精华内容
下载资源
问答
  • 事实证明,基于分解目标进化算法(MOEA / D)在解决复杂的目标优化问题方面具有竞争力。 但是,MOEA / D的性能对其参数设置非常敏感。微分进化(DE)算子是MOEA / D中使用最广泛的算子,同时生成新的解和DE的...
  • 插值分解(ID)与ID-MLFMA表示的多级快速多极算法(MLFMA)结合使用,可以处理尺度问题。 ID-MLFMA首先通过将最高级MLFMA级别的框递归划分为较小的框来生成ID级别。 具体显示出,在ID级,以矩阵矢量乘法(MVM)的...
  • 有效粗糙度很有用,因为单个尺寸的特征将被个细节级别的小波分解。 该例程考虑了粗糙度的分布,并通过拟合 Haar 小波的粗糙度分布曲线来给出每个细节级别的有效粗糙度。 有效尺寸为:适合 1 = 1 像素、适合 2 = 2...
  • 长整数的因子分解

    2009-07-14 14:25:00
    练习题做了就发现有好多整数相关的题目都要用到因子分解(或是其变种,如整除之类),比如有一个题:给定整数N,若N可以分解为四个整数乘积,我们称其级别为1,如果上述分解的因子每个都能进行同样的分解,我们称N...

    练习题做多了就发现有好多整数相关的题目都要用到因子分解(或是其变种,如整除之类),比如有一个题:给定整数N,若N可以分解为四个整数乘积,我们称其级别为1,如果上述分解的因子每个都能进行同样的分解,我们称N级别为2,依次类推,求任意N的级别

     

    我的思路是设立一个全局变量count 通过递归函数进行N的逐步整除,每次整除count都要加1,通过count控制在4以内结束递归,然后对N的每个因子进行类似处理。类似于上一篇博客的问题。大致代码如下(未完成):

    void countFactor(long n) { for(int i=2;i<n;i++) { if(n%i==0) { count++; countFactor(n/i); break; } } }

    后来我发现这样做行不通,不说最后能否运行,但是复杂度就已经惊人,最差为N!级别

    最近好像很迷信递归,但这个题来讲递归不是好办法。

    接下来参考其他人的算法,确实让我开了眼界。该程序来自stubbscroll,如果我的考虑是自上而下,他的做法应该是自下而上,先将N分解为质因子,通过计算质因子数可以多少次被4除就能判定N的级别了。非常简洁,复杂度应该为O(NlogN)

    一下为代码:

    public int getLevel(long N) { //exellent! 先进行因式分解,分解到质因子,然后将这些因子四个一堆进行分类有多少个四分结果就是多少 int num = 0; while (N % 2 < 1) { N /= 2; num++; } for (int i = 3; (long) i * i <= N; i += 2) { while (N % i == 0) { N /= i; num++; } } if (N > 1) { num++; } int ans = 0; while (num > 3) { num /= 4; ans++; } return ans; } }

    展开全文
  • 请注意,由于这些选项具有不同的难度级别,因此选项#1的基线等级最高,其次是选项#2,选项#3的最低等级。 要求您使用细节处理作为示例来说明您的过滤器或比较过滤器。 其他申请将被视为奖金。 项目特色 选择选项...
  • 使用分解,可以证明N = 4 $$ \ mathcal {N} = 4 $$ U(N c)理论的Seiberg型对偶性,其中Nf个超重子级在索引级别。 我们明确表明,违反恶劣理论中的统一性的单极算子被映射到对偶自由超重子。 对于具有一个伴随...
  • 软件生命周期模型和项目开发过程有非常紧密关系,它是经过次实践总结出来适合于不同项目使用的经典、有效的软件开发方法,它按照软件生命周期的各个阶段划分任务,依照一定的规则和步骤,有效地进行软件开发。...
  • JAVA 访问控制级别(详细改进版)

    千次阅读 2008-07-17 09:41:00
    网上看到很关于访问控制级别的描述,相当模糊,特别是protected和默认级别很多人都不清楚,这里我详细分解了一下,相信已经很清晰,从上到下,访问控制的限制越来越严格,熟悉这些限制对于设计也有很好处。...

    网上看到很多关于访问控制级别的描述,相当模糊,特别是protected和默认级别很多人都不清楚,这里我详细分解了一下,相信已经很清晰,从上到下,访问控制的限制越来越严格,熟悉这些限制对于设计也有很多好处。

    访问控制符 同类 同包子类  同包其它类 不同包子类 不同包其它类
    public
    protected ×
    默认 × ×
    private × × × ×
             
    展开全文
  • 后期将持续更新文章,更喜欢请关注公众号 背景介绍 公司业务系统做优化改造,同时为了能够实现全链路监控,需收集所有业务系统之间的调用日志。 数据情况:每天20亿+ 机器成本:3台kafka集群,2台logstash采集...

    背景介绍

    公司业务系统做优化改造,同时为了能够实现全链路监控,需收集所有业务系统之间的调用日志。

    数据情况:每天20亿+

    机器成本:3台kafka集群,2台logstash采集机器

    技术:Java,MQ,MLSQL,Logstash

    下图为最终结果图

    效果图.png

    采集流程

    logstash采集流程图.png

    流程分解

    流程一:MLSQL 消费MQ

    原始日志产生侧通过protobuf进行序列化推送至mq,然后通过MLSQL进行反序列化并进行简单的etl处理后,再推送至MQ

    流程二:通过Logstash进行消费MQ

    通过logstash消费经过MLSQL处理后的数据,并在这里通过ruby进行再次的加工处理,最后写入es和hdfs

    注意:这里一部分流程推送到es是业务侧使用,而另一部分写入hdfs是提供给数仓使用

    流程三: 数仓建模

    这里通过数仓建模,将最后的指标结果推送至es提供给业务侧使用

    注意:本篇主要是借鉴这个需求讲解Logstash在实际场景中的使用以及优化,其他两个部分流程不做详细讲解

    为什么这样设计?

    原因一:

    首先这个需求属于日志采集的范畴,但Logstash本身不支持反序列化功能,需要自定义开发ruby插件来支持,但这样一来开发成本较高,且不好维护,所以使用了MLSQL结合UDF的方式进行流式处理

    原因二:

    大家在对最后的输出流程可能会有疑惑,为什么不直接通过MLSQL来写入到hdfs和es呢,这里有两点:

    1.MLSQL写入hdfs会产生大量的小文件,需要单独开发合并文件的功能

    2.最后写入es的数据是需要数仓结合其他业务数据进行建模的,而MLSQL在这点做的不太好,所以这里走的是离线处理的方式

    说到这里,具体的场景需要结合公司的实际情况来进行决策的,有些同学或许会想为什么不用flume进行日志采集呢?那这里就不做过多的解释了,白菜萝卜各有所爱,适合自己的才是最好的!废话不多说,接下来进入正题,结合该需求场景,如何使用较少的成本完成大数据量的采集呢?以及如何优化呢?

    Logstash开发流程

    1.确定日志格式

    首先呢,一个日志文件里肯定是不止一种日志格式,也有可能是标准化的格式,这里需要跟日志产生侧进行确认格式

    2.调试grok

    确定好日志格式后,编写grok语法,然后进行调试,本人是通过kibana6自带的grok debug进行调试。结合该需求背景,最后经过logstash采集的时候,其实已经通过MLSQL进行了处理,最后Logstash消费的是格式就是一个json字符串,所以不需要grok语法,但是这里还是简单举个例子来说明一下

    grok_debug.png

    3.调试ruby

    结合该需求,使用ruby进行一些清洗逻辑
    ruby.png

    4.优化

    这里优化的工作在整个需求开发周期的比例较大,因为数据量较大,且资源比较少,具体优化思路如下:

    1.MLSQL优化

    这部分的优化工作主要是在反序化这块,剔除了一部分无用字段,以及提前过滤了一部分数据量,这里给出一部分注册UDF的代码

    mlsql_1.png

    2.Kafka端优化

    因kafka集群是集团共用,所以kafka端的优化其实只涉及到消费端的优化。这里只调节了两个参数

    一:数据压缩

    二:消费者线程数

    3.hdfs优化

    logstash写入hdfs的部分不用使用自带的webhdfs插件,而是自定义的插件。

    因自定义插件中涉及到文件锁的问题,会通过比对前后两次文件是否一致来进行文件最后的刷写,所以这里只能通过减少文件的更新频率来减少上下文的切换以及刷写操作

    4.ES优化

    es部分的优化也只是涉及到写优化,比如批量写入、调大线程数、增加refresh间隔、禁止swapping交换内存、禁止refresh和replica操作,调大index buffer等操作

    后期将持续更新文章,更多喜欢请关注公众号"初学大数据"

    展开全文
  • 结果表明,夸克规不变算子通常可以分解为普通强子算子的乘积组合,表现出它们的簇可约性。 后者的性质抑制了完全紧凑的夸克束缚态的形成。 在强子簇彼此靠近的配置空间区域中,夸克算子仍在描述奇异状态中起着...
  • 以下软件包使用的前奏库,主要用于分解导入。 基于系统单调时钟的定时库。 容器(图形,矩阵,循环矩阵,动态向量等) 几何,文字动画 不同色彩空间中的8位色彩处理 缓和,逆缓,插值,矩形帧变形。 物理 UI组件...
  • 近年来,数据的汇总呈指数级增长。 有各种各样的数据生成源可导致如此高的数据增长率。... 通过比较5个分解级别上的3个小波,这项工作特别着重于使用小波变换的分辨率分析。 仿真结果表明了该方法的有效性。
  • 扩展的特征会分解个特征,然后将其重构为上采样点集。 我们的网络是在补丁级别应用的,具有联合损失函数,该函数鼓励向上采样的点以均匀分布的形式保留在基础表面上。 我们使用合成和扫描数据进行了各种实验,...

    摘要

    由于数据的稀疏性和不规则性,使用深度网络学习和分析3D点云具有挑战性。 在本文中,我们提出了一种数据驱动的点云上采样技术。 关键思想是通过隐式地在特征空间中的多分支卷积单元学习多点特征和扩展点集。 扩展的特征会分解为多个特征,然后将其重构为上采样点集。 我们的网络是在补丁级别应用的,具有联合损失函数,该函数鼓励向上采样的点以均匀分布的形式保留在基础表面上。 我们使用合成和扫描数据进行了各种实验,以评估我们的方法,并证明了其相对于某些基准方法和基于优化的方法的优越性。 结果表明,我们的上采样点具有更好的均匀性,并且位置更靠近基础表面。

    1.简介

    点云是一种基本的3D表示形式,由于各种深度扫描设备的普及,它已引起越来越多的关注。 最近,开创性著作[29,30,18]开始通过深层网络的方法探索点云推理的可能性,以了解几何形状和识别3D结构。 在这些作品中,深层网络不使用传统特征(例如法线和曲率)直接从原始3D点坐标中提取特征。 这些作品为3D对象分类和语义场景分割提供了令人印象深刻的结果。 在这些工作中,对一个上采样问题感兴趣:给定一组点,通过学习训练数据集的几何形状,生成一组更密集的点来描述基本几何形状。 这个上采样问题在本质上与图像超分辨率问题相似[33,20]。
    然而,处理3D点而不是2D像素网格带来了新的挑战。 首先,与以规则网格表示的图像空间不同,点云没有任何空间顺序和规则结构其次,生成的点应描述潜在目标对象的基本几何形状,这意味着它们应大致位于目标对象表面上。 第三,产生的观点应是有益的,不应杂乱无章。 话虽如此,生成的输出点集在目标对象表面上应该更加均匀。 因此,输入点之间的简单内插无法产生令人满意的结果。
    为了应对上述挑战,我们提出了一种数据驱动的点云上采样网络。 我们的网络是在patch-level应用的,具有联合损失函数,该函数鼓励向上采样的点以均匀分布的形式保留在基础表面上。 关键思想是学习每个点的多级特征,然后通过隐含在特征空间中的多分支卷积单元扩展点集。 扩展的特征会分解为多个特征,然后将其重构为上采样点集。 我们的网络(即PU-Net)从3D模型中学习基于点的面片的几何语义,然后将学到的知识应用于给定点云的上采样。 应该注意的是,与以前为3D点集设计的基于网络的方法[29、30、18]不同,我们网络中输入和输出点的数量是不同的。 我们制定了两个度量标准,即分布均匀性和与下表面的距离偏差,以定量评估上采样点集,并使用各种合成的和实际扫描的数据来测试方法。 我们还评估了该方法的性能,并将其与基于基线和最新状态的方法进行了比较。 结果表明,我们的上采样点具有更好的均匀性,并且位于更靠近基础表面的位置。
    相关工作:基于优化的方法。 Alexa等人的早期工作。 [2]通过对局部切线空间中Voronoi图的顶点处的点进行插值来对一个点集进行上采样。Lipman等。 [24]提出了一种基于L1中位数的用于点重采样和表面重构的局部最优投影(LOP)算子。 即使输入点集包含噪声和异常值,操作员也可以正常工作。 相继,黄等。 [14]提出了一种改进的加权LOP来解决点集密度问题。
    尽管这些工作已显示出良好的结果,但他们坚决假设其下表面是光滑的,从而限制了该方法的范围。 然后,黄等。 [15]通过首先从边缘重采样,然后逐步接近边缘和角,引入了边缘感知点集重采样方法。 但是,其结果的质量在很大程度上取决于法线在给定点的准确性和仔细的参数调整。 值得一提的是吴等。 [35]在一个连贯的步骤中提出了一种融合和巩固的深层表示方法。 由于其主要重点是填充大孔,因此并未强制执行全局平滑度,因此该方法对大噪声敏感。 总体而言,上述方法不是数据驱动的,因此严重依赖先验条件。
    相关工作基于深度学习的方法。 点云中的点没有特定的顺序,也不遵循任何规则的网格结构,因此,只有最近的几篇著作采用深度学习模型来直接处理点云。 大多数现有的工作将点云转换为其他3D表示形式,例如体积网格[27,36,31,6]和几何图[3,26]进行处理。 Qi等。 [29,30]首先引入了用于点云分类和分割的深度学习网络。 特别是,PointNet ++使用分层特征学习体系结构来捕获本地和全局几何上下文。随后,针对点云的高级分析问题,提出了许多其他网络[18、13、21、34、28]。 但是,它们都集中于点云的全局或中级属性。 在另一篇著作中,Guerrero等人。 [10]开发了一个网络来估计点云中的局部形状属性,包括法线和曲率。 其他相关网络则专注于从2D图像进行3D重建[8、23、9]。 据我们所知,目前尚无专注于点云上采样的工作。

    2.网络架构

    鉴于3D点云具有不均匀分布的点坐标,我们的网络旨在输出更密集的点云,该点云遵循目标对象的基础表面,同时保持均匀分布。 我们的网络体系结构(见图1)具有四个组成部分:面片提取,点特征嵌入,特征扩展和坐标重建。 首先,我们从一组给定的先前3D模型中提取具有不同比例和分布的点补丁(第2.1节)。 然后,点要素嵌入组件通过分层要素学习和多级要素聚合将原始3D坐标映射到要素空间(第2.2节)。 之后,我们使用特征扩展组件(第2.3节)扩展了特征数量,并通过坐标重建组件中的一系列完全连接的层(第2.4节)重建了3D坐标软件输出点云。
    在这里插入图片描述

    2.1.Patch Extraction

    我们收集一组3D对象作为培训的先验信息。 这些物体涵盖了各种各样的形状,从光滑的表面到具有尖锐的边缘和角落的形状。本质上,要使我们的网络对点云进行上采样,它应该从对象中学习局部几何图形。 这促使我们采取基于补丁的方法来训练网络并学习几何语义。 详细地说,我们随机选择这些对象表面上的M个点。 从每个选定的点开始,我们在对象上生长一个曲面补丁,以使该补丁上的任何点都与曲面上的选定点相距一定的测地距离(d)以内。 然后,我们使用Poisson磁盘采样在每个补丁上随机生成N个点,作为补丁上的参考地面真点分布。 在我们的升采样任务中,本地和全局上下文都有助于平稳而均匀的输出。 因此,用不同的大小设置d,以便我们可以以不同的比例和密度提取先前对象上的点补丁。

    2.2.Point Feature Embedding

    要从patch中学习局部和全局几何上下文,我们考虑以下两种特征学习策略,它们的优势是相辅相成的:
    Hierarchical feature learning。 渐进地捕获越来越多的层次结构特征已被证明是提取局部和全局特征的有效策略。 因此,我们采用PointNet ++ [30]中最近提出的分层特征学习机制作为网络中最重要的部分。 为了采用分层特征学习进行点云上采样,我们具体在每个级别使用相对较小的分组半径,因为生成新的点通常比[30]中的高级识别任务涉及更多的局部上下文。
    Multi-level feature aggregation。 网络中的较低层通常对应于较小规模的局部特征,反之亦然。 为了获得更好的上采样结果,我们应该以最佳方式汇总不同级别的要素。 先前的一些工作采用跳过连接进行级联的多级特征聚合[25、32、30]。 但是,我们从实验中发现,这种自上而下的传播方式对于汇总我们的上采样问题中的特征并不是非常有效。 因此,我们建议直接组合不同级别的功能,并让网络了解每个级别的重要性[11、38、12]。
    由于在每个面片上设置的输入点(请参见图1中的点特征嵌入)在层次特征中被逐步采样,因此我们首先通过PointNet ++中的插值方法从降采样后的点特征中恢复所有原始点的特征,从而将每个级别的点特征连接起来。 。 具体而言,l级别中的插值点x的特征由下式计算:
    在这里插入图片描述
    其中wi(x)= 1 / d(x,xi)是距离权重的倒数,而xi,x2,x3是x在级别l中最接近的三个邻居。 然后,我们使用1×1卷积将不同级别的插值特征缩减为相同的维数,即C.最后,我们将每个级别的特征连接为嵌入点特征f。

    2.3.Feature Expansion

    在点特征嵌入组件之后,我们扩展了特征空间中的特征数量。 这等效于扩展点数,因为点和特征可以互换。 假设f的维数是N×C,N是输入点的数量,而C是级联嵌入特征的特征维。 特征扩展操作将输出尺寸为rN×C2的特征f0,其中r为上采样率,C2为新特征尺寸。 从本质上讲,这类似于图像相关任务中的特征上采样,可以通过解卷积[25](也称为转置卷积)或内插[7]来完成。 但是,由于点的非规则性和无序特性,将这些操作应用于点云并不容易。
    因此,我们提出了一种基于子像素卷积层的有效特征扩展操作[33]。 此操作可以表示为:在这里插入图片描述
    其中C1 i(·)和C2 i(·)是两组单独的1×1卷积,RS(·)是用于将大小为rN×C2向量转化为向量N×rC2。 我们强调,嵌入空间中的特征已经通过有效的多级特征聚集从邻域封装了相对空间信息,因此在执行此特征扩展操作时,我们不需要明确考虑空间信息。 值得一提的是,每个集合中的第一个卷积C1 i(·)生成的r个特征集具有很高的相关性,这将导致最终重建的3D点之间的距离太近。 因此,我们进一步为每个功能集添加了另一个卷积(具有单独的权重)。 由于我们训练网络来学习r个特征集的r个不同的卷积,因此这些新特征可以包含更多种信息,从而减少它们的相关性。 可以通过将单独的卷积应用于r个特征集来实现此特征扩展操作。 见图。 1.还可以通过具有更高计算效率的分组卷积来实现[19,37,39]。
    2.4. Coordinate Reconstruction
    在这一部分中,我们使用rN×C2的大小从展开的特征重建输出点的3D坐标。具体来说,我们通过每个点的特征上的一系列完全连接的层来回归3D坐标,最终输出为上采样点坐标rN×3。

    3.End-to-EndNetworkTraining

    3.1.TrainingDataGeneration

    由于上采样点云的不确定性或歧义性,点云上采样是一个不适定的问题。 给定稀疏的输入点云,存在许多可行的输出点分布。 因此,我们没有输入和地面真理的“正确对”的概念。 为了缓解此问题,我们提出了一种即时输入生成方案。 具体来说,固定了训练补丁的参考地面真实点分布,而输入点是从地面真实点集随机采样的,每个采样时期的下采样率为r。 直观上,此方案等效于针对给定的稀疏输入点分布模拟许多可行的输出点分布。 另外,该方案可以进一步扩大训练数据集,从而允许我们依赖较小的训练数据集。

    3.2. JointLossFunction

    我们提出了一种新颖的联合损失函数,以端到端的方式训练网络。 如前所述,该功能应鼓励生成的点以更均匀的分布位于基础对象表面上。 因此,我们设计了一个结合重建损失和排斥损失的联合损失函数。
    重建损失。 为了将点放置在下面的物体表面上,我们建议使用 Earth Mover’s distance (EMD)[8]作为我们的重建损失,以评估预测点云Sp⊆R3与参考ground truth点云Sgt⊆R3之间的相似性:
    在这里插入图片描述
    其中φ:Sp→Sgt表示双射映射

    实际上,倒角距离(CD)是评估两个点集之间相似度的另一个候选方法。 但是,与CD,EMD相比,它可以捕获形状(有关更多详细信息,请参见[8]),以鼓励将输出点定位为靠近基础对象表面。 因此,我们选择在重建损失中使用EMD。
    Repulsion loss.。 尽管利用重建损失进行训练可以在underlying的对象表面上生成点,但是生成的点倾向于位于原始点附近。 为了更均匀地分布生成的点,我们设计了repulsion loss,表示为:
    在这里插入图片描述其中ˆ N = rN是输出点的数量,K(i)是点xi的k个最近邻的索引集,||是L2-范数。 η(r)= -r称为斥力项,如果xi太靠近K(i)中的其他点,则它是惩罚xi的递减函数。 仅当xi太靠近其相邻点时才对它们进行Topenalize处理,我们增加了两个限制:(i)仅考虑xi的k近邻附近的xi0点; (ii)在排斥力损失中使用快速衰减权重函数w(r);也就是说,在我们的实验中,我们按照 [24,14]设置

    总之,我们通过最小化以下联合损失功能,以端到端的方式训练网络:在这里插入图片描述其中θ表示网络中的参数,α表示其结构损失和斥力损失之间的平衡,β表示权重衰减的乘数。 为了简单起见,我们忽略每个训练样本的索引。
    在这里插入图片描述
    在这里插入图片描述

    conclusion

    在本文中,我们提出了一种用于点云上采样的深层网络,其目标是从更细的点集生成更密集且统一的点集。 我们的网络使用多级特征聚合方式在补丁程序级别进行培训,从而捕获本地和全局信息。 我们的网络设计通过对包含非本地几何的单个要素进行操作来绕开点之间的规定顺序,从而允许上下文感知的上采样。 我们的实验证明了我们方法的有效性。 作为使用深层网络的第一次尝试,我们仍然有一定数量的限制。 首先,不是为完成而设计的,所以网络无法填充大孔和丢失的零件。 此外,我们的网络可能无法添加有意义的要点,这些要点严重采样不足。

    将来,我们将研究和开发更多用于处理不规则和稀疏数据的方法,以用于回归目的和用于综合。 紧迫的一步是开发一种下采样方法。 尽管下采样似乎是一个更简单的问题,但仍有空间设计适当的损耗和体系结构,以最大限度地保留抽取点集中的信息。 我们认为,总的来说,针对不规则结构的深度学习方法的发展是可行的研究方向。

    展开全文
  • 亿安科技作手全集

    2014-12-14 15:13:33
    作手博客全集,学习缠论不可或缺的参考。虽然作手有很谬误也不像自吹的那么神奇,但仍值得一看,至少在同级别分解中是有益的参考
  • 这一章还分析了IP网络的层次化的本性,并把端到端QoS的请求分解成一系列的更易于管理的边缘到边缘的QoS请求。第2章还阐述了路由器根据分组的类型进行流分类、排队和调度的必要性,指出了现有的最短通路IP路由协议的...
  • 针对软件无线电中用于重构的模块划分...采用该方法对QPSK解调器进行模块划分,形成多级别粒度的结构模块,对比依靠经验的划分方案,采用多目标划分结果评价公式量化分析,证明该方法更加准确、合理,利于应用重构实现。
  • 引力散射在高能极限

    2020-04-22 07:55:53
    Regge运动学(MRK)中,任何重力散射幅度在树级别上都采用非常简单的因式分解形式,其中生成的粒子会快速有序地排列。 最近,研究表明散射方程在MRK中也具有非常简单的结构。 在本文中,我们在散射方程的框架内...
  • 1.1.范式级别越高,存贮同样数据就需要分解成更张表.范式级别越高,存贮同样数据就需要分解成更张表. 2.2.随着范式级别的提高,数据的存储结构与基于问题域的结构随着范式级别的提高,数据的存储结构与基于问题域...
  • 上下文数据流图

    千次阅读 2020-10-05 20:20:29
    这程序会被分解成更细节的主要程序,每个主要程序可能会进一步分解以提供更细节。 上下文数据流图的特点: 只包含一个过程,过程以系统名称命名,代表整个系统 显示额所有外部实体和主要数据流 不含任何数据...
  • vociteach-开源

    2021-05-12 19:39:51
    VociTeach是用Java编写的词汇培训师。 它基于具有6个学习级别的索引卡系统。 它可以管理个类别,从而使词汇学习几乎可以分解为简单问题/答案的任何内容。
  • TextFuseNet:具有更丰富融合功能的场景文本检测 ... 然后,TextFuseNet使用路径融合体系结构从不同级别收集并合并文本的功能,该体系结构可以有效地对齐和融合不同的表示形式。 在实践中,我们提出的TextFuseNet可
  • 大图像按不同的“分辨率级别分解为位图的“平铺”,形成所谓的“平铺金字塔”。 这是一个“瓷砖金字塔”图... 让我们开始... 在金字塔的顶部,级别0(单个图块),它显示了世界地图图像的模糊,低分辨率版本。 ...
  • 协程简介 区别:线程和进程的操作是由程序触发系统接口,执行者是系统;协程的操作则是程序员。...协成的原理:利用一个线程,分解一个线程成为个微线程,注意此时从程序级别分解的 适用场景:当...
  • ComponentSystem的代码结构图如下 ComponentSystem的总体方法 和Unity3D中的ComponentSystem...因为节点对象,可以绑定个 Component类实现,同时,又可以在源代码级别进行分解。使用非常方便。 截至Unigine ...

空空如也

空空如也

1 2 3 4 5 ... 13
收藏数 253
精华内容 101
关键字:

多级别分解