文章列表

项目简介

无人机拍摄路径规划与3D建模 [拍摄场景]

 

车辆路径系统 [服务器端] [移动端]

 

 

 

音视频多模态显著物体检测

 

 

 

基于单目计算机视觉的虚拟钢琴

 

 

 

大规模协作平台关键技术研究

 

 

 

计算机辅助3D室内设计

[资料] Tue Jan 17 2023 17:13:55 GMT+0800 (中国标准时间)

强化学习介绍——廖林波

就强化学习的分类和主要任务进行讲解
[报告] Wed Oct 13 2021 15:27:17 GMT+0800 (中国标准时间)

A Learning Based Approach To Predict Shortest-Path Distances ___江丽英

[报告] Wed Oct 13 2021 15:24:56 GMT+0800 (中国标准时间)

基于半监督学习的工业瑕疵检测方法

在工业领域中,生产线产品的瑕疵检测是保证产品质量的重要一环。在传统工业生产过程中,这一繁杂的任务往往依靠人工筛查来完成。近年来许多基于深度学习技术的自动瑕疵检测方法被运用于实际生产,辅助甚至取代传统人工筛查,提高了瑕疵检测效率。
[报告] Wed Oct 13 2021 15:21:59 GMT+0800 (中国标准时间)

基于时空网络和多任务学习的 城市区域交通流量预测研究——江丽英

交通流量预测是智能交通系统的重要组成部分,对公共安全、交通管理等至关重要 对政府:可以帮助城市管理者提前发现城市中可能出现的拥堵情况,提前部署交通,做好疏散策略 对企业:根据交通流量预测结果寻找潜在乘客,根据交通拥堵情况为乘客设计最佳路 对个人:提前制定自己的旅行计划,避开高峰期并选择最适合的出行方式
[报告] Wed Oct 13 2021 15:20:41 GMT+0800 (中国标准时间)

谈谈如何准备保研面试

       每年的6、7月份各个学校的各种夏令营就开始了。很大比例的保研名额会从夏令营里给出,这其实是各高效提前锁定优质生源的一种办法。大三的同学们估计也大抵清楚了去夏令营其实就是去考试和面试的。如何准备面试,对那些有志于获得保研名额的同学,则显得十分关键。本人参加了一些面试,有些体会。因此,也想从更大的维度和大家谈谈保研或者考研中面试准备的问题。本文只有泛泛而谈,具体的面试技巧涉及很少,请大家谨慎阅读。一家之言,仅供同学们参考。

首先,要有战略眼光,清楚面试的目的,了解面试官的述求点。面试过程中的正规性、公平性毋庸置疑,学校和老师们都非常重视,会屏蔽掉一切可人为操作的空间。比如,考官一般都是由本系的教授组成,考生的名单对考官是不可见的,考官也只有在面试当天才能知道自己所在的分组。面试过程中的一个重点就是以确定学生是否适合读研,是否具有科研的潜力。对目前国内的大多数高校而言,老师以科研为主,硕士研究生仍旧是科研的主力军。因此,面试过程也大都是围绕这个目标来执行的。比如,如果考生英语能力好,未来的科研论文的阅读和写作能力也可能较好;本科如果有科研写作或者参与实验室项目的经历,可能更能融入未来的科研实践中。而这,也是面试过程的几个基本模块。因此,了解面试的目的,了解面试官的述求,学生们就可以换位思考,“投其所好”,更从容地参与面试。

其次,是在心态上调整好,最好地展现自己的闪光点。能够入围夏令营,到了保研或者考研面试这个阶段,基本已经证明了你之前的能力和学业水平。因此,面试的重点不是再重复地展示你的过去,而是要能够展现你的潜力和可能性。特别是如果能够展示“人无我有”的闪光点,则几乎成功了一半。因此,没有必要太过紧张,只要把自己的特点有效地表达出来,就基本成功了。想要通过面试大力提升和凸显自己的没有的特点或者优点,经常是不太现实的,我一般不太推荐考生这样做。因为,大多数情况下,通过一些问题的对答,评委可以轻松地识别出来你是否是真材实料。当然,放松并不意味着无所谓。在面试过程中,也曾碰到一些同学,表现得通不通过都无所谓。这样太过放松的心态,会给评委留下不太好的印象。那好的心态是什么样子呢?我的感觉是表现得举重若轻,同时又谦虚谨慎,积极进取,这样的状态是极好的。

然后,就是具体的面试技巧了。我相信这部分是很多同学最感兴趣的,也是有一些前例可以参考的。首先,要了解到往年面试的基本题型。同一个学校同一个专业的面试流程,一般都有持续性,不会有太大的变化;而不同学校之间的面试可能差异比较大,要提前了解。所以,可以提前联系一下学长学姐,从那边获得一些往年的面试经验及信息。如果在本校,则这个信息不难获得。如果你考的是外校,发现身边没有这样的学长,也完全不认识对方学校的人。这个时候,当然是千方百计找到可能有关联的人。可以问朋友的朋友,可以找老师,可以发邮件。总之,在这个“任何两个人之间只有6跳”的世界里,如果你想联系到一个人,转几个弯,肯定可以找到。这其实也是一种能力,就是你是否有获取信息、充分利用资源、整合资源的能力。其次,要多一些面试的经验和常识。大多数面试都是一样的,考研或者保研面试其实是一种结构化面试,和求职找工作等的面试没有本质区别。因此,你在其他地方看到的面试技巧,注意事项等等,在考研和保研面试中都是适用的。考官也通过你的仪态仪表来考察你的综合能力和素质。所谓的印象分,就是从这来的。保研面试里面,除了考察你的科研潜力,评委们其实还在考察你的沟通、表达、应变等各种能力。

作为求学路上一个十分重要的关卡,面试是学校选择优秀学生,也是学生选择学校和老师的过程。好的学生到哪里都是受欢迎的,如何留住优质生源,找到好的学生,其实是目前高校普遍面临的一个问题。我们老师调侃时时常说的一句话是:本校的好学生时常外流,而外校的好学生我们可不能让他跑了。而同学们透过面试过程,也可以看出学校的水平,看出老师的水平。我所遇到的大部分老师,也会尽力做到公平和专业,尽量给学生留下好的印象。

最后,祝有志于保研和考研的同学们报考厦门大学软件工程系——一个拥有“国家级人才培养模式创新实验区”和“国家级一流本科专业”的系。如果你对软件工程系的保研和考研面试有疑问,也欢迎通过邮件联系我。我会尽可能地解答大家的问题,但最好请能够在邮件中先介绍下自己。

 

[随笔] Tue Aug 10 2021 15:33:13 GMT+0800 (中国标准时间)

基于shortcut的时间依赖最短路径估计算法_杨诗鹏

传统的精确的时间依赖最短路径算法,如时间依赖的Dijkstra,时间依赖的A*算法,由于是搜寻精确的最短路径,所以当要搜索的路径数量较多时,搜索速度相对来说是偏慢的,并且,有些场景下不需要精确的最短路径,但又需要其数值相对准确如:预估旅途的时长,所以需要有一种最短路径估计算法,该算法能够满足在大量的路径搜索计算下仍能够快速地得到结果,并且得到的路径长度能够与真实的最短路径长度相近. 我们提出了基于shortcut的时间依赖最短距离估计算法,shortcut可简单理解为两点之间最短路径的缓存,可将搜索算法简单地分成四步: 1、找到起点到合适的shortcut的起点的路径 2、获取shortcut 3、找到shortcut终点到终点的路径 4、三段路径加和
[报告] Fri Oct 23 2020 17:56:24 GMT+0800 (中国标准时间)

Data-driven Flexible Buses Scheduling and Path Optimisation_孟戈

对于传统的固定路线公交系统,所有的公车都沿固定车站停靠,因此很容易制定发车时间表。但是其他类型的公交系统,如需求响应型公交系统(DRT)比传统的固定线路公交系统更复杂,如果对路线的规划方案和发车的排班方案不给予适当的注意,可能导致消耗较高的运营成本但是达不到乘客要求的服务水平。本文设计了一种基于历史客流,以启发式算法为基础的需求响应型公交路线规划方案,并建立线性模型为该系统制定排班计划。
[报告] Tue Oct 13 2020 19:18:04 GMT+0800 (中国标准时间)

基于强化学习的计算任务卸载策略_廖林波

移动设备在人们生活中扮演着重要角色,但有限的性能导致其处理计算量大的任务需耗费大量时间和能量。边缘计算为移动设备提供了丰富的计算资源,边缘计算的主要目标有: 1) 降低计算任务执行时延; 2) 降低移动设备功耗; 3) 权衡任务执行时延和设备功耗。 本文主要以解决两个问题: 1) 根据网络环境、设备信息为移动设备做出合适卸载决策 2) 根据重要性为任务分配合适的资源。
[报告] Mon Oct 12 2020 13:17:21 GMT+0800 (中国标准时间)

转移流量预测研究报告_江丽英

智能交通系统是智慧城市的重要组成部分,而交通流量预测在智能交通系统中起着重要作用。城市中的交通流量可以分为: 1)区域流量(节点流量),即一个区域的总流入和流出流量; 2)转移流量(边缘流量),即区域之间的转移流量。 智能交通系统中的两种流量对于交通管理至关重要。然而,目前大多数交通流量预测研究仅关注区域流量预测,而忽略了交通流量预测。转移流量预测也是一个具有挑战性的问题: 1)转移流量数据同区域流量数据具有相同的复杂时空依赖性: 2)由于节点对数量众多,区域之间的转移流随时间的变化比区域流大得多; 3)转移流量数据具有稀疏性。本次报告主要介绍一种用于预测转移流量的时空网络。
[报告] Wed Oct 07 2020 14:56:32 GMT+0800 (中国标准时间)

最短路径距离估计算法研究_苏畅

计算路网节点间的最短路径距离是许多图论算法和交通应用的核心。传统的精确方法,如迪杰斯特拉算法(Dijkstra)难以应用在当代快速发展的大规模城市道路网络上。因此,我们希望寻找到一种快速、较准确的近似距离方法。随着深度学习和图嵌入技术的发展,我们利用向量嵌入、图卷积神经网络以及机器学习等技术,结合道路节点的真实信息,来近似大型路网的最短路径距离,目前能得到不错的估计结果,但模型在结构、时间消耗上还存在一定问题,需要进一步优化。
[报告] Wed Oct 07 2020 14:47:58 GMT+0800 (中国标准时间)

MOCOM课程系统常见问题和说明

1. 如何登录mocom课程系统?

           请和老师或者助教联系,获取账户和密码。

 

2. 账号和密码登录不了怎么办?

            如果发现无法登录(不存在账号)的同学,需要自己注册账户。然后通知老师,老师管理员后台通过即可。

 

3. 选课密码是什么?

      每个课程的选课密码不同。一般在对应的QQ群里面,老师会给出。

 

4. 如何进行课堂点名?

            疫情期间,将通过QQ群投票的方式,确认大家是否到场听课和学习。平时线下,则通过mocom系统进行点名。请大家按上课时间,准时在线上参与学习。

 

 

5. 如何提问题,如何回答别人的问题?

    方法1:  可以在课程主页,在每个章节发表课件的后面,点击“评论”,写下你的问题。 老师、助教和其他同学,都可以针对你的问题进行回复。

 

    方法2:可以在QQ群直接提问,但要标注【提问问题:】四 个字,并把问题描述清楚。老师、助教和其他同学,都可以针对你的问题进行回复。

 

    我们非常鼓励同学们互相讨论,互相帮助,帮助回复其他同学的问题。老师和助教将不定期的针对大家的问题进行总结,并在课堂上给出答复。

 

 

6. 如何提交作业?

            按要求的格式提交到学院的ftp。不要在mocom系统上提交。提交的时候,请注意ftp上对于提交作业的文件命名的要求。

 

7. 如何进行发布作业或进行课堂小测?

            老师将在mocom系统或者qq群发布作业或进行小测。同学们须在规定的时间按作业要求,提交作业。

 

 

8. 如何与老师沟通?

            针对课堂的一些建议和问题,大家可以发邮件到laiyx@xmu.edu.cn,或者qq私信给我。欢迎大家的意见和批评。等疫情过去,也可以提前发邮件预约面谈。我的办公室在 海韵行政楼A302。

 

[课堂] Sat Feb 15 2020 11:21:32 GMT+0800 (中国标准时间)

实验报告/教程写作说明

一、预备知识:

1、 markdown的基本语法

http://www.markdown.cn/

https://www.jianshu.com/p/q81RER

2、markdown编辑器的使用

    windows:[MarkdownPad - The Markdown Editor for Windows markdownpad.com/](http://markdownpad.com/)

    mac: Typora

二、实验报告/教程的提交:

 实验报告,也称为实验教程或者Tutorial。本课程要求实验报告以“**详细教程**”的方式提交:

1、每次实验的内容和要求,将发布在课程的主页上;

        将指派不同的题目给同学

2、实验完成时,把文档提交到ftp的对应目录和文件夹;

提交的内容包括:

 1. 程序源代码的project,压缩成一个包
2. 对应的markdown文档
3. 文档对应的图片等其他资料

把以上的内容放相应的目录,目录规则是:

学号后4位+姓名+实验n+实验标题

比如,

“5013+张三丰+实验1+**安装和控制台程序” 放到目录“实验1”

“5013+张三丰+实验2+基于html5的时钟” 放到目录“实验2”

请提交到学院的FTP服务器:

121.192.180.66

三、如何写一个实验报告/教程

  1. 请先仔细阅读文档:

《如何写好一个技术教程》  http://mocom.xmu.edu.cn/article/show/5e3f7e1b312f7a541546c28e/0/1   

  1. 参考网上不错的教程,看他们如何组织内容,进行说明:

https://blog.csdn.net/sD7O95O/article/details/78096251

https://ken.io/note/dotnet-core-qucikstart-debug-vscode-skill

https://machinelearningmastery.com/visualize-machine-learning-data-python-pandas/

https://machinelearningmastery.com/gradient-descent-for-machine-learning/

https://machinelearningmastery.com/handwritten-digit-recognition-using-convolutional-neural-networks-python-keras/

  1. 一个实验的教程/报告,请按以下思路进行组织:

引言:给出实验目的,tutorial的任务

环境:给出环境设置、工具等

具体过程:可以分步骤,有代码,有截图。以图文并茂的方式呈现

总结:总结内容,强调重要的点,以及知识点拓展、讨论等

四、持续改进和提升

  1. 完整的技术教程,可发布到课程的网页上
  2. 大家互相可以评论,并不断优化
  3. 可适当参考网络的教程,但必须是自己的代码和截图
[课堂] Sun Feb 09 2020 11:38:17 GMT+0800 (中国标准时间)

如何写好一个技术教程

引言:

写技术教程的好处和意义,不再赘述了。大家写过几篇之后,会有更深的体会。那么如何写一篇好的技术教程呢?这是初写者下笔时,容易困惑的时候。在本文中,你将学习写一个技术教程的方法。具体包括以下内容和步骤:

  1. 选择一个好的写作工具;

  2. 构思主题,选择读者受众;

  3. 从读者的角度,设计教程框架;

  4. 分步骤展开,细化框架;

  5. 用图片和表格来描述;

  6. 总结,指出重点和其他关联;

  7. 参考文献

 

  1. 选择一个好的写作工具;

    推荐用Markdown的工具。简洁友好,支持代码高亮、latex公式输入。而且更关键的是,可与发布平台Wordpress无缝对接,可方面的导入。Mac上,推荐Typora。

  2. 构思主题,选择读者受众;

    技术教程可以是一篇,也可以是一个序列。如果是序列文章,可以以某个技术模块为目标。写第一篇之前先构思,拟一个序列主题,最后形成一个序列的文章。这样成体系的介绍,对阅读者而言更有价值。

    而读者一般预设以初学者为主。一个序列教程的好处是可以由浅入深的介绍。没有基础的读者,可以从第一篇开始逐步往后看;而有基础的读者可以略读,或者跳过前面的几篇,直接阅读后面的内容。

  3. 从读者的角度,设计教程框架;

    想要写的主题是是作者已经学过或精通的内容。作者一般会从自己的学习过程为出发点,逐步介绍。这种方法有可取之处。但更重要的,应该换位思考。思考这个主题,有哪些前期的基础知识需要交代,有哪些难点、重点,并联系自己学习过程中遇到的困难,合理的设计教程的框架。

    一般来说,框架可以采取”总-分-总”的结构。从问题入手,先写“引言”。引言部分引入问题,然后总括即将要介绍的内容或步骤。然后引入必要的基础知识,展开具体的描述,最后做总结。对于一些重点,难点,应该帮助读者指出并强调。在总结的时候,也可以再次重复,帮助读者梳理、吸收和记忆。

  4. 分步骤展开,细化框架;

    分步展开,则是对内容进行细致的描述和介绍。

    一般的,技术教程以案例驱动进行解释。通过例子的操作和实现,展示具体的步骤和细节。案例的选择,可参考其他的教材和教程,但具体的问题最好是原创的。特别对于数据分析的技术教程,永远可以选择一个自己熟悉、又不同于他人的数据集来实作,并给出操作的结果。

    其次,考虑段落和句子的连贯性,逻辑性,注意断句和段落安排。一个标题对应一个主题,一个段落对应一个主题,通过形式上的安排,合理安排教程的逻辑,做到逻辑严密,上下衔接,层次分明。值得指出的是,一个优秀的教程应该能够指出重点,指出学习者容易犯错的地方,针对读者可能遇到的问题给以解答。针对性的对一些内容给出适当的解释和强调。

    在展开的时候,也特别注意文章前后的呼应。特别是对于系列文章,一般要求采用统一的案例和数据,使用统一的行文风格,保持连贯性,方便读者理解。

  5. 用图片和表格来描述;

    技术教程除了文字,还需要有代码,截图,表格等进行说明。一个基本的方法和要求是,充分的利用代码高亮,行号,操作截图,运行截图等,进行解释和说明。除了问题,能够用图片、截图和表格进行说明的,尽量用这些元素进行说明。拥有良好展示性的教材,将让整个文章的内容生活起来,有更好的表现力和解释力。

  6. 总结,指出重点和其他关联;

    最后,需要对关键内容进行概括性的总结。把你最希望读者学习和记住的内容,做个简要的重复。如果是序列中的一篇,也应该引出一篇技术教程的内容,吸引读者继续阅读;如果是系列教程,也可以推荐其他系列的内容,介绍读者可能感兴趣的其他内容和资源。

  7. 参考文献

    每个教程有参考的资料和文献。有转载和借鉴的书籍、论文、博文、教程等,都应该标出出来。特别的,给出博文的链接,承认其他写作者的贡献。

     

就先介绍到这里吧。一个好的技术教程,将有很强的生命力。它将影响很多人,也节省很多人的时间。而通过写作输出,写的过程中作者本人也将梳理自己的思维,深化对内容的理解。表达自己,输出知识,既是一种认知上的升华,也能极大的提高个人的沟通能力。

多写,多练习,多输出,就是在不断的打磨你的写作能力,你的技术教程也将越发精彩,更有价值。

彩蛋:

作为彩蛋,在此公开一个写好技术教程的秘诀——修改、修改、继续修改n遍,n趋近于\infty

写完后的初稿,一般都只是半成品,存在各种各样的错误。因此,除了自己多读几遍,也可以请同学朋友读一读,修改各种错误,调整前后句子及逻辑。有可能的话,把稿子放几天后再看。多审视几番,直到自己觉得满意了再发布出来。当教程发布了,通过读者的评论,你可能会发现一些错误和可改进的地方。这个时候,还有继续修改的空间,还可以在“止于至善”的道路上继续前行。

[课堂] Sun Feb 09 2020 11:35:55 GMT+0800 (中国标准时间)

客车充电优化_论文介绍_廖林波

Electric vehicles are widely used in urban public transportation. Public transport operators are more concerned about reducing operation and maintenance costs, which is contributed mostly by battery aging cost. This paper aims to reduce the cost of battery aging and operation cost.
[报告] Fri Dec 20 2019 14:42:37 GMT+0800 (中国标准时间)

DEEPTRAVEL论文介绍_江丽英

GPS-enabled mobile devices have generated massive trajectory data. Existing estimation approaches fail to consider the path as a whole and do not fully leverage the natural supervised labels of the data. This paper present an end-to-end estimation model DEEPTRAVEL to estimating the travel time. It introduces the dual interval loss, which elegantly matches the characteristic of BiLSTM with that of trajectory data.
[报告] Thu Dec 12 2019 13:45:19 GMT+0800 (中国标准时间)

Clustering Large-Scale Origin-Destination Pairs论文介绍_孟戈

随着各种轨迹的广泛收集,各种轨迹挖掘方法得到了发展和应用。轨迹聚类也是如此。它能够构建不同的应用(例如,移动社交网络),并且可以使现有服务变得更加智能(例如,优化公共交通)。针对以OD(Origin-Destination)对形式存在的大量轨迹数据,本文提出了一种基于OD对的轨道聚类策略ODTC (Origin Destination pair oriented Trajectories Clustering) 。
[报告] Thu Dec 05 2019 14:58:39 GMT+0800 (中国标准时间)

Neural Approximate Dynamic Programming for On-Demand Ride-Pooling论文介绍_杨诗鹏

The paper's key technical contribution is in providing a general ADP method that can learn from the ILP based assignment found in ride-pooling. Additionally, they handle the extra combinatorial complexity from combinations of passenger requests by using a Neural Network based approximate value function and show a connection to Deep Reinforcement Learning that allows us to learn this value-function with increased stability and sample-efficiency.
[报告] Thu Dec 05 2019 14:55:57 GMT+0800 (中国标准时间)

PCB瑕疵检测算法研究_曹辉彬

瑕疵检测步骤: 1,图像二值化 2,图像矫正 3,图像分块 4,瑕疵识别算法 (1)连通数识别 (2)关联度识别 (3)特征识别
[报告] Thu Nov 21 2019 14:36:23 GMT+0800 (中国标准时间)

基于深度多视图时空网络的出租车需求预测论文介绍_廖林波

出租车是交通系统的重要组成部分,出租车的 需求预测在智能交通系统有着重要作用。准确 的预测模型可以帮助城市预先分配资源,以满 足出行需求。同时能减少街道上空车,避免浪 费能源和减缓交通拥堵。 深度学习的最新进展通过学习大型数据的复杂 特征和相关性。但现有的交通预测方法仅独立 地考虑了空间或时间关系,并未能结合多方面 因素进行出租车需求预测。 文中提出了一个深度多视图时空网络(DMVST- Net)框架来对时空关系进行建模。该模型包括 三个视图:时间视图,基于LSTM建立时间关系 模型。空间视图,基于local CNN建立局部空间 关系模型。语义视图,共享相似时间的区域之 间的相关性。
[报告] Thu Nov 21 2019 13:40:40 GMT+0800 (中国标准时间)

《基于深度时空残差网络的城市人流量预测》论文介绍_江丽英

城市人流量预测有利于城市交通管理和公共安全,但时空数据具有依赖性,外部因素例如节假日、事件和天气等也都会影响人流量,所以准确预测城市人流量具有挑战性。 这篇论文提出了深度时空残差网络ST-ResNet,对城市人流量数据的邻近性(cloness)、周期性(period)、趋势性(trend)建模,并结合天气等外部因素,预测城市人流量。
[报告] Wed Nov 13 2019 16:23:56 GMT+0800 (中国标准时间)

CLEAN论文介绍_孟戈

本次报告分享了论文《CLEAN:frequent Pattern-based Trajectory Spatial-temporal Compression on Road Networks》. 当轨迹数量庞大时,由于存储成本高、I/O开销大等原因,使得轨迹分析的效率低下;目前已经提出了各种算法来压缩轨迹中的时间和空间信息。但是这些算法通常把时间压缩和空间压缩相分离。这就导致时间压缩不能充分利用空间压缩的处理结果。基于此,这篇论文提出了CLEAN (Compressing Spatial-temporal Trajectories by Pattern Mining),这种方法所产生的空间成本相比目前已有的其他算法会低得多。
[报告] Thu Oct 31 2019 14:21:21 GMT+0800 (中国标准时间)

TDRNs论文介绍_张浩宇_张冰源_李郑伟

本次报告分享了论文《􏰅􏰀􏰙􏰈􏰔􏰏􏰁􏰊Querying Shortest Paths on Time Dependent Road Networks》 该文提出一种高度平衡的树结构的索引,称为TD-G-tree。 它的核心思想是利用层次图划分来将道路网络划分为层次分明的分区。这将生成一个平衡的树,其中每个树节点对应于一个分区。每个父-子分区关系对应于分区及其子分区。 维护最短路径在分区的边界之间,边界(border)是一个至少拥有一条因分区被切割的边的点。
[报告] Thu Oct 31 2019 14:17:10 GMT+0800 (中国标准时间)