Colección de citas famosas - Colección de máximas - Pero ¿qué modismos se pueden formar?
Pero ¿qué modismos se pueden formar?
Pero no busques faltas
Pinyin: dàn qiú wú guò
Explicación: Pero: sólo, siempre y cuando Guo: incorrecto. No hay ningún defecto en perseguir únicamente. Describe ser conservador y mediocre al hacer las cosas y tener miedo de cometer errores.
Fuente: "Oposición al liberalismo" de Mao Zedong: "Es mejor decir menos cuando sabes que algo anda mal; protegerte sabiamente, pero tratar de no hacer nada malo". p>Ejemplo: Muchas personas tienen la creencia de que no buscan mérito, ~idea.
Gramática: se usa como predicado; se refiere a que las personas son conservadoras
Eso espero
Pinyin: dàn yuàn rú cǐ
Explicación : Eso espero . Mostrar más dudas.
Fuente: Tao Qian de la dinastía Jin, "Arroz temprano cosechado en el campo occidental a mediados de septiembre del año Gengxu": "Espero que dure así y no es lamentable trabajar duro."
Ejemplo: ~, todavía tenemos que trabajar duro.
Gramática: usada como predicados y cláusulas; se refiere así
Sin buscar mérito, pero sin culpa
Pinyin: bù qiú yǒu gōng, dàn qiú wú guò
Explicación: No requiere servicio meritorio, solo espera que no haya errores.
Fuente: Capítulo 2 de "China Now": "En una palabra, en la situación actual, no busco mérito, pero no busco culpa".
Ejemplo: ~Sí La encarnación de la inacción.
Sinónimos: salir del paso
Gramática: utilizada como predicados y cláusulas que describen estar dispuesto a no hacer nada
上篇: ¿Dónde vive Fu Minxiao? 下篇: ¿Qué es el reconocimiento facial? El reconocimiento facial se refiere a la tecnología informática que realiza la autenticación de identidad analizando y comparando información de los rasgos visuales faciales. El reconocimiento facial es un campo de investigación candente en tecnología informática. Pertenece a la tecnología biométrica y utiliza características biológicas para distinguir individuos y organismos. El reconocimiento facial ampliamente definido en realidad incluye una serie de tecnologías relacionadas para construir un sistema de reconocimiento facial, incluida la recopilación de imágenes faciales, el posicionamiento facial, el preprocesamiento del reconocimiento facial, la confirmación de identidad y la búsqueda de identidad. El reconocimiento facial en un sentido estricto se refiere a la tecnología o sistema para la confirmación de identidad o la búsqueda de identidad a través de rostros. Las características biométricas estudiadas por la tecnología biométrica incluyen la cara, la huella dactilar, la huella de la palma, el iris, la retina, las venas, la voz (voz), la forma del cuerpo, el espectro de temperatura infrarroja, la forma de la oreja, el olfato, los hábitos personales (como la fuerza y frecuencia de escritura, la firma, la forma de andar). ), etc. Las tecnologías de reconocimiento correspondientes incluyen reconocimiento facial, reconocimiento de huellas dactilares, reconocimiento de huellas dactilares, reconocimiento de iris y reconocimiento de retina. Características geométricas de los métodos de reconocimiento facial Las características geométricas pueden ser la forma de los ojos, la nariz, la boca, etc. y las relaciones geométricas entre ellos (como la distancia entre ellos). Estos algoritmos tienen una velocidad de reconocimiento rápida y poca memoria, pero una tasa de reconocimiento baja. Método de reconocimiento facial basado en cara propia (PCA) El método de cara propia es un método de reconocimiento facial basado en la transformada KL, que es una transformación ortogonal óptima para la compresión de imágenes. El espacio de imagen de alta dimensión después de la transformación KL obtiene un nuevo conjunto de bases ortogonales, conserva bases ortogonales importantes y puede transformarse en un espacio lineal de baja dimensión. Si se supone que las proyecciones de rostros humanos en estos espacios lineales de baja dimensión son separables, estas proyecciones se pueden utilizar como vectores propios para el reconocimiento, que es la idea básica del método de rostros propios. Estos métodos requieren más muestras de entrenamiento y se basan completamente en las propiedades estadísticas de la imagen en escala de grises. Actualmente existen algunos métodos de cara propia mejorados. La entrada de la red neuronal puede ser una imagen de un rostro con resolución reducida, la función de autocorrelación del área local, el segundo momento de la textura local, etc. Este método también requiere más muestras para el entrenamiento y, en muchas aplicaciones, la cantidad de muestras es muy limitada. Método de reconocimiento facial basado en la coincidencia de gráficos elásticos El método de coincidencia de gráficos elásticos define una distancia que es invariante a las deformaciones faciales comunes en un espacio bidimensional y utiliza un mapa de topología de atributos para representar la cara. Cualquier vértice del gráfico topológico contiene un vector de características para registrar la información de la cara cerca de la posición del vértice. Este método combina características de escala de grises y factores geométricos, lo que permite que las imágenes se deformen elásticamente al compararlas, logrando buenos resultados para superar el impacto de los cambios de expresión en el reconocimiento y eliminando al mismo tiempo la necesidad de entrenar múltiples muestras para una sola persona. La investigación psicológica sobre los métodos de reconocimiento facial basados en la distancia de Hausdorff del segmento de línea (LHD) muestra que la velocidad y precisión del reconocimiento humano de imágenes de contorno (como los cómics) no es peor que el reconocimiento de imágenes en escala de grises. LHD se basa en un mapa de líneas extraído de una imagen en escala de grises de una cara, que define la distancia entre dos conjuntos de segmentos de línea. La diferencia es que LHD no establece una correspondencia uno a uno entre segmentos de línea en diferentes conjuntos de segmentos de línea, por lo que es más adecuado para pequeños cambios entre dibujos de segmentos de línea. Los resultados experimentales muestran que LHD tiene buenos efectos de reconocimiento en diferentes condiciones de iluminación y diferentes posturas, pero el efecto de reconocimiento no es bueno en expresiones grandes. Método de reconocimiento facial de la máquina de vectores de soporte (SVM) En los últimos años, la máquina de vectores de soporte (SVM) es un nuevo punto caliente en el campo del reconocimiento de patrones estadísticos. Intenta hacer que la máquina de aprendizaje comprometa el riesgo de la experiencia y la capacidad de generalización, mejorando así la capacidad de generalización. Rendimiento de la máquina de aprendizaje. La máquina de vectores de soporte resuelve principalmente un problema de clasificación 2. Su idea básica es intentar transformar un problema linealmente inseparable de baja dimensión en un problema linealmente separable de alta dimensión. Por lo general, los resultados experimentales muestran que SVM tiene una buena tasa de reconocimiento, pero requiere una gran cantidad de muestras de entrenamiento (300 por clase), lo que a menudo no es realista en aplicaciones prácticas. Además, el tiempo de entrenamiento de la máquina de vectores de soporte es largo, la implementación del método es compleja y no existe una teoría unificada para el método de función del núcleo. Nueva tecnología de reconocimiento facial La tecnología tradicional de reconocimiento facial se basa principalmente en imágenes de luz visible, que también es el método de reconocimiento más familiar y se ha desarrollado durante más de 30 años. Sin embargo, este método tiene fallas insuperables, especialmente cuando cambia la iluminación ambiental, el efecto de reconocimiento disminuirá drásticamente y no podrá satisfacer las necesidades del sistema real. Para resolver el problema de la iluminación, existen el reconocimiento facial con imágenes tridimensionales y el reconocimiento facial con imágenes térmicas. Pero en la actualidad, estas dos tecnologías están lejos de estar maduras y los resultados del reconocimiento no son satisfactorios. Recientemente, una solución en rápido desarrollo es la tecnología de reconocimiento facial con fuentes de luz múltiples basada en imágenes activas del infrarrojo cercano. Puede superar los efectos de los cambios de luz y lograr un excelente rendimiento de reconocimiento. El rendimiento general del sistema en términos de precisión, estabilidad y velocidad supera al del reconocimiento facial de imágenes en 3D.