标签1

Task 寻找识别汇管区的方法 Superpixel Classification Approach （已过时） Superpixel：包含多个像素的图像块 思想： 将像素分组为有意义的视觉基元（超像素），再对这些基元进行特征提取和分类，从而高效地完成像素级的分割任务** 实施过程 1.分割成块(大块的像素) 2.提取特征（颜色，纹理，坐标 etc） 3.使用已标注的数据集进行训练（按照1,2步对数据集进行处理，为每个超像素块设置标签，eg:当前块70%的部分为天空，则说明此块的标签便是天空） 新数据：训练完成后对应新数据同样进行1，2步骤，后放入训练好的分类器中（这里提到的是随机森林） 结果：每个超像素均被赋予了标签，那么各个区域便被赋予了标签  补充： 随机森林分类器： 一堆决策树，投票得出最终结果，并且随机森林会进行数据抽样（有放回，即Bootstrap Aggregating）和特征抽样从而建立训练样本。 概括随机森林的特点：决策树，数据抽样、特征抽样、投票机制 Simple Linear Iterative Clustering（简单线性迭代聚类）即 SLIC 算法：用于生成超像素，我们仅需传入k,k为一个图片被分割成的超像素总数 CIELAB color space 和 image clustering 是SLIC用的 Local Binary Pattern（局部二值模式）即LBP 算法： 核心思想： 局部比较：以一个像素为中心，将其与周围固定半径内的 P 个邻域像素进行比较。 二值化：如果邻域像素的灰度值大于或等于中心像素的灰度值，则标记为 1；否则标记为 0。 生成编码：按顺序（例如顺时针）将这些 0 和 1 排列成一个二进制数串。 转换为十进制：将这个二进制数转换为一个十进制数，这个值就是该中心像素的LBP编码值。 **举例说明：**假设有一个3x3的区域，中心点灰度值为50，周围8个点的灰度值为 [55, 40, 60, 45, 50, 65, 35, 70]。比较后得到的二进制序列为：1, 0, 1, 0, 1, 1, 0, 1。将这个二进制数 10101101 转换为十进制，就是173。这个173就是这个中心点的LBP纹理值。 ...

使用以下技术栈，部署本地LLM 应用框架：Dify（Docker版） 本地大模型：Ollama部署deepseek，嵌入模型：BGEM3 文档处理：Dify内置文本分割与向量化 Dify是什么？ 相当于免编程的简单AI助手开发框架 Dify的缺点:大规模系统，性能要求过高（算法、延迟），资源受限（嵌入式、边缘计算），高度定制化 向量数据库：语义相似度检索 通过比对向量的"距离"，也就是相似度进行检索。 每个数据数据（语句）中的词都对应一个已经生成的向量，然后再通过一系列复杂操作生成该句子的向量，在数据库中检索"距离"更近的向量 余弦相似度只关心方向，不关心长度。 测试问题 简单事实查询（测试基础检索） “什么是人工智能？” 多文档信息整合（测试跨文档能力） “RAG是什么意思？” 推理受限or出错（测试推理能力） 我把手机放在一本打开的书下面，然后合上了书。手机现在在哪里？ 太阳什么时候时候从西边升起？ 测试长文本细节丢失 问题1：“星穹项目的总负责人和预算是多少？” 模型可能回答： “总负责人是张三，预算为500万元。” 分析： 这两个信息都位于文档的开头部分。模型的注意力机制在开始时最为集中，因此很容易捕获并记住这些信息。此时没有细节丢失。 问题2（综合性问题，考验长距离信息整合）：“请总结一下项目中需要与其他部门或外部供应商协作的关键点。” 模型理想答案应包含： 与风控部的李四合作解决金融模型偏差。（少了这个！！！！！！） 与王五的团队协作进行音频模块集成。 依赖外部供应商 “天眼”数据源的API服务。 模型可能回答（整合失败）： “项目需要与王五的团队合作，并且依赖‘天眼’数据源。” 分析： 模型丢失了位于文档中部的“风控部李四” 这一关键协作方。因为它无法同时将文档开头、中部、末尾的稀疏信息点有效地关联和整合在一起。它只能抓取到最容易记住的（末尾的）和可能还记得的（开头附近的）信息，而中间部分的信息已经“蒸发”了。 测试全过程体现统计响应速度受限 本次部署所用的本地部署LLM流程总结和排错指南可以点击以下链接下载 本地部署LLM流程总结 排错指南