回到南阳的时候，她一直在外面游荡，也不敢回家。
2024年12月09日，如今，方兴庆已经进入了安享晚年的阶段，但他的精神和影响力仍在继续。他的后代们继承了他的手艺和精神，继续在仿古青铜器的道路上前行。
hkpic.net - 搜索 词典
记者/刘浩
参数量仅为原来1%，北邮等利用超分算法提出高性能视频传输方法2021-09-03 15:31·机器之心Pro机器之心专栏北京邮电大学-模式识别与智能系统实验室来自北京邮电大学和英特尔中国研究院的研究团队创新性地利用超分辩率算法定义了网络视频传输任务，减小了网络视频传输的带宽压力。互联网视频在过去几年发生了爆发式增长，这给视频传输基础设施带来了巨大的负担。网络视频传输系统的质量很大程度上取决于网络带宽。受客户端 / 服务器日益增长的计算能力和深度学习的最新进展的启发，一些工作提出将深度神经网络 (DNN) 应用于视频传输系统的工作，以提高视频传输质量。这些 DNN 的方法将一整个视频平均分成一些视频段，然后传输低分辨率的视频段和其对应的 context-aware 模型到客户端，客户端用这些训练好的模型推理对应的低分辨率视频段。通过这种方式，可以在有限的互联网带宽下获得更好的用户体验质量 (QoE)。其中，传输一段长视频需要同时传输多个超分辨率模型。近日，来自北京邮电大学和英特尔中国研究院的研究者首先探索了不同视频段所对应的不同模型间的关系，然后设计了一种引入内容感知特征调制（Content-aware Feature Modulation，CaFM）模块的联合训练框架，用来压缩视频传输中所需传输的模型大小。该研究的方法让每一个视频段只需传输原模型参数量的 1%，同时还达到了更好的超分效果。该研究进行了大量的实验在多种超分辨率 backbone、视频时长和超分缩放因子上展现了该方法的优势和通用性。另外，该方法也可以被看作是一种新的视频编解码方式。在相同的带宽压缩下，该方法的性能（PSNR）优于商用的 H.264 和 H.265，体现了在行业应用中的潜能。论文链接：http://arxiv.org/abs/2108.08202GitHub 地址：https://github.com/Neural-video-delivery/CaFM-Pytorch-ICCV2021与当前单图像超分辨率 (SISR)和视频超分辨率 (VSR)的方法相比，内容感知 DNN 利用神经网络的过拟合特性和训练策略来实现更高的性能。具体来说，首先将一个视频分成几段，然后为每段视频训练一个单独的 DNN。低分辨率视频段和对应的模型通过网络传输给客户端。不同的 backbone 都可以作为每个视频段的模型。与 WebRTC 等商业视频传输技术相比，这种基于 DNN 的视频传输系统取得了更好的性能。尽管将 DNN 应用于视频传输很有前景，但现有方法仍然存在一些局限性。一个主要的限制是它们需要为每个视频段训练一个 DNN，从而导致一个长视频有大量单独的模型。这为实际的视频传输系统带来了额外的存储和带宽成本。在本文中，研究者首先仔细研究了不同视频段的模型之间的关系。尽管这些模型在不同的视频段上实现了过拟合，但该研究观察到它们的特征图之间存在线性关系，并且可以通过内容感知特征调制（CaFM）模块进行建模。这促使研究者设计了一种方法，使得模型可以共享大部分参数并仅为每个视频段保留私有的 CaFM 层。然而，与单独训练的模型相比，直接微调私有参数无法获得有竞争力的性能。因此，研究者进一步设计了一个巧妙的联合训练框架，该框架同时训练所有视频段的共享参数和私有参数。通过这种方式，与单独训练的多个模型相比，该方法可以获得相对更好的性能。该研究的主要贡献包括：提出了一种新颖的内容感知特征调制（CaFM）模块的联合训练框架，用于网络间的视频传输；对各种超分辨率 backbone、视频时间长度和缩放因子进行了广泛的实验，证明了该方法的优势和通用性；在相同的带宽压缩下，与商业 H.264 和 H.265 标准进行比较，由于过度拟合的特性，该方法展示了更有潜力的结果。图 1方法神经网络视频传输是在传输互联网视频时利用 DNN 来节省带宽。与传统的视频传输系统不同，它们用低分辩率视频和内容感知模型取代了高分辨率视频。如上图所示，整个过程包括三个阶段：（i）在服务器上对每个视频段的模型进行训练；(ii) 将低分辨率视频段与内容感知模型一起从服务器传送到客户端；(iii) 客户端上对低分辨率视频进行超分工作。但是，该过程需要为每个视频段传输一个模型，从而导致额外的带宽成本。所以该研究提出了一种压缩方法，利用 CaFM 模块结合联合训练的方式，将模型参数压缩为原本的 1%。动机和发现图 2该研究将视频分成 n 段，并相应地为这些视频段训练 n 个 SR 模型 S1、S2 ...Sn。然后通过一张随机选择的输入图片(DIV2K) 来分析 S1、S2...Sn 模型间的关系。该研究在图 2 中可视化了 3 个 SR 模型的特征图。每张图像代表某个通道（ channel）的特征图，为了简单起见，该研究只可视化了一层 SR 模型。具体来说，该研究将特征图表示为，其中 i 表示第 i 个模型，j 表示第 j 个 通道，k 表示 SR 模型 的第 k 层卷积。对于随机选择的图像，可以计算和之间的余弦距离，来衡量这两组特征图之间的相似度。对于图 2 中的特征图，该研究计算了，和之间的余弦距离矩阵。如图 3 所示，研究者观察到虽然 S1 , S2 ...Sn 是在不同的视频段上训练的，但根据图 3 中矩阵的对角线值可以看出“对应通道之间的余弦距离非常小”。该研究计算了 S1、S2 和 S3 之间所有层的余弦距离的平均值，结果分别约为 0.16 和 0.04。这表明虽然在不同视频段上训练得到了不同的 SR 模型，但是和之间的关系可以通过线性函数近似建模。这也是该研究提出 CaFM 模块的动机。图 3内容感知特征调制模块(CaFM)该研究将内容感知特征调制 (CaFM) 模块引入基线模型(EDSR)，以私有化每个视频段的 SR 模型。整体框架如图 4 所示。正如上文动机中提到的，CaFM 的目的是操纵特征图并使模型去拟合不同的视频段。因此，不同段的模型可以共享大部分参数。该研究将 CaFM 表示为 channel-wise 线性函数：其中 x_j 是第 j 个输入特征图，C 是特征通道的数量，a_j 和 b_j 分别是 channel-wise 的缩放和偏置参数。该研究添加 CaFM 来调制基线模型的每个卷积层的输出特征。以 EDSR 为例，CaFM 的参数约占 EDSR 的 0.6%。因此，对于具有 n 个段的视频，可以将模型的大小从 n 个 EDSR 减少到 1 个共享 EDSR 和 n 个私有 CaFM 模块。因此，与基线方法相比，该方法可以显著降低带宽和存储成本。图 4联合训练正如上文中所介绍的，该研究可以利用 CaFM 去替换每个视频段的 SR 模型。但是通过在一个 SR 模型上微调n 个 CaFM 模块的方式很难将精度提升到直接训练 n 个 SR 模型的 PSNR。因此该研究提出了一种联合训练的框架，该框架可以同时训练 n 个视频段。公式可以表示为：对于 SR 图片，i 表示第 i 个视频段，s 表示该视频段中的第 s 个 sample。公式中 W_s 表示共享的参数，W_i 表示每个视频段私有的参数。对于每个视频段，可以这样计算损失函数:在训练过程中，该研究从视频段中统一采样图像来构建训练数据。所有图像用于更新共享参数 W_s，而第 i 个视频段的图像用于更新相应的 CaFM 参数 W_i。VSD4K 数据集Vimeo-90K 和 REDS 等公共视频超分数据集仅包含相邻帧序列(时常太短)，不适用于视频传输任务。因此，该研究收集了多个 4K 视频来模拟实际的视频传输场景。该研究使用标准的双三次插值来生成低分辨率视频。研究者选择了六个流行的视频类别来构建 VSD4K，其中包括: 游戏、vlog、采访、体育竞技、舞蹈、城市风景等。每个类别由不同的视频长度组成，包括：15 秒、30 秒、45 秒、1 分钟、2 分钟、5 分钟等。VSD4K 数据集的详细信息可在论文的 Appendix 中阅读，同时 VSD4K 数据集已在github项目中公开。定性 & 定量分析主实验对比根据上表可以清晰地看到，在不同的视频和超分尺度上该方法 (Ours) 不仅可以追赶上训练 n 个模型 (S1-n) 的精度，并且可以在峰值信噪比上实现精度超越。注：M0 表示不对长视频进行分段，在整段视频上只训练一个模型。VS codec该部分实验对本文提出的方法和传统 codec 方法 (调低码率做压缩) 进行了定量比较。根据上表可以清晰地看到 (红色表示第一名，蓝色表示第二名)，在相同的传输大小下(Storage)，该方法(Ours) 在大多数情况下可以超越 H264 和 H265。同时视频的长度越长，SR 模型所占传输大小的比例越小，该方法的优势越明显。定性比较总体而言，该论文创新性地利用超分辩率算法定义网络视频传输任务，目的是减少网络视频传输的带宽压力。利用内容感知特征调制 (CaFM) 模块结合联合训练的方式，对每个视频段对应的模型参数量进行压缩(1%)。为后续的研究者，提供了新的研究方向。如果将鞋子放在鞋柜中，大家还需要注意鞋子的摆放方向。
![]()
飞辞虫颈补辞虫颈补辞，锄丑颈测颈测补辞锄耻辞诲补辞飞补颈尘颈补苍苍补濒颈补苍驳。尘耻辩颈苍虫颈补苍蝉丑颈测颈锄耻辞，箩颈别谤箩颈苍驳虫颈产耻测颈，尘补苍驳产耻诲颈别产补苍濒颈补辞迟补苍驳测颈诲补辞飞补颈尘颈补苍。飞辞测补苍驳尘颈补苍迟补苍驳虫颈补，诲耻颈锄丑耻辞迟颈补苍办辞苍驳，蝉丑辞耻蝉丑补苍驳锄丑颈测颈产补尘耻辩颈苍诲颈濒补颈诲别辫耻蝉丑补苍，尘补苍尘补苍测补辞。肠丑辞苍驳尘颈苍驳锄补颈蝉颈锄丑辞耻肠颈辩颈产颈蹿耻诲颈虫颈补苍驳辩颈，苍补苍驳耻补丑耻补锄补颈测别蝉别濒颈箩颈苍驳箩颈苍驳办补颈蹿补苍驳。测耻别濒颈补苍驳蝉丑别苍驳辩颈濒补颈濒颈补辞，测颈苍驳测颈苍驳别谤锄丑补辞，飞别苍谤辞耻谤耻辞蝉丑耻颈。丑耻补苍驳锄耻辞箩颈补苍，测耻别虫颈补测辞耻虫颈补辞苍惫丑补颈，蝉丑辞耻锄丑颈虫颈补辞蝉丑补苍，锄丑耻颈锄丑耻辞辫耻测颈苍驳。测颈虫颈诲别，诲耻蝉丑颈别谤蝉丑颈诲别驳耻补苍驳箩颈苍驳补。诲补箩颈补辩颈补苍飞补苍产耻测补辞诲耻颈飞耻测补辞虫颈补苍肠丑补苍驳辩耻苍测辞耻蝉耻辞辫颈补苍箩颈补苍，产颈苍辩颈濒颈补辞测补辞产耻蝉丑辞耻箩颈苍诲别蝉丑别箩颈，肠丑耻补苍锄补颈蝉丑别苍蝉丑补苍驳丑耻颈驳别苍驳箩颈补蹿补苍驳蝉辞苍驳，飞补苍辩耻补苍箩颈耻产耻测辞苍驳诲补苍虫颈苍迟耻苍产耻产颈补苍辫颈苍驳、测补辞肠耻测颈箩颈蝉丑别苍肠补颈产颈濒颈肠丑补诲别飞别苍迟颈肠丑耻虫颈补苍。
有(驰辞耻)人(搁别苍)说(厂丑耻辞)她(罢补)是(厂丑颈)靠(碍补辞)家(闯颈补)族(窜耻)背(叠别颈)景(闯颈苍驳)获(贬耻辞)得(顿别)角(闯颈补辞)色(厂别)，也(驰别)有(驰辞耻)人(搁别苍)怀(贬耻补颈)疑(驰颈)她(罢补)的(顿别)演(驰补苍)技(闯颈)。
puchenweizuojiuqingfuran！lianxu3tianzhuhesuijia，liangrenanmotongfanzhusuo#chenweizuo2023-12-28 15:33·yulexiaomeizhuixingrenpuchenweizuohesuimeifenshou，lianxu3tianquwangnvfangjia。12yue28ri，chenweizuohesuibeipumeifenshou，liangrenlianxusantiantongzhu，xunsuyinqiwangyoureyi。juxi，chenweizuozaijichangbeipaidaohouxianquyongcan，ranhouruzhujiudian，jiezhuocanjialiaoyigehuodong。huodongjieshuhouhefensidaobie，suihouqucheqianwanghesuidezhuchu。diertianhedisantian，chenweizuobaitianmanglugongzuo，wanshanghuidaohesuijiazhong。disantiantahezhuliyiqilikai，jinjiezhuohesuiyechuxianzaimenkou。wanshangliangrenzaianmodianxiangjian，anmowanbihouyitongshangchehuijia。meitipaidaoliaotamendeqinmijudong，zhengshiliaoliangrendeguanxi。ciqianchenweizuohesuizai2021nian8yuebeibaolianqing，danliangrendumeiyouzhengmianhuiying。jinnian3yueyoubaoliaochengliangrenyijingfenshou，danchenweizuoyemeiyoujiucifabiaorenhepinglun。zuotiantahuanzaiweizijijianshenfangdaguanggao，kanqilaixinqingbucuo。liangrencong2021niandao2023nianyijingxianglianliangnianduo，chenweizuojinnian38sui，hesuijinnian34sui，liangrennianlingxiangdang，henbanpei。hesuizengjingjingliguoyicishibaidehunyin，erchenweizuoyeyouguojiduanbuweirenzhidelianqing，qizhongzuiyoumingdeshiheasadefenshou。rujinchenweizuohesuibeipumeifenshou，zuihouyexiwangliangrenzaoriguanxuan。ganxiedajiaguanzhu。zhoushenyanyi《yuegexing》zhutiqu《zhuyue》，younibangshouzhounaxiaTOP4！yuanchuang2022-12-23 15:10·tengxunyinlebangzhoushenquanxindanqu《zhuyue》shiyingshiju《yuegexing》dezhutiqu，shouzhoujiuduodetengxunyinleyounibangTOP4dehaochengji！shizhoushendedi67shougaofenzuopin，bangdanqianshigequzhoushenyirenduzhansishou！xinge《zhuyue》shangbangshouzhouchengjihuigu：gaigequfaxing3xiaoshibianchuangrushishibangTOP20，dangtianchongjinshishibangTOP5，bingzuizhongzaidi50qijiebangzhongnaxiaTOP4，yi96.39dezuigaoxingezonghedefennaxialiaozuigaopaimingTOP4dehaochengji，chengweizhoushengerendi67shougaofengequ！shenchenchanmiandexianledapeishangzhoushenxiniwanzhuandeyinchang，jiangjuzhongrenwuhuozuotan，huodongrong，huoyihandeaiqinggushishushuodelinlijinzhi，lingrendongrong。tingzhongjiegouyilan：《zhuyue》detingzhongzhong23-30suitingzhongyi35.01%dezhanbichengweizhulitingzhongqunti，31-40suitingzhongdeyi25.58%dezhanbichengweidierzhulijun，gaigequdetingzhongzhong00houtingzhongzhanbiyechao3cheng。yonghuxingbiezhanbi：zhoushenzaichangxianxiaOSTxiyinliaoyonghudeshouting，gaigequyonghubilijiaoweijunheng，nvxingtingzhongzhanbi51.17%luegaoyunanxingtingzhong。tingzhongyinxiang：《zhuyue》shiguzhuangxianxiaaiqingju《yuegexing》dezhutiqu，youzhoushenqingqingyanchang，zhoushenliuchangbushixinideyanyishidegongqinggandadaodingfeng，bansuiguyadejiezouheroumeidexuanlv，daitingzhongganshoujuzhonggushi。qidaizhoushenweilaigeiwomendailaigengduohaodeyinlezuopin！
我(奥辞)定(顿颈苍驳)期(蚕颈)组(窜耻)织(窜丑颈)上(厂丑补苍驳)海(贬补颈)精(闯颈苍驳)英(驰颈苍驳)陪(笔别颈)诊(窜丑别苍)师(厂丑颈)沙(厂丑补)龙(尝辞苍驳)，核(贬别)心(齿颈苍)是(厂丑颈)让(搁补苍驳)会(贬耻颈)员(驰耻补苍)交(闯颈补辞)流(尝颈耻)互(贬耻)动(顿辞苍驳)。现(齿颈补苍)在(窜补颈)已(驰颈)成(颁丑别苍驳)功(骋辞苍驳)举(闯耻)办(叠补苍)了(尝颈补辞)6期(蚕颈)，沙(厂丑补)龙(尝辞苍驳)还(贬耻补苍)组(窜耻)织(窜丑颈)游(驰辞耻)学(齿耻别)过(骋耻辞)。
这10个城市名字你觉得以前的好听，还是现在的好听。首发2023-10-07 23:29·共城搬砖人1、淇县河南淇县是个默默无名的小城市，它在古代可是大名鼎鼎的商朝古都，古称朝歌。2、南京南京古称金陵，南京其实有多达44个名字，我觉得金陵是南京最雅致的名字。南京有“天下文枢”“东南第一学”之称。3、西安西安古称长安，你觉得长安有优雅内涵，还是西安更好听呢？西安是闻名世界的历史名城，与世界著名的罗马、雅典、开罗等古城齐名4、临沂临沂古称琅琊，琅是指似玉的美石，琊亦为象牙。《孙子兵法》、《孙膑兵法》的竹简都出土于此。5、枣庄枣庄古称兰陵，是兰陵王出生的风雅之地。著名的台儿庄战役就发生在这里。6、驻马店驻马店古称汝南，这里是梁祝的故里。有豫州之腹地，天下之最中之称。7、石家庄石家庄古称常山，是赵子龙的故地。现在是我国铁路运输主枢纽城市，被誉为“南北通衢，燕晋咽喉。”8、宝鸡宝鸡是炎帝的老家，古称雍城和陈仓。有青铜器之乡的美誉。9、临漳临漳古称邺城，喜欢三国的朋友都知道这是哪里。享有“三国故地，六朝古都”的美誉。破釜沉舟、曹冲称象、七步成诗、文姬归汉等成语典故均出自于临漳。10、合肥合肥古称庐州，正所谓庐州月光梨花雨凉。14米高的城墙，四层楼。hkpic.net - 搜索 词典
关注赵老师听更多客观解读
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
