CJH's blog

三角洲行动（烽火地带）系统拆解案 0 相关链接 参考视频：原神分析 《三角洲行动》官网 本拆解案使用大模型ChatGPT3.5辅助完成。 由于《三角洲行动》内容极其丰富，本拆解分析将主要聚焦核心玩法循环，并非对某个系统的完整穷举式拆解，其他机制仅作必要涉及。欢迎玩家直接游玩，以获得最真实的体验。 1 游戏概述 1.1 游戏简要介绍 游戏名称：三角洲行动烽火地带模式（后续简化命名为“烽火”） 版本信息：PC端第8赛季：蝶变时刻 + 第9赛季：回声 游戏类型：战术撤离射击（Extraction Shooter）+ 轻度RPG养成 + PVPVE对抗 开发商：腾讯 琳琅天上 发行平台：官网，WeGame，Steam 一句话：以“高风险高收益”为核心的战术撤离射击玩法，融合资源搜集、装备构筑与战术对抗的PVPVE体验。 1.2 游戏题材和美术风格 题材背景： 现代军事题材（近未来/现实架空冲突）。 核心设定围绕“资源争夺 + 战区渗透 + 非对称冲突”展开。 GTI、阿萨拉、哈弗克三方势力在阿萨拉地区展开交锋，形成“世界维和组织 v 本地军阀 v 科技军事集团”的对抗结构。 美术风格： ...

从0搭建自己的桌游设计AI团队 项目代码链接：CJH0220/Table_Game_Team_Agents 制作动机 我是深圳大学人工智能学院的研究生，兴趣爱好就是从事游戏相关的工作。曾经通过印卡姬和即梦平台自制一款角色扮演大富翁桌游，但是由于团队的凝聚力和美术/运营成本被迫难产，只完成了基本设计和简单的DEMO。不过，通过这次经历，我明白了一个主策划应该如何处理团队协作工作，如何安排“生产力”。 作为桌游玩家和策划，总会有一些灵光一闪的想法，比如在大富翁增加角色机制，在三国杀加入购买装备环节，在卡坦岛添加资源卡类型等奇思妙想。但由于设计，美工，测试等环节需要巨大的人力财力，导致初创团队或学生党放弃这些ideas，十分可惜。但现在有一个最新的工具可以降低这些成本，真正做到“0”成本追梦，那就是现在的Agents。 随着Agents的爆火，Agents团队减少了公司人力成本，极大降低了创作门槛。而我自己也具备深度学习，LLM等基础，相信自己能够跟紧潮流，实现项目。我觉得通过Agents智能体协作，去模拟一个游戏设计团队大有可为，这也是这个项目的由来。 现在还可以通过代码智能体如Cur ...

论文精读：Carver: Learning to Reconstruct Right Ventricle from Sparse Multi-View 2D Echocardiograms 论文地址：Carver: A Dual-Aware Network for Right Ventricle 3D Reconstruction from Sparse Multi-View Echocardiograms 项目地址：https://github.com/ustclyd/Carver ICASSP 2025（CCF B） 摘要 从多视角超声心动图中准确重建右心室的三维结构对于定量诊断心脏疾病至关重要。然而，由于右心室结构的复杂性和非平行超声视图的稀疏性，现有的方法往往无法提供令人满意的结果。在本文中，我们提出了一种名为 Carver 的高效重建方法，它首次将右心室的三维重建重新定义为体素密集预测任务。其核心思想在于利用深度神经网络学习从粗几何凸壳到右心室精细结构的端到端变形，类似于雕刻。为了提高重建的准确性和鲁棒性，我们设计了一个双感知网络，结合先前的轮廓信息来增强学习的代表性。我们在 ...

论文AI阅读：PCN PCN: Point Completion Network 2018 International Conference On 3d Vision (3dv) PCN: Point Completion Network | IEEE Conference Publication | IEEE Xplore 摘要 形状补全是从部分观测结果中估计物体完整几何形状的问题，是许多视觉和机器人应用的核心。在这项工作中，我们提出了点补全网络（PCN），这是一种基于学习的新型形状补全方法。与现有的形状补全方法不同，PCN 直接对原始点云进行操作，无需对底层形状进行任何结构假设（如对称性）或注释（如语义类别）。它采用解码器设计，能够生成细粒度的补全，同时保持少量参数。我们的实验表明，PCN 可以在具有不同程度不完整性和噪声的输入（包括来自 KITTI 数据集中激光雷达扫描的汽车）上生成密集、完整的点云，并在缺失区域具有逼真的结构。 论文背景 我们的工作受到最近一些工作的启发[9, 47]，这些工作利用合成形状的大型数据集来训练深度神经网络，从而可以从单个或组合的局部视图中推断出完整 ...

论文精读（十一）DGCNN Dynamic Graph CNN for Learning on Point Clouds 论文地址：1801.07829] Dynamic Graph CNN for Learning on Point Clouds 博客参考：https://blog.csdn.net/hongbin_xu/article/details/85258278 搞懂DGCNN，这篇就够了！论文及代码完全解析 - 知乎 Acm Transactions On Graphics 2019(IF 7.8 引用7000+) 论文背景（AI） 点云是计算机图形学中一种基本的几何表示形式，由散乱的2D或3D点组成。点云数据通常由3D扫描设备直接获取，如LiDAR扫描仪和立体重建技术。由于点云数据的不规则性（点的位置在空间中连续分布，且点的排列顺序不影响其空间分布），传统的深度学习方法难以直接应用于点云处理。近年来，随着深度学习在图像分析领域的巨大成功，研究者们开始探索将卷积神经网络（CNN）的思想应用于点云数据的处理。 摘要 使用提出的神经网络对点云进行分割。底部：示意图神经网络架 ...

手搓Vit（模式识别作业） 重要说明：已手搓Patch+Position Embedding + Vision Transformer（详见后文），分类准确率99.20%，但即使加载模型，预测时间也很长，1000个需要3个小时，4个npy文件需要12个小时，但是我要做科研项目，故直接使用老师所给的4个npy文件手搓一个MLP做最后的预测。 重点观察：随机初始化：算力不足故舍弃。更换权重：算力不足故舍弃。调整MLP：分数99%基本达上限，很难观察识别性能影响，故舍弃。 实验流程： 先查看老师所给的DINOV2-base.npz的文件形式和参数命名。 根据权重内embedding的参数量和论文实现图的Embedding操作。 将任务需求和参数命名喂给GPT手搓transformer，让他不要叫错”名字“，可以不加入mask token。每张图获得（1，1370，768）的总token和最上面的分类用cls token（1，768）。 cls token才是输入至MLPheads以进行分类的特征向量。后续简单设计一个MLP即可进行预测。 手搓transformer 参考文献：Vit论文 ...

猫狗分类 数据增强（仅作展示） 8000的数据量增强后就得到40000张图片了。 从左到右分别是：原图(1)，左右反转(2)，几何随机反转(3)，对比度变化(4)，噪音变化(5)。 模型与算法 模型主要分为4个内容， 特征提取：HOG方向梯度直方图,LBP。 降维：PCA主成分分析法。 分类模型：SVM支持向量机。 HOG（Histogram of Oriented Gradients） HOG（方向梯度直方图）是一种描述图像局部形状特征的方式，广泛用于物体检测任务中（如行人检测）。HOG 的核心思想是：利用图像局部区域的梯度方向分布来描述物体的边缘信息。 灰度化图像 因为边缘信息主要由强度变化决定，所以通常将彩色图像转换为灰度图。 计算梯度（常用Sobel算子） 对图像进行横向（x）和纵向（y）方向的梯度计算： Gx=I∗[−101−202−101],Gy=I∗[−1−2−1000121]G_x = I * \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 ...

论文精读（十）2D超声心动图视频到3D心脏形态重建 2D echocardiography video to 3D heart shape reconstruction for clinical application - ScienceDirect 论文内容整理：2D超声心动图视频到3D心脏形态重建的流程、方法和核心（AI生成) 图3。2D TTE至4D LV形状生成框架的概述。 TTE检查是从医院收集的。 数据已被取消识别，并删除了元数据。 A2C，A3C和A4C非多普勒视图将自动识别，分割，时间对齐并将其带入规范位置。 2D至3D重建网络用于产生初始形状。 然后，通过优化换能器位置和网络权重来迭代完善这种形状，直到生成形状的呈现的横截面与每个视图的输入分割映射匹配。 3D形状通过框架优化。 1. 研究背景 本研究的核心目标是从2D超声心动图（TTE）视频自动重建4D（3D+时间）左心室（LV）形态，形成个性化的数字孪生模型。该模型能够提高心脏超声数据的解读能力，帮助自动分析左心室体积变化、心肌梗死区域定位，并识别新的临床生物标志物。 传统的TTE仅能提供2D平面图像， ...

ROC曲线 参考资料 ROC & AUC 题目 如何绘制ROC曲线？ Ø Why？（Introduction） Ø What？（Formulation） Ø How？（Pseudo Code& Demo Visualization） Ø When？（Limitations and More） AI生成内容 此文本格式为本人理解。 ROC（Receiver Operating Characteristic）曲线是评估二分类模型性能的重要工具。下面按照 Why（为什么）、What（定义）、How（如何实现）、When（适用性与局限性） 四个方面来讲解如何绘制 ROC 曲线。 1. Why？（为什么需要 ROC 曲线？） 在二分类问题中，我们通常使用模型预测概率，并通过设定一个阈值（threshold）**来决定分类结果。然而，选择不同的阈值会影响模型的**假阳性率（FPR）**和**真阳性率（TPR），因此我们需要 ROC 曲线 来直观展示这种权衡。 ROC 曲线的作用： 比较不同模型的分类性能 选择最佳决策阈值 计算 AUC（曲线下面积），评估模型的整体性能 检查模 ...

Pointnet和Pointnet++ 原文链接：https://blog.csdn.net/m0_47294706/article/details/135895830 论文介绍地址（Paper，Code，Presentation video and Slides） PointNet：https://web.stanford.edu/~rqi/pointnet/ PointNet++：https://web.stanford.edu/~rqi/pointnet2/ 建议直接看b站的5分钟讲解。 【[5分钟点云学习] #01 最远点采样 FPS】 https://www.bilibili.com/video/BV1oT411x7TH/?share_source=copy_web&vd_source=bd967f0d540a64617b8b612bc0f0f9a3 一、PointNet & PointNet++：问题陈述（Problem Statement） 由于点云的无序性，直接操作点云比较困难 - PointNet解决（使用具有置换不变性的对称函数） [视频链接： ...