C++ Network Programming, Volume 2: Systematic Reuse with ACE and Frameworks，英文版。C++ In-Depth系列丛书之一，C++网络程序员必备。包含chm和从其转换的pdf版。

SMPTE 2086-2018标准全称为“Mastering Display Color Volume Metadata Supporting High Luminance and Wide Color Gamut Images”，其主要定义和规范了在高清及超高清内容制作中，如何对显示器的色彩体积进行编码和管理。为了深入理解该标准，我们需要从以下几个方面进行详细介绍。 SMPTE（美国电影电视工程师协会）是一个全球认可的标准开发组织，总部位于美国纽约州的White Plains，其成员遍布全球六大洲的80多个国家。SMPTE通过其技术委员会来准备工程文件，这些文件包括标准、推荐实践和工程指南。SMPTE与ISO、IEC和ITU等其他标准制定组织密切合作，制定的工程文件严格遵循SMPTE的标准操作手册。 SMPTE 2086-2018标准是2014年SMPTE 2086标准的修订版，修订版的目的在于更新和扩展对高亮度和宽色域图像的显示设备色彩体积元数据的支持。该标准提供了一套元数据集，用以描述和规范显示设备在显示高亮度和宽色域内容时需要遵循的色彩特性。这些特性对于确保图像在不同设备间的一致性和色彩准确性至关重要。 标准的前言部分提到，标准文档的创作工作由SMPTE的技术委员会10E负责。在标准发布时，SMPTE没有收到任何有关实施该工程文件所必需的专利权的通知，但是文档中可能包含某些部分属于专利权的范围，SMPTE并不负责识别这些专利权。 标准的介绍部分是完全提供信息性的，并不构成工程文件不可分割的部分。内容的制作过程开始于创意人才（导演/摄影师）的工作，他们在拍摄和制作过程中定义了图像的美学属性。随后，图像必须经过一系列后期制作处理，包括调色和色彩分级，最终转换为可交付给分发系统和显示系统的格式。SMPTE 2086-2018标准的目标就是为这一系列后期制作步骤提供色彩管理的规范。 标准中的主要内容包括： - 范围：定义标准的应用范围和目的。 - 符合性注释：规定如何评估符合该标准的程度。 - 规范性参考：列出该标准所依赖的其他相关标准。 - 术语和定义：对标准中使用到的专业术语进行解释。 - 元数据：说明了图像色彩管理所需的关键信息。 - 元数据集：构成图像色彩体积描述的一组参数。 - 数值范围：元数据中各个参数允许的值的范围。 - xy色度坐标：描述显示设备色彩再现的色度值。 - 显示原色：定义显示设备显示色彩时所用的基本色彩。 - 白点色度：指定了显示设备中白色点的具体色彩值。 - 最大显示主控亮度：指明显示设备能够达到的最大亮度。 - 最小显示主控亮度：指明显示设备能达到的最小亮度。 标准还包含了附件A和参考资料，其中参考资料部分提供有关如何处理超出规范值范围的使用情况。这些内容对于理解如何在实际环境中应用这些元数据来达到正确的色彩再现至关重要。 SMPTE 2086-2018标准为数字电影和电视行业提供了一个框架，用于确保在高动态范围（HDR）和宽色域内容制作中色彩的准确传递和重现。通过详细规范显示设备的色彩特性，该标准为制作高质量视觉内容提供了一个参考基础，有助于在整个行业内实现色彩的一致性和可靠性。

2D体积纹理切片

DODAF Version 2.0 volume II(中文)

Deep Belief Nets in C++ and CUDA C Volume 2 Autoencoding in the Complex Domain 英文epub 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Predicting the Deposited Sediment Volume Case Study Roseires Reservoir ，Anwar Adam，Ahmed Mohammed Osman，The calculation of the deposited sediment volume is one of the most important tasks in river engineering. The task is particularly difficult because a number of complex physical p

### 相似性基础方法（基于《Learning from Data》第6章） 在深入探讨相似性基础方法之前，我们首先简要回顾一下林轩田教授在《机器学习基石》与《机器学习技法》中所提到的一些核心概念。这些书籍是学习机器学习领域的经典教材，为读者提供了坚实的理论基础和技术实践指南。 #### 一、相似性基础方法概述 **相似性基础方法**是一种直观的学习策略，它通过比较待分类对象与已有数据集中的对象之间的相似度来进行分类或预测。这种方法简单而有效，尤其适用于那些难以用传统统计模型处理的情况。 例如，在描述中提到的一个5岁小男孩将一个从未见过的生物——半人马，根据其特征与他已知的人类和马进行比较，从而做出了一种合理的分类。这个例子很好地展示了人们如何在日常生活中利用相似性来进行判断和决策。 #### 二、相似性的量化 在实际应用中，我们需要将这种直观的方法转化为一种可以量化的技术框架，以便计算机能够执行。为此，本章节重点讨论了如何量化相似性，并提出了一系列重要的概念和技巧。 ##### 2.1 相似性的定义 - **定义**：相似性是指两个对象之间的相似程度。为了实现这一点，首先需要定义一个合适的相似性度量标准。 - **挑战**：找到一个既能反映对象之间的真实相似度，又适合计算的度量标准并不容易。比如，对于图像中的数字“9”和“6”，直观上看它们非常不同，但如果仅通过像素值来衡量，则可能会得到相反的结果。 ##### 2.2 相似性度量 - **常用度量方法**： - **欧几里得距离**：最常用的度量方式之一，适用于数值型数据。 - **余弦相似度**：适用于文本数据和高维稀疏向量。 - **Jaccard相似系数**：适用于集合类型的数据。 - **预处理步骤**： - **中心化**：移除均值，使每个特征具有零均值。 - **轴对齐**：确保特征在同一尺度上进行比较。 - **归一化**：将特征缩放到同一范围，如[0, 1]区间内。 ##### 2.3 最近邻规则 - **定义**：最近邻规则是最基本的相似性基础方法之一，其原理是给新输入对象分配与之最相似的对象所属的类别。 - **实现**：为了实施最近邻规则，首先需要量化两个对象之间的相似度。然后，对于给定的新输入，找到训练集中与其最相似的对象，并将该对象的类别作为预测结果。 ##### 2.4 实例分析 考虑一个简单的数字识别问题，其中包含三个数字：“6”、“9”、“9”。如果我们使用像素值来衡量相似性，那么两个“9”之间的相似度可能远低于“6”与任何一个“9”之间的相似度，这显然不符合直觉。因此，需要对原始数据进行预处理，例如： - **中心化**：确保数字图像居中。 - **轴对齐**：保持数字的大小和位置一致。 - **归一化**：调整图像的尺寸，使其具有相同的比例。 通过这样的预处理步骤，可以显著提高相似性度量的准确性，进而提升最近邻规则等方法的分类性能。 #### 三、相似性基础方法的应用 相似性基础方法不仅限于简单的分类任务，还可以应用于更广泛的场景，包括但不限于： - **图像检索**：用户上传一张图片，系统返回数据库中最相似的图片。 - **推荐系统**：根据用户过去的喜好，推荐与其兴趣相似的产品或内容。 - **异常检测**：识别与正常模式不相匹配的数据点或序列，用于安全监控、设备故障预警等领域。 #### 四、结论 相似性基础方法提供了一个强大的工具箱，用于解决许多实际问题。通过对相似性的准确量化以及适当的预处理步骤，这种方法能够帮助我们有效地进行分类、预测甚至是发现新的类别。未来的研究将进一步探索如何在高维度数据空间中更高效地计算相似性，并开发出更复杂的相似性度量方法。

INTEGRALS AND SERIES VOLUME 2 SPECIAL FUNCTIONS

Core Java. Volume I. Fundamentals, 8th Edition.pdf

TCP/IP Illustrated, Volume 1