摘要：
一、操作系统的功能 操作系统位于计算机用户与计算机硬件之间。操作系统的目的时提供操作环境，以便用户能够便捷而高效地执行程序。同时，操作系统时管理计算机硬件的软件。 从用户视角来看，操作系统设计的主要目的是用户使用方便，次要的是性能，不在乎的是资源利用。当然，性能对用户来说也重要，不过这种系统优化的重 阅读全文
摘要：
Cache等存储系统请参考：存储系统学习(上)。 一、虚拟存储器 冯诺依曼计算机的工作原理是存储程序和程序控制。那么，如果程序比主存容量大该怎么运行呢？于是，虚拟存储器的概念被提出来。利用主存-辅存存储层次，解决主存容量不足的问题，为程序设计者提供比主存空间大的编程空间。常见的虚拟存储器划分为：页式 阅读全文
摘要：
一、程序的运行 冯诺依曼机的运行大致可分为两个步骤，存储程序和程序控制。具体而言，可分为以下步骤： （1）输入设备将程序与数据写入内存； （2）CPU取指令； （3）CPU执行指令期间读数据； （4）CPU写回运算结果； （5）输出设备输出结果。 二、存储系统层次结构 由于CPU和主存的运行速度相差 阅读全文
摘要：
问题： 度量学习中的优化问题，移动方向。研究现状： 从本质上讲，学习度量空间可以简化为找到一个嵌入空间，从而使同一类别/类别的样本（正样本）相互映射到彼此接近的点，同时确保根据定义的距离度量的某些概念最大程度地分离不同类别的样本（负样本）为空间。 从本质上讲，以往的所有方法都是设计一种好的采样策略或者优化损失函数。然而，优化方向还没有人考虑过。仅将负样本沿所考虑的当前样本（锚）最远的方向推动... 阅读全文
摘要：
1.主要问题 基于图的半监督分类，图嵌入+度量学习 2.研究现状 在半监督学习（SSL）中，少量标记的样本与相对大量的未标记样本一起用于分类。在现有的半监督学习模型中，基于图的方法（例如图卷积网络和标签传播）已被证明是半监督分类的最有效方法之一，因为它们能够利用标记和未标记样本之间的连通性模式改善分 阅读全文
【论文笔记】：2020-TMM-Deep Manifold-to-Manifold Transforming Network for Skeleton-Based Action Recognition
摘要：
问题： 基于骨架的动作识别，深度流形-流形网络。 研究现状总结： 为了处理基于奇异值分解矩阵表示的动作识别，需要对黎曼流形进行特征学习和降维，以降低奇异值分解运算中的计算成本，同时提高识别性能。然而，标准的特征学习或欧氏空间中的降维操作，例如卷积、递归单元和激活函数，不能直接使用，因为它们可能破坏黎 阅读全文
摘要：
论文链接：PREDICT & CLUSTER: Unsupervised Skeleton Based Action Recognition (thecvf.com) 代码链接：shlizee/Predict-Cluster: Repository for PREDICT & CLUSTER: Un 阅读全文
【阅读笔记】：2020-TMM-A Cuboid CNN Model With an Attention Mechanism for skeleton-based action recognition
摘要：
问题： 基于骨架的动作识别，CNN提特征。 研究现状总结： 虽然基于手工特征的动作识别方法的性能通常非常好，但是这些方法具有固有的局限性，尤其是特征很浅。深度学习提供了一种获得高容量表示的方法。例如，递归神经网络(RNN) 和长短期记忆(LSTM)适用于通过有效提取时间信息和在不同关节处找到关键信息 阅读全文
摘要：
问题： 深度度量学习，损失函数设计。 研究现状总结： 深度度量学习中的一个关键问题是损失函数设计。已经提出了多种损失函数，例如contrastive loss , binomial deviance loss , margin loss , lifted-structure (LS) loss , 阅读全文
摘要：
问题：度量学习中的优化问题，移动方向。研究现状：从本质上讲，学习度量空间可以简化为找到一个嵌入空间，从而使同一类别/类别的样本（正样本）相互映射到彼此接近的点，同时确保根据定义的距离度量的某些概念最大程度地分离不同类别的样本（负样本）为空间。从本质上讲，以往的所有方法都是设计一种好的采样策略或者优化 阅读全文