Hyacinth

文章的分类和标签设计分类（Categories）技术类 编程语言（programming-languages） 算法与数据结构（algorithms-and-data-structures） 计算机系统（computer-systems） 网络与安全（networks-and-security） 数据库与数据（databases-and-data） 人工智能/机器学习（machine-learning） 前端开发（frontend） 后端与分布式（backend-and-distributed） 移动与客户端（mobile-and-client） 运维与DevOps（devops） 软件工程与工具（software-engineering） 图形学与多媒体（graphics-and-media） 人机交互与可用性（hci-and-ux） 数学基础（math-foundations） 课程与作业（courses-and-assignments） 项目与实习（projects-and-internships） 读书与论文笔记（reading-and-papers） 比赛与刷...

Git 命令速查适用平台：Windows / macOS / Linux。覆盖安装后常用到的配置 / 新建与克隆 / 提交与撤销 / 分支与合并 / Rebase / 远端 / 标签 / 记录 / 暂存 / 子模块 / 工作树 / 稀疏检出 / 清理 / 排错等。 1. 基础配置（一次性/全局）12345678910111213git --versiongit config --global user.name "Your Name"git config --global user.email "you@example.com"git config --global init.defaultBranch main # 默认主分支名git config --global core.autocrlf input # macOS/Linux ...

微表情和心理特征一致性融合的测谎模型研究 一句话：就是做一个“看脸+听声音+看说话内容”的多模态测谎模型，核心不是简单把特征拼在一起，而是专门抓“微表情”和“心理特征”之间的不一致，把“言不由衷”“认知超载”这种心理机制用算法形式表达出来。 一、在整个课题中的位置 研究内容一：解决“有啥数据”的问题（数据集分析与构建）。 研究内容二：解决“怎么判断谎言”的核心算法问题。 研究内容三：把算法做成一个可用的平台系统。 所以，研究内容二就是：基于微表情和心理特征一致性融合的测谎模型研究——是整篇论文里最“算法”和“创新点”集中的部分。 二、这个模型整体在做什么？从流程上看，可以概括成三层： 原始输入： 视频：包含被试脸部的连续帧（微表情信号） 音频：说话的声音（语速、停顿、音高等） 文本：把说话内容转成文字（语义、情感、复杂度等） 中间特征层： 视觉通道 → 提取微表情时空特征 语音/文本通道 → 计算认知负荷分数序列、情绪矛盾分数序列等“心理学特征”，再编码成一个心理特征向量（+基本声学与文本特征） 决策层： 通过一个一致性融合模块（交叉注意力 + 不一致性加...