kd計算機的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

算法訓練營：海量圖解+競賽刷題（進階篇）

為了解決kd計算機的問題，作者陳小玉 這樣論述：

本書以海量圖解的形式，詳細講解常用的資料結構與演算法，並結合競賽實例引導讀者進行刷題實戰。通過對本書的學習，讀者可掌握22種高級資料結構、7種動態規劃演算法、5種動態規劃優化技巧，以及5種網路流演算法，並熟練應用各種演算法解決實際問題。 本書總計8章。第1章講解實用資料結構，包括並查集、優先佇列；第2章講解區間資訊維護與查詢，包括倍增、ST、RMQ、LCA、樹狀陣列、線段樹和分塊；第3章講解字串處理，包括字典樹、AC自動機和尾碼陣列；第4章講解樹上操作問題，包括點分治、邊分治、樹鏈剖分和動態樹；第5章講解各種平衡二叉樹，包括Treap、伸展樹和SBT；第6章講解資料結構進階，包括KD樹、左偏

樹、跳躍表、樹套樹和可持久化資料結構；第7章講解動態規劃及其優化，包括背包問題、線性DP、區間DP、樹形DP、數位DP、狀態壓縮DP、插頭DP和動態規劃優化方法；第8章講解網路流問題，包括常用網路流演算法、二分圖最da匹配、最da流最xiao割定理和最xiao費用最da流。本書對每個演算法都進行詳細圖解並搭配競賽實例，重點講解如何分析問題、優化演算法，以期讀者在短時間內掌握該演算法並進行刷題實戰。 本書面向對演算法感興趣的讀者，無論是想扎實內功或參加演算法競賽的學生，還是想進入行業領先企業的求職者，抑或是想提升技術的在職人員，都可以參考本書。若讀者從未學過資料結構與演算法方面的基礎知識，則可

參考《演算法訓練營：海量圖解+競賽刷題（入門篇）》。   陳小玉 南陽理工學院副教授，高級程式師，主要研究方向為演算法優化和機器學習。出版著作有《趣學演算法》《趣學資料結構》《演算法訓練營：海量圖解+競賽刷題（入門篇）》《演算法訓練營：海量圖解+競賽刷題（進階篇）》，所教學生多次獲得ACM、藍橋杯等演算法競賽獎項。   第1章 實用資料結構... 1 1.1 並查集... 1 原理 並查集詳解... 1 訓練1 暢通工程 訓練2 方塊棧... 7 訓練3 食物鏈... 10 訓練4 幫派... 16 1.2 優先佇列... 19 原理1 優先佇列的實現

原理... 19 原理2 優先佇列詳解... 23 訓練1 第k大的數... 26 訓練2 圍欄修復... 27 訓練3 表演評分... 29 訓練4 叢林探險   第2章 區間資訊維護與查詢... 33 2.1 倍增、ST、RMQ.. 33 原理1 倍增... 33 原理2 ST. 34 原理3 RMQ.. 36 訓練1 區間最值差... 36 訓練2 最頻繁值... 37 訓練3 最小分段數... 40 訓練4 二維區間最值差.... 41 2.2 最近公共祖先LCA.. 43 原理1 暴力搜索法... 44 原理2 樹上倍增法... 45 原理3 線上RMQ演算法... 49 原理4 T

arjan演算法... 51 訓練1 最近公共祖先... 55 訓練2 樹上距離... 57 訓練3 距離查詢... 59 訓練4 城市之間的聯繫... 60 2.3 樹狀陣列... 62 原理1 一維樹狀陣列... 62 原理2 多維樹狀陣列... 67 訓練1 數星星... 69 訓練2 公路交叉數... 71 訓練3 子樹查詢... 74 訓練4 矩形區域查詢... 76 2.4 線段樹... 78 原理1 線段樹的基本操作... 78 原理2 線段樹中的“懶操作”... 83 訓練1 敵兵佈陣... 87 訓練2 簡單的整數問題... 89 訓練3 資料結構難題... 91 訓練4 顏

色統計... 97 2.5 分塊... 102 原理 分塊詳解... 102 訓練1 簡單的整數問題... 105 訓練2 數字序列... 106 訓練3 區間最值差... 107 訓練4 超級馬里奧... 109 訓練5 序列操作   第3章 字串處理... 115 3.1 字典樹... 115 原理 字典樹詳解... 115 訓練1 單詞翻譯... 120 訓練2 電話表... 122 訓練3 統計難題... 123 訓練4 彩色的木棒... 124 訓練5 最長xor路徑... 127 3.2 AC自動機... 129 原理 AC自動機詳解... 129 訓練1 關鍵字檢索... 132

訓練2 病毒侵襲... 134 訓練3 DNA序列... 136 訓練4 單詞情結... 140 3.3 尾碼陣列... 145 原理1 基數排序... 145 原理2 尾碼陣列詳解... 152 訓練1 牛奶模式... 169 訓練2 口吃的外星人... 171 訓練3 音樂主題... 173 訓練4 星際迷航   第4章 樹上操作... 178 4.1 點分治... 178 原理 重心分解... 178 訓練1 樹上兩點之間的路徑數... 179 訓練2 遊船之旅... 185 訓練3 摩天大樹... 189 訓練4 查詢子樹... 194 4.2 邊分治... 200 原理 邊分治詳解

... 200 訓練1 樹上查詢I 203 訓練2 樹上查詢II 212 訓練3 樹上兩點之間的路徑數... 217 4.3 樹鏈剖分... 221 原理 樹鏈剖分詳解... 221 訓練1 樹上距離... 230 訓練2 樹的統計... 231 訓練3 家庭主婦... 232 訓練4 樹上操作... 233 4.4 動態樹... 236 原理 動態樹詳解... 236 訓練1 距離查詢... 247 訓練2 動態樹xor和... 249 訓練3 動態樹的最值... 252 訓練4 動態樹的第2大值... 255 訓練5 樹上操作   第5章 平衡二叉樹... 263 5.1 Treap. 2

63 原理 Treap詳解... 263 訓練1 雙重佇列... 270 訓練2 普通平衡樹... 272 訓練3 黑盒子... 276 訓練4 少林功夫... 279 5.2 伸展樹... 283 原理 伸展樹詳解... 283 訓練1 雙重佇列... 291 訓練2 玩鏈子... 293 訓練3 超強記憶... 300 訓練4 迴圈... 310 5.3 SBT. 324 原理 SBT詳解... 324 訓練1 雙重佇列... 331 訓練2 第k小的數... 333 訓練3 第k大的數... 334 訓練4 區間第k小... 334 訓練5 鬱悶的出納員   第6章 資料結構進階...

339 6.1 KD樹... 339 原理 KD樹詳解... 339 訓練1 最近的取款機... 343 訓練2 找旅館... 346 訓練3 最近鄰M點... 348 訓練4 蟻巢... 349 6.2 左偏樹... 352 原理 左偏樹詳解... 352 訓練1 猴王... 360 訓練2 小根堆... 363 訓練3 路面修整... 365 訓練4 K-單調... 369 6.3 跳躍表... 373 原理 跳躍表詳解... 373 訓練1 雙重佇列... 379 訓練2 第k大的數... 381 訓練3 鬱悶的出納員... 386 6.4 樹套樹... 388 原理 樹套樹詳解...

388 訓練1 動態區間問題... 389 訓練2 動態區間第k小... 395 訓練3 矩形區域查詢... 396 訓練4 馬賽克處理... 400 6.5 可持久化資料結構... 406 原理1 可持久化線段樹詳解... 406 原理2 可持久化Trie詳解... 413 訓練1 超級馬里奧... 415 訓練2 記憶重現... 419 訓練3 最大異或和   第7章 動態規劃及其優化... 431 7.1 動態規劃求解原理... 431 原理1 動態規劃的三個要素... 432 原理2 動態規劃設計方法... 432 7.2 背包問題... 433 原理1 01背包... 433 訓練1

骨頭收藏家... 441 原理2 完全背包... 443 訓練2 存錢罐... 443 原理3 多重背包... 445 訓練3 硬幣... 447 原理4 分組背包... 449 訓練4 價值最大化... 450 原理5 混合背包... 452 訓練5 最少的硬幣... 452 7.3 線性DP. 455 訓練1 超級樓梯... 455 訓練2 數字三角形... 456 訓練3 最長上升子序列... 458 訓練4 最長公共子序列... 461 訓練5 最大連續子段和... 462 7.4 區間DP. 464 訓練1 回文... 464 訓練2 括弧匹配... 466 訓練3 猴子派對...

468 訓練4 乘法難題... 470 7.5 樹形DP. 472 訓練1 別墅派對... 473 訓練2 戰略遊戲... 476 訓練3 工人請願書... 478 訓練4 完美的服務... 480 訓練5 背包類樹形DP. 484 訓練6 蘋果樹... 487 訓練7 二次掃描與換根... 490 訓練8 最遠距離... 494 7.6 數位DP. 497 訓練1 不吉利的數字... 498 訓練2 定時炸彈... 503 訓練3 Round Numbers. 506 訓練4 計數問題... 508 訓練5 數字權值... 511 7.7 狀態壓縮DP. 513 訓練1 旅行商問題...

514 訓練2 旅行商變形1. 520 訓練3 旅行商變形2. 521 訓練4 玉米田... 523 訓練5 炮兵陣地... 525 訓練6 馬車旅行... 528 7.8 插頭DP. 531 訓練1 鋪磚... 531 訓練2 方格取數... 537 訓練3 多回路連通性問題... 539 訓練4 單回路連通性問題... 543 訓練5 單通路連通性問題... 550 7.9 動態規劃優化... 552 原理1 倍增優化... 552 原理2 資料結構優化... 552 訓練1 最長公共上升子序列... 552 訓練2 有序子序列... 554 訓練3 最大化器... 557 訓練4 灑水裝

置... 559 原理3 單調佇列優化... 562 訓練5 滑動窗口... 563 訓練6 灑水裝置... 564 訓練7 股票交易... 565 原理4 斜率優化... 568 訓練8 列印文章... 569 訓練9 覆蓋走道... 573 訓練10 批次處理調度... 575 訓練11 劃分... 580 訓練12 勞倫斯... 583 原理5 四邊不等式優化... 587 訓練13 劃分   第8章 網路流... 592 8.1 EK演算法... 595 原理 EK演算法詳解... 595 訓練1 最大流問題... 600 訓練2 排水系統... 600 8.2 Dinic演算法...

601 原理 Dinic演算法詳解... 601 訓練1 最大銷售量... 605 訓練2 電力網絡.... 606 8.3 ISAP演算法... 608 原理 ISAP演算法詳解... 608 訓練1 島嶼運輸... 613 訓練2 美味佳餚... 614 訓練3 跳躍蜥蜴... 615 訓練4 計算機工廠... 618 8.4 二分圖匹配... 619 原理1 最大匹配演算法... 620 原理2 匈牙利演算法... 621 訓練1 完美的牛棚... 624 訓練2 機器調度... 625 訓練3 逃脫... 626 8.5 最大流最小割... 627 原理 最大流最小割定理... 62

7 訓練1 最小邊割集... 629 訓練2 最小點割集... 631 訓練3 雙核CPU.. 632 訓練4 最大收益... 633 8.6 最小費用最大流... 635 原理 最小費用路演算法... 635 訓練1 農場之旅... 639 訓練2 航空路線... 640 訓練3 區間覆蓋... 642 訓練4 疏散計畫... 643   近年來，演算法行業非常火爆，越來越多的人在學習演算法。目前，電腦的最重要領域之一是人工智慧，而人工智慧的核心是演算法，演算法已滲透到互聯網、商業、金融業、航空、軍事等各個領域，正在改變著這個世界。 寫作背景 在IT領域，資料結構與演

算法的應用無處不在。資料結構與演算法是電腦開發人員的基本功，很多面試都要考查資料結構與演算法。學習資料結構與演算法不僅可以培養我們的演算法思維，提高我們分析問題、解決問題的能力，還可以讓我們快速學習新技術，以更高的視角看待問題。 資料結構與演算法教材一般晦澀難懂。為了讓更多的人輕鬆學習演算法、愛上演算法，筆者寫作了《趣學資料結構》《趣學演算法》兩本書。筆者發現，讀者特別喜歡搭配了大量圖解的通俗易懂的講解方式。很多讀者也在呼籲筆者寫一本結合演算法競賽實例進行講解的書。經過近兩年的籌備，《演算法訓練營：海量圖解+競賽刷題（入門篇）》和《演算法訓練營：海量圖解+競賽刷題（進階篇）》兩本書終於要和大

家見面了，非常感謝各位讀者的大力支持。 學習建議 演算法學習的過程，實際上是通過大量實例，充分體會遇到問題時該如何分析：採用什麼資料結構，使用什麼演算法策略，演算法的複雜性如何，是否有優化的可能，等等。這裡有以下幾個建議。 ⊃2; 第1個建議：學經典，多理解。 演算法書有很多，初學者最好選擇圖解較多的入門書，當然，也可以選擇多本書，從多個角度進行對比和學習。先看書中的圖解，理解各種經典問題的求解方法，如果還不明白，則可以看視頻講解，理解之後再看代碼，嘗試自己動手上機運行。如有必要，則可以將演算法的求解過程通過圖解方式展示出來，以加深對演算法的理解。 ⊃2; 第2個建議：看題解，多總結

。 在掌握書中的經典演算法之後，可以在刷題網站進行專項練習，比如貪心演算法、分治演算法、動態規劃、網路流等。演算法比資料結構更加靈活，對同一道題目可以採用不同的演算法解決，演算法複雜性也不同。如果想不到答案，則可以看題解，比較自己的想法與題解的差距。要多總結題目類型及最優解法，然後找相似的題目並自己動手解決問題。 ⊃2; 第3個建議：舉一反三，靈活運用。 通過專項刷題，見多識廣，總結常用的演算法範本，熟練應用套路，舉一反三、靈活運用，逐步提升刷題速度，力爭“bug free”（無缺陷）。 如何進行刷題實戰 刷題的過程就是熟練應用資料結構與演算法的過程。在刷題過程中，要學會分析問題、解

決問題的方法，總結常用的演算法範本和套路，快速寫出代碼，通過鍛煉達到“bug free”。可以集中時間進行系統性專項刷題，不可三天打魚、兩天曬網，也不可隨機刷題。題不在多，在於精。通過看書掌握一種資料結構與演算法之後，便可找該知識相關的簡單題目試手，從易到難。刷題時，可以先在編譯系統中編譯通過，等測試用例通過且檢查無誤後再提交，因為在比賽中多次提交會被罰時。刷題網站有很多，演算法競賽刷題網站有Vjudge、POJ、HDU、Code Forces、洛穀等，找工作刷題網站有LeetCode。提交結果類型如下。 — AC（Accepted）：通過。 — WA（Wrong Answer）：答案錯誤。

— TLE（Time Limit Exceed）：超時。 — OLE（Output Limit Exceed）：超過輸出限制。 — MLE（Memory Limit Exceed）：超出記憶體。 — RE（Runtime Error）：執行階段錯誤。 — PE（Presentation Error）：格式錯誤。 — CE（Compile Error）：無法編譯。 測試用例通過而提交不通過是很正常的，因為在測試用例中僅有一兩組資料，而在後臺有大量測試資料。遇到提交不通過的情況時，要首先根據提示判斷錯誤類型，根據錯誤類型分析原因；然後冷靜分析演算法邏輯、易錯點、特殊情況判斷等，看看選擇的資料結

構和演算法是否合適，是否存在閉環。在刷題過程中會發現很多“坑”，一定要記錄下來，避免下次“踩坑”。 看題目時要看資料規模、時間限制和空間限制，看看設計的演算法是否會超時超限，做到心中有數。如果限制時間為1s，則問題規模（n）和演算法時間複雜度之間的關係如下。 — n≤11：O(n!)。 — n≤25：O(2n)。 — n≤5000：O(n2)。 — n≤106：O(nlogn)。 — n≤107：O(n)。 — n>108：O(logn)。 本書特色 本書具有以下特色。 （1）完美圖解，通俗易懂。本書對每個演算法的基本操作都有圖解演示，通過圖解，許多問題都變得簡單，可迎刃而解。 （

2）實例豐富，簡單有趣。本書結合大量競賽實例，講解如何利用資料結構與演算法解決實際問題，使複雜難懂的問題變得簡單有趣，説明讀者輕鬆掌握演算法知識，體會其中的妙處。 （3）深入淺出，透析本質。本書透過問題看本質，重點講解如何分析和解決問題。本書採用了簡潔易懂的代碼，對資料結構設計和演算法的描述全面細緻，而且有演算法複雜性分析及優化過程。 （4）實戰演練，循序漸進。本書在對每個資料結構與演算法講解清楚後，都進行了實戰演練，使讀者在實戰中體會資料結構與演算法的設計和操作，從而提高獨立思考、動手實踐的能力。書中有豐富的練習題和競賽題，可幫助讀者及時檢驗知識掌握情況，為從小問題出發，逐步解決大型複雜

性工程問題奠定基礎。 （5）網路資源，技術支援。本書為讀者提供書中所有範例程式的原始程式碼、競賽題及答案解析，讀者對這些原始程式碼可以自由修改編譯，以符合自己的需要。本書提供博客、微信群、QQ群技術支援，可隨時為讀者答疑解惑。 建議和回饋 寫書是極其瑣碎、繁重的工作，儘管筆者已經盡力使本書的內容和網路支援接近完美，但仍然可能存在很多漏洞和瑕疵。歡迎讀者提供關於本書的回饋意見，因為對本書的評論和建議都有利於我們改進和提高，以幫助更多的讀者。如果對本書有什麼評論和建議，或者有問題需要幫助，則可以致信[email protected]與筆者交流，筆者將不勝感激。 讀者資源請參照本書封底提示。

致謝 感謝筆者的家人和朋友在本書寫作過程中提供的大力支持。感謝電子工業出版社工作嚴謹、高效的張國霞編輯促成本書的早日出版。感謝提供寶貴意見的同事們。感謝提供技術支援的同學們。感恩遇到這麼多良師益友！  

kd計算機進入發燒排行的影片

甲基硫腺苷磷酸化酶在癌轉移與腫瘤進程之抑癌機制

為了解決kd計算機的問題，作者張文馨 這樣論述：

癌症是全球死亡的主要原因，儘管多年來在早期檢測（例如低劑量計算機斷層掃描）和抗腫瘤治療（例如靶向治療和免疫治療）方面取得了進展。肺癌是癌症相關死亡的最常見原因，而腎細胞癌是最常見的腎癌類型，其治療選擇非常有限。降低癌症高死亡率的主要障礙包括癌轉移和抗藥性，此突顯了未滿足的臨床需求：揭示異常基因表達和路徑調節之致癌信號的癌症進程機制，並發現可用於預測患者預後的潛在生物標誌。我們先前建立了一系列具有不同程度侵襲性和惡性程度的肺癌細胞株，並確定甲基硫腺苷磷酸化酶基因在惡性癌細胞中被深度刪除。甲基硫腺苷磷酸化酶是多胺、蛋氨酸和腺嘌呤代謝途徑的調節者，也是目前唯一已知負責催化甲基硫腺苷的酶蛋白。大約百

分之十五的肺癌患者攜帶甲基硫腺苷磷酸化酶基因缺失。在對腎細胞癌患者的代謝組學綜合分析中，甲基硫腺苷隨著分期進展顯著升高，顯示在腎細胞癌中亦存在功能失調的甲基硫腺苷磷酸化酶。在我們的研究中，我們發現甲基硫腺苷磷酸化酶負向調節肺癌和腎細胞癌細胞的遷移、侵襲、轉移和腫瘤發生的能力。此外，甲基硫腺苷磷酸化酶在許多肺癌細胞株和高度惡性分化的腎細胞癌腫瘤組織中下調，且甲基硫腺苷磷酸化酶的低表達與較差的總體生存率相關。儘管有上述發現，甲基硫腺苷磷酸化酶缺失的潛在機制仍有待確定。最近的研究已顯示了甲基硫腺苷磷酸化酶在新陳代謝之外的作用。甲基硫腺苷磷酸化酶可藉由癌細胞中積累的甲基硫腺苷去抑制蛋白精氨酸甲基轉移酶

5的催化活性而調節蛋白精氨酸二甲基化。在我們所建立的甲基硫腺苷磷酸化酶剔除肺癌細胞和腎細胞癌細胞中，其由蛋白精氨酸甲基轉移酶 5調控的對稱精氨酸二甲基化水平是減少的，促使我們探索對稱精氨酸二甲基化對甲基硫腺苷磷酸化酶所調控之訊息傳遞路徑的貢獻。在第一部分的肺癌研究中，我們進行了甲基化蛋白質體學篩選，並揭示波形蛋白是蛋白精氨酸甲基轉移酶 5的新受質，並且因甲基硫腺苷磷酸化酶缺失而被剝奪了對稱二甲基化。此外，我們提出證明了對稱二甲基化對波形蛋白之聚合產生微不足道的影響，但通過泛素化和蛋白酶體降解下調波形蛋白的豐度。因此，在甲基硫腺苷磷酸化酶缺失細胞中，由低甲基化且穩定的波形蛋白驅動癌症惡性。為了

將科學發現轉化為衛生介入措施，我們通過蛋白質基因體學的篩查和免疫組織化學染色進一步顯示了甲基硫腺苷磷酸化酶∕蛋白精氨酸甲基轉移酶 5和波形蛋白之間的負相關，證實了在肺癌中抗轉移性甲基硫腺苷磷酸化酶的新機制。在第二部分的腎細胞癌研究，我們注意到甲基硫腺苷磷酸化酶參與調控蛋白質的甲基化-磷酸化串擾，因此我們進行了人類受體酪胺酸激酶磷酸化蛋白晶片的偵測。甲基硫腺苷磷酸化酶表現量的缺乏激活了胰島素樣生長因子1受體的活性，從而促進腎細胞癌細胞的惡性特性。為了概念驗證，我們進一步證明胰島素樣生長因子1受體的選擇性抑製劑Linsitinib可有效抑制甲基硫腺苷磷酸化酶缺失的腎細胞癌中的胰島素樣生長因子1受體

之訊息傳遞並逆轉其致癌表型。總之，我們證實了甲基硫腺苷磷酸化酶缺失所驅動之肺癌和腎細胞癌轉移和進程的機制，並提供了有潛力的治療策略來解決對抗甲基硫腺苷磷酸化酶缺失癌症的未滿足需求。

人工智能：人臉識別與搜索

為了解決kd計算機的問題，作者張重生 這樣論述：

人臉識別是當今的熱門應用領域和研發方向，在安防、金融、公共服務等領域具有十分廣泛的應用。本書全面、系統地介紹“刷臉”背後的技術，包括人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索相關的演算法和實現技術。另外，本書還囊括了前沿的、基於深度學習的人臉識別技術（2014—2020年）。本書講解的演算法具有前沿性和實用性。通過本書學習，學習人員能夠在3～5個月內系統地瞭解、掌握人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索的演算法原理與實戰技術。本書內容新穎、技術前沿、層次清晰，適合高校教師、研究生、工程師和人臉識別愛好者使用。 張重生 男，博士，教授，碩士生導師，河南大學大數據研究

中心、大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、數據庫、數據流（即時數據分析）。博士畢業于 INRIA,France(法國國家資訊與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)，計算機系，師從著名的數據庫專家Carlo Zaniolo教授，從事數據挖掘領域的合作研究。 2012-2013,挪威科技大學，ERCIM/Marie-Curie Fellow。 第1章 人臉識別概述 1 1.1 廣義的人臉識別的1:1、1:N和N:N比對計算模式 2 1.1.1 人臉驗證——1:1相似度對比 3 1.1

.2 人臉檢索——1:N相似度比對 4 1.1.3 N:N人臉相似性計算 6 1.1.4 人臉檢測、人臉識別、人臉檢索與1:1、1:N、N:N 人臉相似度計算 6 1.2 人臉識別技術的應用場景 7 1.2.1 當前應用 8 1.2.2 未來應用 11 1.3 常用資料集介紹 12 1.3.1 人臉檢測資料集 12 1.3.2 人臉識別資料集 14 1.3.3 人臉關鍵點定位資料集 15 1.3.4 其他資料集 16 本章參考文獻 17 第2章 人臉檢測技術的最新進展 19 2.1 Cascade CNN人臉檢測演算法 20 2.2 MTCNN人臉檢測演算法 24 2.3 Face R-CN

N人臉檢測演算法 27 2.4 SSH人臉檢測演算法 28 2.5 DSFD人臉檢測演算法 32 2.6 本章小結 35 本章參考文獻 36 第3章 人臉識別技術的最新進展 38 3.1 DeepID系列人臉識別演算法 39 3.2 FaceNet人臉識別演算法 41 3.3 ArcFace人臉識別演算法 44 本章參考文獻 47 第4章 人臉關鍵點定位技術的最新進展 49 4.1 Coarse-to-Fine CNN人臉關鍵點定位演算法 50 4.2 TCDCN人臉關鍵點定位演算法 51 4.3 SIR-LAN人臉關鍵點定位演算法 52 4.4 SAN人臉關鍵點定位演算法 54 4.5

WingLoss：人臉關鍵點定位演算法的損失函數設計 55 本章參考文獻 56 第5章 人臉檢索技術的最新進展 57 5.1 人臉檢索與人臉識別的相似之處與不同之處 57 5.2 人臉檢索與圖像檢索的相似之處與不同之處 58 5.3 基於深度雜湊的人臉檢索演算法 59 5.4 同時考慮雜湊碼損失和分類損失的圖像檢索技術 61 本章參考文獻 63 第6章 經典的人臉檢測演算法 64 6.1 DPM人臉檢測演算法 65 6.1.1 DPM人臉檢測演算法原理 65 6.1.2 DPM人臉檢測演算法檢測結果 70 6.2 LAEO人臉檢測演算法 71 6.2.1 LAEO人臉檢測演算法原理 71

6.2.2 LAEO人臉檢測演算法檢測結果 74 6.3 Viola ＆ Jones人臉檢測演算法 75 6.3.1 Viola ＆ Jones人臉檢測演算法原理 75 6.3.2 Viola ＆ Jones人臉檢測演算法檢測結果 78 本章參考文獻 79 第7章 基於深度學習的人臉檢測演算法實踐 82 7.1 CNN Facial Point Detection人臉檢測演算法 82 7.1.1 CNN Facial Point Detection人臉檢測演算法原理 83 7.1.2 CNN Facial Point Detection人臉檢測演算法檢測結果 83 7.2 DDFD人臉檢測演

算法 84 7.2.1 DDFD人臉檢測演算法原理 85 7.2.2 DDFD人臉檢測演算法檢測結果 85 7.3 人臉檢測演算法融合 86 本章參考文獻 88 第8章 基於Fast R-CNN的人臉檢測實踐 90 8.1 Fast R-CNN簡介 90 8.2 Fast R-CNN的特點和結構 91 8.3 資料集的預處理 94 8.4 基於Fast R-CNN訓練人臉檢測模型 95 8.4.1 訓練階段 95 8.4.2 測試階段 101 本章參考文獻 105 第9章 基於HOG特徵的人臉關鍵點定位實踐 105 9.1 H-GBDT演算法介紹 108 9.2 相關演算法介紹 111 9

.2.1 GBDT演算法介紹 111 9.2.2 HOG特徵介紹 113 9.3 H-GBDT人臉關鍵點定位演算法設計 114 9.4 實驗設計 115 9.4.1 資料集 115 9.4.2 SO-RF演算法和Face 人臉識別系統 117 9.4.3 實驗結果比較 118 9.5 本章小結 125 本章參考文獻 126 第10章 人臉識別實踐 125 10.1 DeepID演算法 131 10.1.1 DeepID演算法的原理 132 10.1.2 DeepID演算法實現 133 10.1.3 DeepID演算法結果 146 10.2 VGG Face Descriptor演算法 148

10.2.1 VGG Face Descriptor演算法原理 148 10.2.2 VGG Face Descriptor演算法實現 150 10.2.3 VGG Face Descriptor演算法結果 152 10.3 3種經典的人臉識別演算法 155 10.3.1 EigenFaces演算法 155 10.3.2 FisherFaces演算法 165 10.3.3 LBP演算法 174 10.4 人臉識別演算法對比分析 179 10.5 本章小結 180 本章參考文獻 181 第11章 人臉檢索實踐 177 11.1 人臉檢索簡介 185 11.2 計算人臉相似度的方法 186 1

1.2.1 歐氏距離 186 11.2.2 余弦相似度 188 11.3 圖像快速查找演算法 189 11.4 評價人臉檢索結果的標準 190 11.5 PHash演算法 190 11.5.1 PHash演算法原理 190 11.5.2 PHash演算法實現 191 11.5.3 PHash演算法的實驗資料、實驗結果及其分析 193 11.6 DHash演算法 194 11.6.1 DHash演算法原理 195 11.6.2 DHash演算法實現 195 11.6.3 Dhash演算法的實驗資料、實驗結果及其分析 197 11.7 PCA演算法 198 11.7.1 PCA演算法原理 198

11.7.2 PCA演算法實現 200 11.7.3 PCA演算法的實驗資料、實驗結果及其分析 203 11.8 BoF-SIFT演算法 204 11.8.1 BoF-SIFT演算法原理 205 11.8.2 BoF-SIFT演算法實現 205 11.8.3 BoF-SIFT演算法的實驗資料、實驗結果及其分析 213 11.9 用於圖像快速檢索的KD-Tree索引 215 11.9.1 FLANN演算法的使用 215 11.9.2 KD-Tree的創建與查詢處理 215 11.9.3 FLANN中KD-Tree演算法的實現 217 11.9.4 FLANN演算法的實驗資料、實驗結果及其分析 2

19 11.10 Gabor演算法 220 11.10.1 Gabor演算法原理 220 11.10.2 Gabor演算法實現 223 11.10.3 Gabor演算法的實驗資料、實驗結果及其分析 229 11.11 HOG 231 11.11.1 HOG原理 231 11.11.2 HOG實現 232 11.11.3 HOG的實驗資料、實驗結果及其分析 234 11.12 基於DeepID的人臉檢索 236 11.12.1 DeepID方法 236 11.12.2 神經網路結構介紹 236 11.12.3 DeepID演算法的實驗資料、實驗結果及其分析 237 11.13 雜湊方法和深度雜湊

方法 238 本章參考文獻 240 第12章 人臉檢測商務軟體及其應用示例 232 12.1 VeriLook 241 12.2 Face 247 12.3 各種演算法的對比分析 250 12.4 視頻中的人臉檢測與追蹤 253 本章參考文獻 257 第13章 GAN與人臉生成 248 13.1 DCGAN 259 13.1.1 DCGAN原理 259 13.1.2 DCGAN判別器和生成器的優化過程 262 13.1.3 DCGAN訓練流程 263 13.1.4 實驗結果 269 13.2 BEGAN 270 13.2.1 網路模型結構 273 13.2.2 BEGAN判別器和生成器優化

過程 275 13.2.3 BEGAN訓練流程 277 13.2.4 實驗結果 286 本章參考文獻 288 後記 275

電子商務型企業資訊風險與內控管理機制之研究

為了解決kd計算機的問題，作者鄧中凱 這樣論述：

近年來，隨著資訊科技環境不斷的變化，加上網路應用的普及與快速發展下，經濟、社會都起了結構性的轉變。在電子商務、社群商務或線上、線下消費行為上，都有了顯著的改變，雖然這為企業創造了許多新的商業機會與商業模式，但同時也為企業帶來了比以往更快速、更不可預測、更充滿不確定性的風險與威脅。就現今的企業經營發展而言，企業組織面臨的資訊風險與資訊安全挑戰已日漸嚴峻，添加了更多不確定性與複雜性的變數、帶來了更多的危機。尤其在資訊安全、隱私保護與數位犯罪形態上等議題，已嚴然成為當今企業組織首要面對的關鍵課題。而企業組織對營運的資訊風險偵知與管理，更需一個明確且務實的資訊風控策略與安管機制來回應，尤其對從事虛實

整合的企業，更是尤為重要。本研究目的為發展企業資訊的內控、稽核與風險管理機制，以保障企業經營與資訊風險於可控範圍內。企業因資訊環境的進步，複雜度不斷提昇，資訊系統的風險控制與稽核需求也與日俱增，對數據資料的準確性和資訊風險的控制，直、間接影響企業財務報表資訊的準確性與可靠性，更被企業視為之首要。因此，企業的管理者需隨時注意環繞在企業外部或潛藏在組織內部之風險，建立完整的資訊危機、偵防、預警、稽核、管控的機制與制度以應對之。此研究希望藉由探討有關資訊風險、內控管理與策略規劃等文獻，配合實務，提出符合企業資訊內控與資訊安全領域應用之策略規劃與模式，結合個案實例，以驗證本研究所提出的資訊內控、策略規

劃與建構流程之可行性與適宜性。本研究除採用文獻探討方式外，另彙整專家意見，強調專家審計觀點，配合資訊技術審計和風險控制模型，依資訊風險類型區分為內、外部資訊風險，建立資訊風險壓力構面，分析資訊風險結果，發展資訊內控、資訊安全稽核的流程與方法，以規劃出適用企業資訊內控與資訊安全性原則的可執行方案。並透過個案研究方式，探討個案公司在面對複雜的資訊內控、安全等議題時，如何依循研究流程架構中提出的資訊內控及資訊安全性原則規劃建構流程，找出最佳資訊風險管理的內部優先措施，以進行企業內資訊內控與資訊安全性原則的規劃與實施，以驗證資訊風險控制與管理之適用性，幫助企業進行實際應用建構之結構來確保資訊風險管理的

有效性。隨著資訊風險與資訊安全威脅的與日俱增，企業組織必須有可遵循的方法論，才能快速適宜的規劃出資訊內控與資訊安全性原則以應對。本研究的具體貢獻在針對電子商務、社群商務、線上消費或數位交易為主體的環境下，以資訊系統內部控制規範為基礎，歸納與分析過去文獻，以構建出資訊系統內部控制、資訊安全架構與資訊風險評估機制，透過個案實證機制的實用性，讓企業能夠精準地進行資訊系統的內部控制，同時評估內控機制的績效，以驗證所產出的稽核機制被運用在企業內部控制稽核上的可行性。研究成果可為學術界強化研究知識，或為後續研究者或實務界在互聯網或以數位交易為主體的環境下，實施企業風險管理，內部控制稽核與進行資訊安全性原則

規劃時參考。