创新实训记录9数据预处理可视化数据预处理首先根据数据集生成所需要的年份列表、会议列表、关键词列表。

6-19论文相似度探索创新实训记录8原有论文的相似度计算方法ACM数据集现有数据大概想法（就先试一下）其他想法原有论文的相似度计算方法相同子空间中论文之间的相似性与三种特征相关：①CCS分类的相似度；②reference

6.11-6.13下载数据集+基本概念疑惑解答+相似度计算之Jaccard系数学习关于数据集最初的ACM论文数据集中，包含的数据有论文的ID、标题、摘要、关键字、引用关系、CCS分类，以及论文摘要中句子级别的子空间标记（研究背景、研究问题、贡献、方法、实验）。但是没有论文的year,venue属性，即论文发表的年份和发表的期刊或会议信息，所以需要再去爬取或者直接搜集数据。第一个想法是直接搜集论文数

6.15补充数据集，即找到每篇论文相对应的year、venue、quote数据，以相同的格式（每行对应一篇论文）保存到txt文件中。前两天尝试了从OAG官网下载数据，然后从本地数据集中查找对应的论文，但是发现OAG提供的论文数据量太大，针对每一篇论文去查找速度有些慢。所以转变思路，使用论文检索工具，搜索每一篇论文的题目，然后网址上就会展示论文的各种信息。这里使用的是googlescholar国内镜

创新实训记录6不同年份上论文集的个数（柱状图）数据预处理数据可视化不同年份上论文集的平均引用量、被引用量（柱状图）数据预处理数据可视化不同年份上论文的引用量、被引用量（盒须图）数据预处理数据可视化不同年份上论文集的个数

6-16关系图可视化：①论文引用了哪些论文②论文被哪些论文所引用创新实训记录5数据预处理可视化数据预处理首先需要两个基本的数据，title对应论文标题，id_dic是论文id与索引的对应关系。

6-18不同年份论文集上的数据可视化补充+不同会议论文集上的一点数据可视化创新实训记录7不同年份论文集上的数据可视化补充不同会议论文集上的一点数据可视化数据预处理可视化不同年份论文集上的数据可视化补充昨天是统计了每一个年份对应的论文总数

论文理解1.融合语义规则和情感词典的房产中介评论情感分析摘要：为了降低评论文本情感分析的复杂度，同时提高情感分析的准确率，本文将语义规则和评论中产生的领域相关词典与开源情感词典相融合形成了新的评论情感分析算法，并在房产中介评论数据集上与其它两种算法做了对比实验。实验结果表明：融合语义规则和情感词典的房产中介评论情感分析算法在准确率、召回率和F1值三个指标上均有明显提高，验证了本文提出算法的有效性。

前言由于之前写的所有后端都没有进行过缓存操作，在结合前端已经app调试时，发现本地请求的响应都会很慢，所以现在结合redis对后端的请求进行一次缓存，提高执行的效率关于SpringCache的学习（1）SpringCache简介SpringCache是Spring框架提供的对缓存使用的抽象类，支持多种缓存，比如Redis、EHCache等，集成很方便。同时提供了多种注解来简化缓存的使用，可对方法进

实现输入论文名，查询论文的相关信息：代码：views.py文件：defchoose_detail(request):node=request.POST['node']artical=""author=""abstract=""affiliation=""IndexTerm=""keyword=""inlink=""outlink=""GeneralTerm=""num=0kk=""withopen

本周的主要工作是研究这篇论文，理解其中的风格迁移模型的结构和原理：论文原文https://arxiv.org/pdf/1603.08155v1.pdfstyletransfer是ill-posed的问题，styletransferthereisnosinglecorrectoutput这篇论文：Oneapproachforsolvingimagetransformationtasksistotra

最难的还是train_model.py的编写其实读论文理解起来没有那么难但是用代码实现的话就要好多天，还不能保证没有bug...train.py中最难的还是Lossfunction模块的编写因为这也是论文的创新点，没有代码可以参考train.py中，分成四个模块，定义参数、读入数据模块、loss模块、训练模块各模块代码及注释如下：#######################definethepa

整个四月和五月上半月使用GooLeNet-InceptionV4完成图像多标记功能，该功能的效果是，给定一张图片url，可以产生一系列标签，进一步得，可以利用这些标签来做其他的事情，比如图像检索或者图像匹配等等。学习博客和论文链接、知识总结、心得体会与收获。Paper分别是VGG、Resnet、InceptionV1、InceptionV2、InceptionV3、InceptionV4。最终得到

完成了工程设计和部分代码（model.py）的实现工程项目文件说明：loss_model_ckpt文件夹是存放loss_model的ckpt文件的，具体来说就是VGG_16.ckpt文件nets是存放vgg的网络模型的preprocessing是存放输入到vgg前需要进行的图像预处理代码resImg存放结果图片，也就是转换完成的ImagesrcImg存放原始图片，也就是需要转换的Imagestyl

创新实训第一周：实现AR模型显示和交互（1）下载vuforia到vuforia官网下载扩展包选择DownloadUnityExtension将下载好的包导入到新建的U3D项目中（2）vuforia的简单使用

6.9-6.10阅读并翻译部分参考文献：TrainingClassifierswithNaturalLanguageExplanations参考文献部分翻译阅读了TrainingClassifierswithNaturalLanguageExplanations（用自然语言解释训练分类器），并对于实验之前的部分进行了翻译。参照中文资料：https://baijiahao.baidu.com/s?id=

关于TopBar的设置@color/colorPrimary@color/colorPrimaryDark@color/colorAccent用户登录界面使用LinearLayout自上向下排列。基本流程：1.点击登录按钮2.向服务器发请求3.返回基本信息和token4.本地存储token跳转界面用户注册界面使用RelativeLayout，上方是固定的topbar，下面是主要的内容，用线性布局。

博客搜索页面布局说明：1.顶栏中放置搜索框和搜索按钮，输入内容点击搜索后向后端发起请求并且进行搜索2.下方是筛选按钮，可以搜索博客、标签或者博主3.然后是顺序筛选，可以选择按照时间顺序或者热度顺序4.最下面是相应的搜索结果列表关于如何设置颜色的变化：funsetTabClickListener(){valtab_1:TextView=findViewById(R.id.search_type_1)

山东大学项目实训今天完成了数据库的写入主要使用了mysql数据库创建数据库再flak完成数据库的接入fromcrawlerimporttoutiaoimportpymysqldb=pymysql.connect(host="localhost",port=3308,user="root",passwd="",database="toutiao")cursor=db.cursor()deftest(

前言昨天在本地装好了ELK的环境，今天准备将mysql的数据用logstash导入Elasticsearch，然后在springboot项目中实现博客的检索功能。安装logstash-input-jdbc要想导入Mysql的数据到Elasticsearch，需要安装插件——logstash-input-jdbc。Elasticsearch、logstash下载地址：https://www.elas

湖南科技大学计算机科学与工程学院综合实践能力创新实训-安卓开发课程设计报告题目：新闻客户端学号：17050103XX姓名：九岁ya完成时间：2019年12月15日安卓开发-新闻客户端1.设计要求1.1技术平台要求

用户管理列表1.界面总览2.搜索用户顶部搜索框，可以输入用户名来进行匹配查找。3.添加/编辑用户和前端注册以及APP注册一样，只有基本信息。博客管理列表1.界面总览2.搜索博客默认是根据时间顺序显示博客。虽然是分页的形式，但是很多博客还是不好找。所以会有一个搜索的操作，输入关键词向后端发请求，返回前端带有关键词的博客列表。3.添加/编辑博客添加博客就是一个简单的表单，管理员可以输入博客的各种基本的

前言到目前为止，我实现了基于流行度和新鲜度的推荐算法/基于文本相似度的推荐/用户协同过滤推荐/分类（标签）协同过滤推荐。我们需要将其整合到一个Util中，方便调用。推荐算法的整合/***文章推荐的接口*可以有很多推荐算法分别实现这个接口，以便于我们后面切换推荐算法或者同时使用多个推荐算法*接口里面的基本方法在设计中，还没有定型，可以根据需要或者实际情况修改*用户id也许可以用用户名，但是看实际情况

今天研究了一下午bootstrap扩展的文件上传控件，因为实在忍受不了默认无样式的文件上传。效果如图：是不是感觉瞬间高大上了很多，而且上传后的文件可以进行在线浏览，全屏播放：不要着急，下面附上具体实现过程。1.首先是插件。具体的插件和example可以从https://www.cnblogs.com/parker-yu/p/7207071.html下载2.然后是form表单下载并引用了相应文件后，

在创新实训进行的第一周中，小组四人在4月1日上午进行集体会议，并在下午于图书馆一楼一起搭建环境进行初步的学习。

本周的主要工作是改善训练好的模型在使用过程中的表现。目前遇到的问题主要有以下两点：模型垂直方向预测不够准确，出现漂移模型在使用过程中会有较为严重的抖动现象本周主要解决的是第一个问题解决思路主要分为以下两种：将模型一分为二，采用专门的模型预测水平方向和专门的模型预测垂直方向在竖直方向上对视线位置进行分层离散处理对于第一种方法，在修改模型结构并训练后在实际测试中效果并没有明显的改善，因此将重点放到了第

在经过之前几次模型的尝试后，我们最终选用了如下的模型结构作为我们最终的选择方案，之前的训练过程我们都是在小规模300个训练数据上进行的尝试，这一次在该模型上我们使用自制的规模稍大的数据集（四个人6000个训练数据）进行了模型的训练。效果如下

本周的主要工作为工程性上的工作：完成网页注册登录模块的前后端。主要内容为：实现注册登录功能实现验证码验证功能注册邮箱验证部分其中验证码部分的实现为随机在预设的列表中选择一个字符已经相应的字体、背景颜色，循环四次，之后这四个图片进行拼接。然后存储下随机选出的字符，等待用户提交后进行比对。完成的页面如下图所示：html代码系统登录-->Ctrl_I用户登录用户名:密码:验证码:注册账号html,bod

在上周对简单的模型和复杂模型进行了简单的初步对比后，本周工作内容为在复杂模型上进行结构调整，试图寻找到比简单模型更好的模型结构。主要尝试的调整包括以下四个方面的内容：不使用眼部图像，单独使用脸部图像和眼睛相对于的屏幕的信息构建网络在复杂模型基础上，减少脸部特征的提取数量（一层卷积）在复杂模型上减少脸部图像卷积后的全连接层（一层全连接）在获取所有特征后只经过一层全连接输出因为代码部分相似，这里就不进

本周工作内容依然是继续调整模型结构，试图优化结果。在上周设计完成新的数据集，并在本周进行了数据的采集之后，我们在初步数据集上对两个新的模型进行了尝试。一个是减少特征，只有一层卷积、一层池化、一层全连接结构的简单模型；一个是增加特征，包括脸部卷积、池化、全连接，眼睛部位卷积、池化、全连接以及总的全连接等结构的复杂模型。相关代码如下简单模型#!/usr/bin/envpython3#-*-coding

因为在之前的数据集上，采用cnn的方法训练效果一直不是很理想，而且原始的数据集也只提供了眼睛部位标准化后的数据和相关的初识数据，缺少我们想得到的人的整张脸等信息。而且对于正在申请的另外一个包含人脸信息的数据集也迟迟没有得到回复，因此我们尝试打算自制数据集进行训练。数据集制作过程说来也简单：启动笔记本的摄像头，采用之前的clmtrackr.js库实现人脸的检测，并且分割出人眼图像位置，然后将采集到的

经过前几次的努力，基本上确定了最终的眼球追踪模型的方向，所以这一周工作重心开始转向其他模块，包括情绪分析、手势识别等。以及工程的实现。我这周负责的任务主要是手势模块，重点核心的功能是通过手势来实现翻页（包括上下移动，左右翻页等）因为我们的应用主要以实现交互为主，所以对于手势，只要能够实现简单的一些操作即可，目的是在一些不方便使用鼠标键盘操作的情况下实现简单的阅读交互。因为情绪分析识别和视线追踪都会

本周主要工作主要包括以下两个方面：论文阅读，寻找新实现方法现有模型的调整和改进在新读的EyeTrackingforEveryone这篇论文中，作者通过cnns的训练实现了在手机和平板上的视线追踪功能，而且误差在1cm左右，精度较高。而且对比于之前看的论文（Appearance-BasedGazeEstimationintheWild）中需要坐标系变换和摄像头位置等参数进行图像的预处理等步骤，新阅读

1.原模型缺点分析在之前的工作中训练出了一个基本模型，具体请见：https://blog.csdn.net/Jemary_/article/details/88912345但是在继续深入过程中，发现了如下问题：1.1数据集过于复杂在之前工作中主要是根据第二篇的博客：Appearance-BasedGazeEstimationintheWild作出的基本模型并进行了训练，最终准确度虽然也还基本可以满

本周的主要任务是利用cnn完成视线追踪模型的初步训练，根据论文Appearance-BasedGazeEstimationintheWild中的实现方法（如下图），我们本周在未进行图像处理的前提下，通过将眼部图像直接喂入cnn进行了初步的训练。训练采用的数据集为论文中提供的MPIIGaze数据集，在直接使用眼睛图像训练过程中只采用了数据集中左眼的数据进行训练，首先根据论文提供的公式，完成三维坐标到

摘要：这篇文章提供了MPIIGaze数据集，其中包含从15位参与者收集的213,659张图片，均在超过三个月的日常笔记本电脑使用期间采集的。在外观和光照方面，该数据集比现有数据集更具可变性。文中还提出了一种使用多模式卷积神经网络进行基于外观的视线估计的方法，该方法在最具挑战性的跨数据集评估中明显优于最先进的方法（2015CVPR）相比之前的一些数据集的采集条件较为严格，眼睛外观的可变性有限，并且假

本周的主要任务为学习使用clmtrackr.js，使用js进行简单的人脸检测和相关部位的提取。clmtrackr是一个javascript库，用于将面部模型拟合到视频或图像中的面部，并实现纯js的人脸检测，并且clmtrackr跟踪一个面部并按照下面模型的编号将面部模型的坐标位置输出为数组通过该js库能实现的功能主要包括以下几个方面：跟踪图像跟踪视频面部替换面部遮蔽实时面部变形表情检测漫画在本次的

1.安装python默认python版本是2.7.5，所以不需要安装2.安装lua5.1wgethttp://www.lua.org/ftp/lua-5.1.tar.gztar-xzvflua-5.1.tar.gzcdlua-5.1makelinuxmakeinstall3.安装luarocks（不必须，因为装torch会自动安装luarocks）wget http://keplerproject

本次项目创新实训我作为移动端的开发成员参与，收获了很多。虽然一边实习一边做项目，时间比较紧张，但是还是完成了所需的功能，完成了一个比较满意的项目。

完成了整个项目在自己电脑上的部署和图像检索模块页面的编写。部署的细节不一一赘述了，下面放上图像检索模块页面的部分代码。无标题文档0){$path1="retrieval/user.jpg";if($_GET['c']==1){}elseif($_GET['c']==2){$path2="retrieval/ori.jpg";}elseif($_GET['c']==3){$path2="retrie

完成了整个项目在自己电脑上的部署和图像检索模块页面的编写。部署的细节不一一赘述了，下面放上图像检索模块页面的部分代码。无标题文档0){$path1="retrieval/user.jpg";if($_GET['c']==1){}elseif($_GET['c']==2){$path2="retrieval/ori.jpg";}elseif($_GET['c']==3){$path2="retrie

基于上周的工作，我继续研究了第五种算法：全局LBP算法。对一张图像中的每个像素，计算其相邻的八个像素与它的像素值比较，得到一个0和1组成八位的码；这个码可以表达局部特征。那么这个码值的取值有2的八次方即256中选择，可以组成一个256个bin的直方图。使得我们可以使用基于直方图的相似度度量方法来衡量lbp下两张图片的相似度。stringTexture_global_LBP(intsrcPicNum

基于上周的工作，我继续研究了三种图像检索方法。第三种方法是大津法，通过确定灰度图阈值，对灰度图上的像素实现前景/背景的二分类，对于这个二分类的结果行程一个0或1组成的指纹。核心代码如下：intRetrieval_Color_otsu(){ifstreamin;in.open("color_otsu.txt",ios::in);if(in.fail())return-1;stringotsu=Col

基于上周的工作，我继续研究了三种图像检索方法。第三种方法是大津法，通过确定灰度图阈值，对灰度图上的像素实现前景/背景的二分类，对于这个二分类的结果行程一个0或1组成的指纹。核心代码如下：intRetrieval_Color_otsu(){ifstreamin;in.open("color_otsu.txt",ios::in);if(in.fail())return-1;stringotsu=Col

对于我们的风格迁移社区网站，为了加强用户的社区感，我们希望做一个新的功能：用户行为匹配。也就是用户可以根据他想上传的一张图片，从其他用户的图片库中检索出一张与这个图片在颜色和纹理上比较相似的图片，并得到该相似图片的用户信息、用户风格迁移历史等。这个系统中比较核心的部分是图像检索模块：如何匹配图片的相似度。为此，我研究了数种基于内容的图像检索方法：首先通过查询相关资料，了解了感知哈希算法的相关知识。

上周完成的代码在一些图片上的效果相当好，比如：但由于天空分割算法有一些简单和局限，因此出现了一些分割的不好的情况，比如：因此，我觉得有必要在得到mask之后就进行一次判断，判断该mask是否过于参差不齐，也就是每一列最纵深的一个像素行程的序列的跳跃程度不能太大。当然，这种跳跃的高度和出现跳跃现象的次数，都要和原图的宽和高进行对比，得到的比率才是一个衡量标准。我衡量了十几张处理不好的图片，用gap_

基于上周的实验结果，我想到了新的方法：在分界面的三行像素上均值滤波。实验代码如下：maxd=[]forjinrange(0,cols):maxd.append(0)foriinrange(0,rows):forkinrange(0,channels):show[i,j,k]=ori[i,j,k]if(mask[i,j]widandd255):val=255show[j,i,k]=val#if(k!

对于水墨风格的图片，如果直接迁移，会出现灰蒙蒙的天空，不符合传统水墨画的“留白”效果。因此，我们决定加上天空分割算法，对图片进行后处理，实现天空部分的“留白”。经过天空的分类算法之后，得到的原始二值图如下：（以单张图片为例）分割面过于凌乱，不适合直接处理，因此，使用形态学滤波中的开闭运算对图像进行处理，代码如下：kernel=np.ones((7,7),np.uint8)image=cv2.mor

这周我的工作主要负责封装风格迁移网络对于外界的接口，经过一周的训练，我们已经得到了七种风格的网络模型，分别保存在ckpt文件当中。首先判断用户选择的风格样式，然后调用相应的tensorflow调用相关的网络模型，将用户传入的图片经过迁移、保存，返回给用户。主要代码如下：defmain(argv):os.environ['TF_CPP_MIN_LOG_LEVEL']='2'style=argv[1]

eval_model.py可以参考train_model.py编写，因此差不多大体思路就是：1.读入图片并进行预处理2.从保存的风格ckpt文件中恢复模型权重（注意不需要vgg）3.将图片tensor输入到net中，得到转换后的image并保存代码及注释：#coding:utf-8from__future__importprint_functionimporttensorflowastffromp