开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

返回负坐标的WinGetPos

WinGetPos是一个AutoHotkey脚本命令，用于获取指定窗口的位置和尺寸信息。它返回一个包含窗口左上角坐标和宽度高度的四个值的数组。

负坐标是指窗口相对于屏幕左上角的位置坐标为负数。在Windows操作系统中，通常屏幕的左上角坐标为(0,0)，而负坐标表示窗口位于屏幕左上角的左侧或上方。

WinGetPos的语法如下：

WinGetPos, OutputVarX, OutputVarY, OutputVarWidth, OutputVarHeight, WinTitle, WinText, ExcludeTitle, ExcludeText

参数说明：

OutputVarX: 用于存储窗口左上角的X坐标的变量。
OutputVarY: 用于存储窗口左上角的Y坐标的变量。
OutputVarWidth: 用于存储窗口的宽度的变量。
OutputVarHeight: 用于存储窗口的高度的变量。
WinTitle: 可选参数，用于指定窗口的标题。
WinText: 可选参数，用于指定窗口的文本内容。
ExcludeTitle: 可选参数，用于排除具有指定标题的窗口。
ExcludeText: 可选参数，用于排除具有指定文本内容的窗口。

应用场景： WinGetPos可以用于自动化脚本中，例如在屏幕上定位和操作特定窗口。通过获取窗口的位置和尺寸信息，可以实现诸如窗口移动、调整大小、最大化、最小化等操作。

推荐的腾讯云相关产品：腾讯云提供了一系列云计算相关的产品和服务，以下是一些推荐的产品：

云服务器（CVM）：提供弹性计算能力，可根据需求快速创建、部署和管理虚拟服务器。产品介绍链接：https://cloud.tencent.com/product/cvm
云数据库MySQL版（CDB）：提供高性能、可扩展的关系型数据库服务，适用于各种应用场景。产品介绍链接：https://cloud.tencent.com/product/cdb_mysql
云存储（COS）：提供安全可靠的对象存储服务，适用于存储和管理各种类型的数据。产品介绍链接：https://cloud.tencent.com/product/cos
人工智能机器学习平台（AI Lab）：提供丰富的人工智能算法和模型，帮助开发者快速构建和部署AI应用。产品介绍链接：https://cloud.tencent.com/product/ailab

请注意，以上推荐的产品仅代表腾讯云的一部分云计算产品，更多产品和服务可在腾讯云官网上查看。

相关搜索:Blazeface预测返回负x坐标 Dapper返回负结果 LightGBM返回负概率 Predict.glm返回负概率？Python和openCV : HOG描述符检测多尺度返回负边界框 Windows函数"GetCursorInfo“返回成功，但游标的句柄为空为什么我的遗传算法返回负的适应值？为什么此代码在karatsuba乘法中返回负答案使用模式文件返回所有行而不是目标的grep 在证明搜索中返回子目标的Prolog规则

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

391.完美矩形，如果用扫描线算法你会怎么做

我们有 N 个与坐标轴对齐的矩形, 其中 N > 0, 判断它们是否能精确地覆盖一个矩形区域。

03

python实现GUI自动化（控制鼠标）|屏幕快照&图像识别基础

●GUI自动化就是写程序直接控制键盘和鼠标。这些程序可以控制其他应用，向它们发送虚拟的击键和鼠标点击，就像你自己坐在计算机前与应用交互-样。这种技术被称为“图形用户界面自动化”，或简称为“GUI自动化"。有了GUI自动化，你的程序就像-个活人用户坐在计算机前一样，能做任何事情,除了将咖啡泼在键盘上。 ●也可以将GUI自动化看成是对一个机械臂编程。你可以对机械臂编程，让它敲键盘或移动鼠标。对于涉及许多无脑点击或填表的任务，这种技术特别有用。

04

python数组-1成员_python[1,2,3]*3

插入 python中的list，tuple，dictionary 与numpy中的array mat是有区别的。

02

[随缘一题]雷达监测

一个2D平面上有一堆雷达（雷达有x, y坐标，以及能探测到的范围r半径）。现在有一辆小车要从y = 0和y = 1的区间里面通过并且不能被雷达探测到。若被检测到，输出YES，否则输出NO。（可以认为，小车是一条长度为1的线段，沿直线从x = 0 向右前进）

02

统计学整理(四)

在之前的内容里，我们关注的都是一个数值变量或者两到三个变量的关系。在数值变量中，我们一般关注两个特征，它们是均值与方差。对于均值的检验，我们一般使用的是单样本t检验(One-sample t-test)，因为大部分情况下我们都不知道总体的方差，所以一般不会使用Z检验(z-test)。对于方差的检验，我们使用的是卡方检验(Chi-square test)。

01

HTML DOM的各种宽高、偏移位置的属性总结

指的是元素的可视部分宽度和高度，即padding+content，如果没有滚动条，即为元素设定的高度和宽度，如果出现滚动条，滚动条会遮盖元素的宽高，那么该属性就是其本来宽高减去滚动条的宽高，包含内边距，但不包括水平滚动条、边框和外边距。

03

SSD: Single Shot MultiBox Detector

本文提出了一个使用单一深度神经网络对图像中的目标进行检测的方法。本文的方法称为SSD，根据每个feature map位置不同的宽高比和尺度，将Bounding Box的输出离散为Bounding Box先验的集合。在预测时，网络产生置信度，认为每个先验对应感兴趣的目标，并对先验进行调整，以便更好地匹配目标的形状。此外，该网络结合了来自具有不同分辨率的多个特征图的预测，以自然地处理不同大小的目标。SSD模型相对于需要目标建议的方法(如R-CNN和MultiBox)是简单的，因为它完全抛弃了生成建议的步骤，并将所有计算封装在一个网络中。这使得SSD易于训练，并且易于集成到需要检测组件的系统中。在ILSVRC DET和PASCAL VOC数据集上的实验结果证实，SSD的性能与使用目标建议步骤的方法相当，但速度要快100-1000倍。与其他单阶段方法相比，SSD具有相似或更好的性能，为训练和推理提供了统一的框架。

01

Emgu.CV 报错 Emgu.CV.Util.CvException: OpenCV

通过仔细检查代码，推测可能是传入的X，Y坐标的问题。在之前使用System.Drawing 的Bitmap处理图片时，打开图片，获取到Bitmap对象后，图片的坐标是都为负值，即均为负坐标。而在尝试改成正坐标之后，异常解决了。。。这里的推测是opencv 的image对象和system.Drawing 的image对象应该是不同的，同样的截图一块区域，System.Drawing 负坐标正常截取，而opencv则是正坐标才正常截取。

01

【Cesium】Cesium坐标转换

4、Cartographic（地理坐标系下经纬度的弧度表示），通常情况下通过它和WGS84坐标系之间互转。

04

目标检测算法之Anchor Free的起源：CVPR 2015 DenseBox

刚刚过去的2019年出现了大量Anchor Free的工作，并且这个方向似乎大有可为，不少大佬都在研究这个方向。本着学习的态度，我将从Anchor Free的起源开始讲起，这是一个持续更新的系列。今天先来讲一下CVPR 2015的DenseBox，这项工作算是Anchor Free的起源。不得不说接近3-4年时间，Anchor Free才大火起来，由此看来这篇论文确实高瞻远瞩。论文地址和代码实现见附录。

01

路径布局-基于数学函数的视图布局方法

路径布局MyPathLayout是MyLayout布局体系中的第7种布局体系，在这种布局体系中您只需要提供一个坐标轴、一个曲线函数、以及视图之间的距离这三个要素就可以构造出来一个非常酷炫的界面布局效果。在了解路径布局之前您可以看看下面几个用路径布局实现的效果实例：

02

深入理解z-index

在页面编写的过程中，经常需要处理元素的重叠。重叠的顺序不当则容易造成元素被错误地遮盖等现象。一般地，有很多人认为只需要指定元素的z-index即可调整重叠的顺序，但是实际上并不是这样的。

02

【CSS】207-深入理解z-index

在页面编写的过程中，经常需要处理元素的重叠。重叠的顺序不当则容易造成元素被错误地遮盖等现象。一般地，有很多人认为只需要指定元素的z-index即可调整重叠的顺序，但是实际上并不是这样的。

02

贾尚文_roc指标详解及实战用法

其中，TP(真正，True Positive)表示真正结果为正例，预测结果也是正例；FP(假正，False Positive)表示真实结果为负例，预测结果却是正例；TN（真负，True Negative）表示真实结果为正例，预测结果却是负例；FN（假负，False Negative）表示真实结果为负例，预测结果也是负例。显然，TP+FP+FN+TN=样本总数。

04

程序员进阶之算法练习（四十八）LeetCode

题目链接题目大意：给出两个非空的链表用来表示两个非负的整数。其中，它们各自的位数是按照逆序的方式存储的，并且它们的每个节点只能存储一位数字。如果，我们将这两个数相加起来，则会返回一个新的链表来表示它们的和。您可以假设除了数字 0 之外，这两个数都不会以 0 开头。

02

【目标检测】开源 | 基于盒域感知向量的航空图像定向目标检测方法，优于之前的基线法，性能SOTA！

论文地址： http://arxiv.org/pdf/2008.07043v2.pdf

02

什么是WPF_windows程序设计教程

(1)字参数(wParam) (2)长参数(lParam) 　　字参数和长参数都是32位整数，用于提供消息的附带消息，是消息传递过程中参数的载体。附加信息的消息号取决于消息号。

02

Python数据处理从零开始----第四章（可视化）(10)二分类ROC曲线目录

机器学习中对于分类模型常用混淆矩阵来进行效果评价，混淆矩阵中存在多个评价指标，这些评价指标可以从不同角度来评价分类结果的优劣，以下内容通过简单的理论概述和案例展示来详细解释分类模型中混淆矩阵的评价指标及其用途。

02

在Python中如何使用GUI自动化控制键盘和鼠标来实现高效的办公

在计算机上打开程序和进行操作的最直接方法就是，直接控制键盘和鼠标来模仿人们想要进行的行为，就像人们坐在计算机跟前自己操作一样，这种技术被称为“图形用户界面自动化”，也可称为“GUI自动化”

03

模型评估

文章从模型评估的基本概念开始，分别介绍了常见的分类模型的评估指标和回归模型的评估指标以及这些指标的局限性。部分知识点举例加以阐述，以便加深理解。思维导图如下： 1 基本概念模型评估用来评测模型的

03

目标检测中的Anchor-free回顾

Anchor-free 的检测算法可分为anchor-point的算法和key-point的算法。Anchor-point 检测器通过预测目标中心点，边框距中心点的距离或目标宽高来检测目标，本质上和anchor-based算法相似，此类算法有FCOS，CenterNet等；而key-point方法是通过检测目标的边界点（如：角点），再将边界点组合成目标的检测框，典型的此类算法包括CornerNet, RepPoints等。

01

目标检测中 Anchor 与 Loss 计算

对于一般的目标检测 loss 计算，通常分为几部分。比如 yolo 系列分为 objectness（是否包含目标）、classification（目标分类）、boundingbox-regression（目标位置）。其中，每个样本都需要计算 objectness 得分的损失，正样本需要计算 classification 和 bbox-regression 损失，其中每种损失又有不同的计算方式和组合方法，比如 bbox-regression 有 D_IoU、G_IoU、C_IoU 等等，组合方法有 Focal Loss 等等。但是这些不是我们这篇文章关注的重点。

00

个性化推荐系统设计（3.1）如何评价个性化推荐系统的效果

一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。正确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。不妨看看这些指标的定义先：

02

Python之pygame学习矩形区域（5）

在pygame中矩形区域这个类比较特殊，在游戏中，所有可见的元素都是以矩形区域来描述位置。

03

opencv双目测距实现

来自： http://blog.csdn.net/sunanger_wang/article/details/7744015 虽然最近注意力已经不可遏制地被神经科学、大脑记忆机制和各种毕业活动吸引过去了，但是还是觉得有必要把这段时间双目视觉方面的进展总结一下。毕竟从上一篇博文发表之后，很多同仁发E-mail来与我讨论，很多原来的疑团，也在讨论和一步步的试验中逐渐解决了。开篇之前，首先要感谢maxwellsdemon和wobject，没有和你们的讨论，也就没有此篇的成文。说到双摄像头测距，首先要复习一下

04

用逻辑回归对用户分类 (理论＋实战)

如果你在运营一个2C的平台，那么你肯定关心用户流失的问题。腾讯有个产品叫信鸽Pro，它能够通过对用户往期行为的挖掘，预测用户潜在的流失（付费）行为，进而实现精准营销。据说，腾讯自己的手游就是用这个系统做用户分析的。

02

3D场景中物体模型选中和碰撞检测的实现

在3D场景中常用的一个需求就是鼠标在屏幕上点击特定位置，选中一个物体模型，进行下一步的操作。比如说移动、旋转变形或者改变物体模型渲染外观等等。具体怎么实现呢？这涉及到把二维坐标转换到三维场景里，进行检测找到选种的模型。

02

FANUC螺距误差补偿原理及方法

数控编程、车铣复合、普车加工、Mastercam、行业前沿、机械视频，生产工艺、加工中心、模具、数控等前沿资讯在这里等你哦

01

分类问题的评估指标一览

最近分类问题搞的有点多，但对一些指标依旧有模糊的地方（虽然做了笔记），事实证明，笔记笔记，没有进到脑子里呀。因此，我想着肯定有跟我一样半生半熟的小伙伴在分类指标这块依旧有迷惑，毕竟常用的几个大多数情况下就够用了，这篇文章就主要讲一讲分类的评估指标。

03

RPN网络

1、先通过conv层+pooling层+relu层，可以是vgg，得到feature maps。

03

Scalable Object Detection using Deep Neural Networks

深度卷积神经网络最近在一系列图像识别基准测试中取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测一个边界框和图像中每个目标类别的置信度得分。这样的模型捕获目标周围的整个图像上下文，但是如果不天真地复制每个实例的输出数量，就不能处理图像中相同目标的多个实例。在这项工作中，我们提出了一个显著性激发的神经网络模型用于检测，它预测了一组与类无关的边界框，以及每个框的一个得分，对应于它包含任何感兴趣的目标的可能性。模型自然地为每个类处理可变数量的实例，并允许在网络的最高级别进行跨类泛化。我们能够在VOC2007和ILSVRC2012上获得具有竞争力的识别性能，同时只使用每张图像中预测的前几个位置和少量的神经网络评估。

02

python 捕捉和模拟鼠标键盘操作

使用的python版本为：3.6.1，使用anaconda配置的python环境参考博文

02

读RCNN论文笔记

1. RCNN的模型（如下图）描述: RCNN相比传统的物体检测，还是引入传统的物体检测的基本流程，先找出候选目标物体，逐个的提取特征，不过rbg大神引入了当时炙手可热的CN

06

Codeforces Round #665 (Div. 2)

B题贪心构造，尽量别想太复杂，要不很容易绕不出来，可以分类讨论一下或者自己构造几个数组找找规律。

01

你真的分得清“前后左右”和“东西南北”吗？（三）——向左拐，还是往北走？

今天我们接着上一篇留下的问题，来看看东西南北这样的方位描述，和前后左右的区别和联系。

02

实战-电力窃露漏电用户自动识别

https://keras.io/api/metrics/classification_metrics/#precision-class

05

LeetCode刷题实战64：最小路径和

算法的重要性，我就不多说了吧，想去大厂，就必须要经过基础知识和业务逻辑面试+算法面试。所以，为了提高大家的算法能力，这个公众号后续每天带大家做一道算法题，题目就从LeetCode上面选！

01

回归评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线

机器学习有很多评估的指标。有了这些指标我们就横向的比较哪些模型的表现更好。我们先从整体上来看看主流的评估指标都有哪些：

02

深度学习500问——Chapter08：目标检测（4）

我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。

01

地理坐标系与投影坐标系的区别

1、首先理解地理坐标系（Geographic coordinate system），Geographic coordinate system直译为地理坐标系统，是以经纬度为地图的存储单位的。很明显，Geographic coordinate syst em是球面坐标系统。我们要将地球上的数字化信息存放到球面坐标系统上，如何进行操作呢？地球是一个不规则的椭球，如何将数据信息以科学的方法存放到椭球上？这必然要求我们找到这样的一个椭球体。这样的椭球体具有特点：可以量化计算的。具有长半轴，短

06

emWin学习[通俗易懂]

窗口是矩形的、具有Z位置、可以隐藏和显示、具有有效或无效区域、可以透明或不透明、可具有或没有回调函数。

01

C++ 离散化算法

离散化是离散数学中的概念。离散化算法，指把无限空间中的离散数据映射到一个有限的存储空间中，并且对原数据进行有序索引化。主打压缩的都是精化。

01

详解准确率、精确率、召回率、F1值等评价指标的含义

很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。

05

【AI初识境】深度学习模型评估，从图像分类到生成模型

图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来的imagenet，图像分类任务伴随着数据库的增长，一步一步提升到了今天的水平。现在在Imagenet这样的超过1000万图像，2万类的数据集中，计算机的图像分类水准已经超过了人类。

01

Python 自动化指南（繁琐工作自动化）第二版：二十、使用 GUI 自动化控制键盘和鼠标

了解用于编辑电子表格、下载文件和启动程序的各种 Python 模块是很有用的，但有时您需要使用的应用没有任何模块。在计算机上实现任务自动化的终极工具是你编写的直接控制键盘和鼠标的程序。这些程序可以通过发送虚拟击键和鼠标点击来控制其他应用，就像你坐在电脑前亲自与应用进行交互一样。

05

目标检测算法发展简史

比起图像识别，现在图片生成技术要更加具有吸引力，但是要步入AIGC技术领域，首先不推荐一上来就接触那些已经成熟闭源的包装好了再提供给你的接口网站，会使用别人的模型生成一些图片就能叫自己会AIGC了吗？那样真正成为了搬运工了，而且是最廉价的。生成图片技术更多是根据一些基础的图像处理技术来演变而来，从最基础的图像处理技术学习，你就能明白图片生成是怎么一回事。最近看了很多关于目标检测的文章和博客，也在学习AIGC技术，从基础手工设计特征到如今的深度学习模型，二者技术发展历史其实可以说是有比较共同性的。

03

Leetcode【789、1017】

这道题是在二维平面上有一个人从原点出发，每次移动一个单位（东南西北）到目标坐标 target，平面上还有一些鬼 ghosts 每次也移动一个单位到目标坐标。如果人比所有鬼先到目标坐标，则表示逃离鬼，返回 True，否则返回 False。

01

Single-Shot Refinement Neural Network for Object Detection

对于目标检测，两阶段方法(如Faster R-CNN)的准确率最高，而单阶段方法(如SSD)的效率较高。为了在继承两种方法优点的同时克服它们的缺点，本文提出了一种新的单阶段检测器，称为RefineDet，它比两阶段方法具有更好的精度，并保持了与单阶段方法相当的效率。RefineDet由两个相互连接的模块组成，即锚点细化模块和目标检测模块。具体来说，前者的目的是(1)过滤掉负锚点，减少分类器的搜索空间，(2)粗调锚点的位置和大小，为后续回归器提供更好的初始化。后一个模块以改进后的锚为输入，进一步改进回归，预测多类标签。同时，我们设计了一个传输连接块来传输锚点细化模块中的特征，以预测目标检测模块中目标的位置、大小和类标签。多任务丢失功能使我们能够以端到端方式训练整个网络。在PASCAL VOC 2007、PASCAL VOC 2012和MS COCO上的大量实验表明，RefineDet能够以高效的方式实现最先进的检测精度。

01

Faster RCNN 网络理解

backbone 为 vgg16 的 faster rcnn 网络结构如下图所示，可以清晰的看到该网络对于一副任意大小 PxQ 的图像，首先缩放至固定大小 MxN，然后将 MxN 图像送入网络；而 Conv layers 中包含了 13 个 conv 层 + 13 个 relu 层 + 4 个 pooling 层；RPN 网络首先经过 3×3 卷积，再分别生成 positive anchors 和对应 bounding box regression 偏移量，然后计算出 proposals；而 Roi Pooling 层则利用 proposals 从 feature maps 中提取 proposal feature 送入后续全连接和 softmax 网络作 classification（即分类： proposal 是哪种 object）。

03

目标检测模型学习笔记

比起图像分类任务的数据扩增，目标检测的难点在于，要保持边界框和发生形变的图像之间的一致性 (Consistency) 。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭