安装putty点击key生成器

单随机变量传递

考虑到随机变量$X:\Omega \rightarrow \mathbb{R}$, $g: \mathbb{R}\rightarrow \mathbb{R}$是一个波莱尔可测函数。于是我们得到了$Y = g(X)$，我们要计算$Y$的分布。我们通过CDF$F_X(x)$来计算$F_Y(y)$
$$
F_Y(Y) = \mathbb{P}(g(X)\le y) = \mathbb{P}({\omega |g(X(\omega))\le y})
$$
设$\mathbf{B}_y$ 是满足$g(x)\le y$的所有的$x$的set，所以我们能得到$F_Y(y) = \mathbb{P}_X(B_y )$

首先更新一下

1
2
3
4
5
6
7
8
9
10
11
12
13

sudo apt-get update
sudo apt-get upgrade
``` 
然后安装图形界面
``` 
sudo apt-get install vnc4server
sudo apt-get install xfce4
``` 
然后输入
``` 
vncserver :1
``` 
输入密码

1

然后关闭进程并修改文件

vncserver -kill :1
sudo vim ~/.vnc/xstartup

1

添加

sesion-manager & xfdesktop & xfce4-panel &
xfce4-menu-plugin &
xfsettingsd &
xfconfd &
xfwm4 &

1
2
3

然后再修改谷歌云的防火墙规则,允许5901-5908端口tcp,
![tcp](https://i.imgur.com/wZPmA64.png)
启动

vncserver -geometry 1440x1080 :1

```

分辨率自定 然后在VNC viewer上输入
外部ip:5901

简介

• particle flow 通过解偏微分方程解决 weight degeneracy。
• particle flow 采用的近似，所以后验不正确。
• 通过可逆映射（invertible mapping）高效计算权重。
  Read more »

Today, I wanna talk about the particle flow filter (or Daum Huang filter), which is proposed by Fred Daum and Jim Huang. A series of the particle flow filter has been published in two decades. As Daum etc. provide the main idea of the particle flow, their papers are the majority of the whole publications in this area. Sometimes, for beginners, it is hard to find where to start their study. I will present the Daum et al. main works by the year. The important works would be given a start before their title. As this list is based on my limited knowledge, there may be some mistakes and I may lose something. If you find any mistake, I hope you can tell me, please.

起因

因为写博客需要图床，所以一开始我用知乎做图床，没想到知乎对外链管的很严，图片换了IP加载不出来，所以采用了七牛图床。 建议直接使用 Markdown Preview Enhanced。

Multitarget tracking (MTT) 多目标跟踪一直是一个热点话题，这个问题已经都50年了，但是一直得不到一个很好的解决，在图像跟踪上，大家可能比较熟悉相关滤波，我们今天从另一个角度去思考这个问题，多目标跟踪是单目标的复杂形式，但是问题就变成了如何处理，检测丢失，噪点，初始位置不清和target的增减等问题，注意这里讨论的问题不仅仅是图像领域而是一种很通用的MTT问题，比如传感器网络等。

强度模型下的伯努利粒子滤波：

输入： 存在概率 $\varphi$, ${\omega^i_{k-1},\mathbf{m}^i_{k-1}}^{N+N_B}_{i=1}$, $\mathbf{z}_k$

到目前为止，我们对传感器测量做出了两个假设。首先，每个测量都是测量空间中的一个点。第二，点测量的似然函数，是已知的。尽管这两个假设是普遍存在的，但在许多科学和工程领域，它们可能是不现实的。例如，一种自然的语言陈述，例如“球在球场的中心附近”，是一个关于兴趣对象（球）的非点测量。这个语句可以被翻译成一个“度量”，它涵盖了“场中心”周围的一个区域（一个区域），它由一个无穷多的点组成。这种，不精确的似然函数在实践中也很常见。

R-CNN

R-CNN (Girshick et al., 2014) 是 “Region-based Convolutional Neural Networks”的简称，主要分两步：
1，通过选择性搜索，选择出一堆bounding-box，这就是疑似目标（ROI or “region of interest”）。
2，采用CNN的特征对每个区域独立分类。