早在 2019 年的时候，我在 InfoQ 上读到了一篇携程介绍其关于 GraphQL 探索的文章：全面解析 GraphQL，携程微服务背景下的前后端数据交互方案。这是我第一次接触到 GraphQL 的概念，当时并没有做深入的了解和学习，后来，在工作中，这个概念也在脑海中慢慢的淡化了。

今年 3 月份的时候，我在 InfoQ 上读到了爱奇艺关于 GraphQL 落地的文章：减少重复开发，GraphQL 在低代码平台如何落地？。刚开始觉得这个概念似曾相识，于是就搜索了一下，然后勾起了初次听到 GraphQL 的记忆。接下来，我在 InfoQ 上搜索了和 GraphQL 相关的内容，才发现原来有很多文章已经在介绍 GraphQL。同时，我在 GitHub 的文档中发现 GitHub 也提供了 GraphQL API 文档，技术的敏感性促使我下定决心来仔细&深入的了解 GraphQL。

于是，我在 manning 上找到了 GraphQL in Action（我一般会试图在这个站点找到希望了解的技术领域的最新的书籍）， 然后参照这本书，开启了我的 GraphQL 之旅。

视频的清晰度会受到多种因素的影响：分辨率，帧率，色深……对于UGC类型的视频业务而言，为了保证整站视频的质量，需要对用户上传的视频质量进行一点的判断。虽然不是绝对准确，但是，码率也是一种相对有效的评估指标。^[1]

在YouTube的帮助文档中，就提供了一份建议用于指导用户设置其上传的视频的编码参数^[2]。本文对码率的推荐数据进行了摘录。

在git commit messages中使用emoji表情可以包含很多有用信息，并且能够提升commit message的阅读体验。但是，需要注意的是，在commit message中，emoji不能乱用，否则容易导致误解。为了解释并标准化commit message中的emoji，Gitmoji项目应运而生。

我们在commit message中使用emoji的时候，也应该尽量遵循Gitmoji的规范，避免引起不必要的误会。

君子性非异也，善假于物也。

前几天，在一次会议上，有同学问我：如何才能提升工作效率？ 和以往的答疑环节不同，我这次没有给出明确的、马上可行的方法，相反，我仅仅是给出了自己对“如何提升工作效率”的思考。

鉴于时间的关系，当时没有展开来讲，对当时的内容进行了梳理、丰富和扩展，就形成了这篇文章。

从FFmpeg的代码提交记录lavfi: add filter dnn_detect for object detection中，我们发现，FFmpeg已经以滤镜的形式提供了基于DNN的目标检测能力。

卷积的数学定义

在图像分析和图像处理中，卷积(convolution)是一种非常重要的运算。卷积是一个积分运算，其反应的是函数$f(x)$在另一个函数$h(x)$上移动时所叠加的量。函数$f$和$h$在有限域$[0,t]$上的一维卷积为：

$\begin{aligned} (f*h)(t) &= \int^{t}_{0}f(\tau)h(t-\tau)\mathrm{d}\tau \\ &= \int^{t}_{0}f(t - \tau)h(\tau)\mathrm{d}\tau \end{aligned}$

需要注意的是，卷积积分的上下限实际为$(-\infty, +\infty)$，但是此处我们假设负坐标部分的值为0，因此这里可以限定在区间$[0,t]$中。^[1]

VMAF是Netflix开发的、用于评估视频感知质量的算法。VMAF包括一个独立的C语言库libvmaf及其对该库的Python包装。在Python库中，还提供了一组工具，以方便用户可以训练和测试自定义的VMAF模型。目前为止，在工业实践中，VMAF是视频质量评估领域中最优秀的全参考评估算法。

但是，在MacOS上编译并使用VMAF的过程中，发现会有一些问题导致无法编译成功，并且和模型训练相关的python代码也存在某些小的冲突，导致在整个模型训练的过程会出现某些异常。

本文就是对自己在调试过程中遇到的问题的总结。

视觉信息保真度（VIF）是基于自然场景统计（natural scene statistics）和人类视觉系统（human visual system）提取图像信息的一种全参考的图像质量评估指标，并且与人类对视觉质量的判断具有良好的相关性。

2006年，Hamid R Sheikh和Alan Bovik在德克萨斯大学奥斯汀分校的图像和视频工程实验室（LIVE: Laboratory for Image and Video Engineering）提出了VIF算法。

今年的职称评定工作比以往来的要早一点，好多的同学不得不在春节假期就准备自己的材料。每一次review别人的材料后，总会有一些感想，一直也没有时间整理出来，趁着这次机会，也结合自己过去的实践做一个简单的总结。

真实世界的亮度范围是十分广阔的，而人眼能感知到的亮度范围在十万尼特左右。举个例子，用分光色度计测量向着阳光盛开的花朵，其黄色区域亮度最高可达14700尼特，边缘的红色是2300尼特，中央的花蕊和绿叶只有200尼特以下。但是，在窄色域、亮度普遍不超过100尼特、对比度也只有1000：1的SDR显示器下，这张照片的色彩会暗淡很多。但是随着技术的发展，HDR技术可以达到广色域、1000尼特亮度以及上万的对比度。虽然和现实标准相差还是比较大，但是相较于三十年前的SDR，HDR还是前进了一大步。