研究

一种不依赖重型 WebGL 的技术页面轻量视觉语言。

语言模型的重要意义，有哪些语言模型 unigram bigram计算。

一、简答（40’，每个8’） 1. HMM和BMM方法的定义，以及两者的主要区别。

语言模型是什么？有什么常见的语言模型？ 简单计算 unigram, bigram。

Bi-directional MM: 双向最大匹配算法。

NLP中关于「词义」的主题笔记。

NLP中关于「机器翻译」的主题笔记。

计算机视觉的课程笔记，按主题、章节与习题整理。

系统整理图像滤波、特征提取、分割、几何与深度学习等计算机视觉核心主题。

围绕二维卷积、互相关和滤波复杂度展开的理论推导与图像处理实验。

Inside-Outside（内外）算法的问题 计算速度慢 每次迭代的时间复杂度为 ，其中 ， 表示文法中非终结符的数量。 容易陷入局部最优 Charniak 指出，在每一次试验中，算法往往会收敛到不同的局部最大值。

自然语言处理中的格语法与语义角色标注主题索引。

{pages/NLP/23年} {pages/NLP/24年} {pages/NLP/25年}。

面向任务的人机交互, 大概由什么样的内容组合 (1) 人际交流是人类社会的一个主要特征, 是推动人类社会向前发展的重要动力 (2) 自然语言是人际交流的主要工具之一 (3) 对话是使用自然语言进行人际交流的主要方式之一。

昇腾开发板的课程笔记，按主题、章节与习题整理。

1. 掌握图像的参数化几何变换原理 2. 掌握图像的前向变换与逆向变换 3. 掌握图像的下抽样原理以及图像的内插方法原理 4. 掌握图像的高斯金字塔与拉普拉斯金字塔表示原理 前向变换: ; 存在问题 不一定是整数 逆向变换: ; 存在问题 不一定可逆. 且逆变换也不一定是整数。

1. 计算基于高斯一阶微分的图像梯度（幅值图与方向图）, 分析高斯方差对图像梯度的影响。

软件: 华谷动力相机驱动, python (环境如下)。

以 的检测窗口为例, cell 大小为 , block 为 , 则窗口内 HOG 特征维度为。

从离散信号与卷积出发，整理均值、中值、高斯、可分离和双边滤波的基本方法。

NLP中关于「文本分类」的主题笔记。

NLP中关于「信息检索」的主题笔记。

目标: 给定词串 , 计算概率 , 表示这个词序列在自然语言中出现的概率 (合理性)。

几何变换 为什么需要缩放? 远处的物体看起来小，近处的物体看起来大 需要识别不同尺度的物体（尺度不变性） 将图像调整到相同大小有助于识别。

NLP的课程笔记，按主题、章节与习题整理。

Kaggle / 天池 / CCF 相关竞赛 常用公开数据集导航 比赛报名与准备建议。

关于「研究方向与选题」的课程笔记。

conda/venv 环境管理 Jupyter / VSCode / 远程开发 实验追踪（如 TensorBoard / W&B）。

张量与自动求导 数据集与 DataLoader 训练循环模板 实验记录与可复现配置。