来越短，他的脚开始浮肿，眼白开始泛黄，他越来越痛苦，只剩痛苦。你想起了一个月前他坐在床头说：男怕穿靴，女怕戴帽。就是当男人的脚浮肿到穿不进去靴子了，女人的头胀大到戴不进去帽子了，就是生命即将要走向尽头的时候。那几天父亲一直重复「男怕穿靴，女怕戴帽」。医生说「我大致看了你们带来的病历，3年来应做尽做，可以说没有任何遗憾了」。没有遗憾，是我听过的，对我最大的慰藉、最大的褒奖。‌‌‌　　我听过了父亲喉咙里发出的死亡咆哮，挨过了医院蹲守的日日夜夜，迎接又送走了一波波探望的亲人。我和医生重复着相似的对话，「还有救治办法吗？」「没有了。」「还能减轻他的痛苦吗？」「能做的都做了。」‌‌‌　　撑过这些就是直面死亡真 ...

新年快乐。 此刻窗外是无尽的夜，我在生活，且还要将生活继续下去。 我拥有的唯一支撑就是尽力让自己清醒地明白一切都是短暂的。无论亲人、朋友、恋人、师长，总有离开的一天，与人的情谊总会在某一天戛然而止，甚至没有任何征兆。而孤独是生活的赠礼，我愈发爱我的自由。我一直都不是一个那么快乐的人，不过还好，我也不太需要。 有人说，亲人的离世不是一场暴雨，而是一生的潮湿。我想我还是不够成熟，曾经很多次，我以为我能够接受的。在这几个月里，我一直在想我们可能更需要一些死亡教育，也许人没有必要执着于活得那么久，见过黄昏和大海，放肆地大笑过，在生命最好的年岁里，勇敢地去爱想要爱的人。人生好短啊，但是足够了。我终于接受了一些遗憾和局限，生活里的偶然其实很庞大，我们向前走，就这样向前走。 在我爷爷最后的那段时间里，看着这个行将就木的老人，我感到莫大的绝望。我不知道怎么减轻他身体的痛苦，不知道怎么愈合他溃烂的皮肤，更不知道怎么慰藉他临终之前腐朽的灵魂。也许，他早就已经失了魂了。 那些个夜晚，他不停地在哀嚎，这也许是他唯一能做的与死神的抗争了。我不曾想到这刺耳的哀嚎声竟会让我觉得心安，以至于他走后的很长一段时间，我总 ...

摘要在金融应用中，常用带有广义自回归条件异方差(GARCH)误差的自回归移动平均(ARMA)模型拟合收益序列。在本文中，我们开发了一个复值ARMA-GARCH模型用于海杂波建模应用。与AR-GARCH模型相比，新引入的MA项使模型能够将相邻回波测量值的条件方差依赖性作为模型系数，利用相邻测量值之间的强相关性提高了建模精度。基于海杂波建模的复值ARMA-GARCH过程，进一步发展了一种海面目标检测算法。通过对大量实际海杂波数据的分析，我们对其性能进行了评估，结果表明，与最先进的AR-GARCH探测器相比，所提出的海面目标探测器的探测概率有明显提高。 引言海杂波的精确建模在遥感和雷达应用中具有重要意义，有利于优化探测算法设计和性能预测[1-9]。为了全面研究不同环境条件下实际杂波的统计特性，开展了各种实验，并向国际研究界提供了数据库，如麦克马斯特智能像元处理雷达(IPIX)数据库[10]和科学与工业研究理事会(CSIR)数据库[11]。然而，有时统计描述杂波振幅和功率所需的数据要么无法获得，要么缺乏各种海况、掠射角、极化和风向的数据。另外，计算机仿真程序提供了一个廉价可靠的环境来获取各种频 ...

摘要提出了一种新的显著区域检测算法，用于在抖动视场中对海上船舶进行检测和识别。基于这种情况，本文采用的解决方法是分别检测每一帧的显著区域，而不是使用跟踪算法，显著区域检测基于局部和全局对比。结果表明，该方法能够有效地抑制干扰，准确地检测出目标的形状。证明本文算法是一种高效的船舶检测目标检测算法。 引言随着科学技术的出现，对人类视觉系统的研究表明，人类的视觉系统总是能够将注意力集中在最显著的物体上，这就是所谓的视觉选择性注意。有关区域就是所谓的突出对象。视觉注意机制可以帮助人们将注意力锁定在最突出的区域。该机制可以消除来自背景的干扰。借助显著性检测，机器视觉可以高效地完成图像分割[1-2]、目标识别[3]、目标检索[4]和目标跟踪。 显著性检测的主要方法在显著性检测领域，1998年，Itti[7]基于Treisman[5-6]的整合理论和Koch的生物学架构，提出了经典的视觉注意模型。所谓Itti模型在实际测量中得到了接近人类视觉感知的结果。2006年，Jonathan Hare在图论的基础上提出了GBVS[8]算法，它遵循Itti模型的结构。该结构包含三个步骤，分别是特征提取、中心周边 ...

摘要水面物体检测是自动驾驶和水面视觉应用的重要课题之一。迄今为止，从网站收集的现有公共大规模数据集并不关注具体的场景。作为这些数据集的一个特点，图像和实例的数量也仍然处于较低的水平。为加快水面自动驾驶技术的发展，本文提出了一个大规模、高质量的标注基准数据集——水面物体检测数据集(WSODD)，用于对不同的水面物体检测算法进行基准测试。该数据集包含7467张不同水环境、气候条件和拍摄时间的水面图像。此外，该数据集包括14个公共对象类别和21,911个实例。同时，在WSODD中还关注更具体的场景。为了找到在WSODD上提供良好性能的简单的体系结构，提出了一种名为CRB-Net的新的对象检测器作为基线。在实验中，CRB-Net与16种最先进的物体检测方法进行了比较，在检测精度上都优于它们。在本文中，我们进一步讨论了数据集多样性(例如，实例大小、光照条件)、训练集大小和数据集细节(例如，分类方法)的影响。跨数据集验证表明，WSODD的性能明显优于其他相关数据集，CRB-Net具有良好的适应性。 引言水面物体检测在无人驾驶水面车辆(usv)和水面视觉应用等自动驾驶领域发挥着越来越重要的作用。为了 ...

Ship detection for visual maritime surveillance from non-stationary platforms☆Abstract This paper presents a new ship target detection algorithm to achieve efficient visual maritime surveillance from non-stationary surface platforms, e.g., buoys and ships, equipped with CCD cameras. In the proposed detector, the three main steps including horizon detection, background modeling and background subtraction, are all based on Discrete Cosine Transform (DCT). By exploiting the characteristics of DCT blo ...

Object detection method for ship safety plans using deep learning0 Abstract During the safety inspection of a ship, there is a stage confirming whether the safety plan is designed in accordance with the regulations. In this process, an inspector checks whether the location and number of various objects (safety equipment, signs, etc.) included in the safety plan meet the regulations. Manually converting the information of objects existing in the ship safety plan into digital data requires significa ...

Multiple Wavelet Pooling for CNNsAbstract池化层是任何卷积神经网络的重要组成部分。最流行的池化方法，如最大池化或平均池化，都是基于邻域方法，可能过于简单，容易造成视觉失真。为了解决这些问题，最近提出了一种基于Haar小波变换的池化方法。遵循同样的研究思路，在这项工作中，我们探索使用更复杂的小波变换(Coiflet, Daubechies)来执行池化。此外，考虑到小波与滤波器的工作原理类似，我们提出了一种结合多个小波变换的卷积神经网络池化方法。实验结果证明了我们的方法的优点，提高了在不同公共目标识别数据集上的性能。 1 介绍神经网络作为深度学习的主要工具，在计算机科学史上可谓前前后后。池化层是卷积神经网络(cnn)的主要组成部分之一。它们旨在压缩信息，即减少数据维度和参数，从而提高计算效率。由于cnn处理的是整个图像，神经元的数量会增加，计算成本也会增加。因此，需要对数据和参数的大小进行某种控制。然而，这并不是使用池化方法的唯一原因，因为它们对于执行多级分析也非常重要。这意味着，我们查找的不是激活发生的确切像素，而是它所在的区域。池化方法从确定性的 ...

Meta-Learining With Graph Neural Networks：Methods and ApplicationsAbstract图神经网络(GNNs)是一种基于图数据的深度神经网络，已被广泛应用于从药物发现到推荐系统等各个领域。然而，当可用样本很少时，此类应用程序上的gnn是有限的。元学习是解决机器学习中缺乏样本的一个重要框架，近年来，研究人员开始将元学习应用于gnn。在这项工作中，我们提供了一个全面的调查不同的元学习方法涉及gnn在各种图问题上，展示了这两种方法一起使用的力量。我们根据提出的架构、共享表示和应用程序对文献进行分类。最后，我们讨论了几个令人振奋的未来研究方向和有待解决的问题。 1 介绍人工智能(AI)和机器学习的方法在各种应用中都取得了巨大的成功，从自然语言处理[Dev+19]到癌症筛查[Wu+19]。人工智能系统的成功可以归因于各种架构创新，以及深度神经网络(DNN)从欧几里得数据(如图像、视频等)提取有意义的表示的能力。然而，在许多应用程序中，数据是图结构的。例如，在药物发现中，目标是预测给定的分子是否为新药的潜在候选分子，其中输入的分子用图形表 ...

Translation|Graph Prototypical Networks for Few-shot Learning on Attributed Networks0 摘要如今，归因网络在众多影响深远的应用中无处不在，例如社会网络分析、财务欺诈检测和药物发现。节点分类作为分布式网络的核心分析任务，受到了学术界的广泛关注。在真实的带属性网络中，很大一部分节点类只包含有限的标记实例，呈现长尾节点类分布。现有的节点分类算法无法处理镜头较少的节点类。作为一种补救措施，“少拍学习”在研究界引起了极大的关注。然而，少镜头节点分类仍然是一个具有挑战性的问题，我们需要解决以下问题: (i) 如何从一个属性网络中提取元知识用于少镜头节点分类?(ii) 如何确定每个标签实例的信息量，以建立稳健有效的模型? 为了回答这些问题，本文提出了一种图元学习框架——图原型网络(GPN)。通过构建半监督节点分类任务池来模拟真实的测试环境，GPN能够在一个有属性的网络上进行元学习，并衍生出一个高度可推广的模型来处理目标分类任务。大量实验证明了GPN在少镜头节点分类方面的优越性。 1 介绍由于其强大的建模能力，属性网络 ...