- 综合排序
- 最热优先
- 最新优先
- 来自专栏世荣的博客
2021兰州疫情-新型冠状病毒疫情实时爬虫-3(实时更新)
1.确定数据源 数据源：腾讯疫情实时追踪 3482360857.png 首先对该网站F12，点击Network刷新页面，看看每个页面的Response： 797547160.png {\"confirm
1.2K30编辑于 2022-03-22 - 来自专栏裸机思维
实时性迷思(3)——80%时间屏蔽了中断，实时性还有救么？
---- 在本系列的第一篇文章《实时性迷思(1)——快是优点么？》中，我们介绍了实时性的基本模型： ? 今天我们继续来借助实时性模型来研究一个看似铁板钉钉的问题： 当应用在运行时有大比例的时间屏蔽了中断，系统的实时性还有救么？ 当应该频繁的开关中断，系统的实时性还有救么？ 全局中断会被关闭； 假设 __enable_irq() 消耗一个周期；当它执行完成后，全局中断会被打开； 假设 这里的 while(1) {} 导致的循环跳转（无条件跳转）会消耗一个周期（其实Cortex-M3/ 【CPU资源磨刀霍霍……】 ---- 一个实时性应用中往往不止一个事件有实时性要求，因此，判断系统的实时性是否所有保证从来都不是只单纯的在每一个实时性窗口内做比较就能解决的。 思考这个问题，实际上直接引出了第三个重要的结论： 结论3： ---- “事件无法响应时间” 不看积累下来的总量，而只看单次最大能连续拖延实时性相应多久。 ---- 要理解这个结论，其实并不困难。
91820发布于 2020-12-22 - 来自专栏3D视觉从入门到精通
Mobile3DRecon：手机上的实时单眼3D重建
今天为大家带来的文章是Mobile3DRecon: Real-time Monocular 3D Reconstruction on a Mobile Phone。在手机上实现实时的单眼3D重建。 本文展示了在手机上实现实时单眼3D重建的系统，称为Mobile3DRecon。 与大多数现有的仅使用基于点云的3D模型在线生成技术或离线的表面网格生成技术不同，本文提供了一种全新的在线增量网格生成方法来实现快速的在线密集表面网格重建，以满足实时的AR应用需求。 这种增量网格方法不仅可以为前端的AR效果提供在线密集的3D表面重建，还可以确保将网格生成在后端CPU模块上的实时性能。这对于以前的在线3D重建系统来说是有难度的。 这里的管道是用来执行增量在线网格生成，这更适合于手机平台上AR应用程序对实时3D重建的要求，深度估计和增量网格划分都作为后端模块进行。
1.8K50发布于 2021-07-28 - 来自专栏一个会写诗的程序员的博客
Sublime Text 3 的 Markdown 实时预览全面总结
Sublime Text 3 简介 http://www.sublimetext.com/ Sublime Text 3 : A sophisticated text editor for code , markup and prose Download: http://www.sublimetext.com/3 Sublime 是一款非常好用且流行的轻量级编辑器，除了代码高亮、语法提示等标配外 MarkdownEditing 一个提高Sublime中Markdown编辑特性的插件 MarkdownPreview Markdown转HTML，提供在浏览器中的预览功能 MarkdownLivePreview 提供在编辑框中实时预览的功能 LiveReload 一个提供md/html等文档的实时刷新预览的的插件 https://blog.csdn.net/qq_20011607/article/details/81370236 Package 3.耐心等待几秒钟，直到出现下框，表示安装成功。 几点说明： 1). sublime 支持模糊搜索，故这里用了简写，输入完整的Install Package Control也是可以的。
4.7K10发布于 2021-03-27 - 来自专栏AI学习笔记
实时3D重建：Gaussian Splatting移动优化
引言在计算机视觉和增强现实（AR）领域，实时3D重建技术一直是研究热点。从早期的基于点云的方法，到后来的体素表示，再到如今基于深度学习的神经辐射场（NeRF），每一种技术都在不断推动3D重建的边界。 想象一下，使用智能手机或平板电脑，用户可以实时捕获和重建周围环境的3D模型，并在增强现实中与之交互。这种能力将为导航、虚拟购物、教育和娱乐等众多应用打开新的可能性。II. 但将其高效地部署在移动设备上仍面临挑战：计算资源有限：移动GPU的计算能力远低于桌面级GPU内存带宽限制：移动设备内存带宽较小，大规模高斯数据传输成本高功耗约束：长时间运行可能导致设备过热和电池消耗过快实时性要求 ：用户期望在移动设备上获得流畅的实时体验（至少30 FPS）《Gaussian Splatting for Real-Time Neural Scene Representation》论文详细介绍了Gaussian ：优化后的光照模型保持了良好的光影效果伪影控制：通过改进的累积算法，减少了渲染伪影移动应用案例我们将在两个实际移动应用中部署优化后的Gaussian Splatting：AR家居应用：用户可以通过手机实时扫描房间
1.2K10编辑于 2025-07-23 - 来自专栏磐创AI技术团队的专栏
使用SlimYOLOv3框架实现实时目标检测
实时目标检测正在风靡计算机视觉行业 以下是SlimYOLOv3的介绍，这是最新的实时目标检测框架 我们会介绍SlimYOLOv3架构，包括它如何检测目标 介绍 人类可以在几毫秒内在我们的视线中挑选出物体 然后，我将介绍SlimYOLOv3框架并深入探讨它如何工作以实时检测目标。 什么是目标检测? 在我们深入研究如何实时检测目标之前，让我们首先介绍一下基础知识。 本文的目的不是深入研究这些技术，而是了解用于实时目标检测的SlimYOLOv3架构。当我们不需要实时检测时，这些技术非常有效。不幸的是，当面对实时分析时，他们往往不是很好。 好吧，这是文章的关键所在--SlimYOLOv3框架！SlimYOLOv3旨在处理这些限制并以令人难以置信的精度执行实时目标检测。 然后，我们介绍了SlimYOLOv3架构，它是YOLO的修改版本，可用于实时目标检测。
2.1K1514发布于 2019-08-26 - 来自专栏Hadoop数据仓库
基于 HBase & Phoenix 构建实时数仓（3）—— Phoenix 安装
节点 进程 node1 node2 node3 node4 Phoenix * * * * 二、Phoenix 安装 在所有节点上执行下面第1、2步操作，在 node1 节点上执行第3 安装验证 （1）连接 HBase # 连接，参数为 Zookeeper 节点 sqlline.py node1,node2,node3 # 列出表 ! e" varchar); No rows affected (0.178 seconds) 0: jdbc:phoenix:node1,node2,node3> ! （3）表映射 0: jdbc:phoenix:node1,node2,node3> drop view "test"; No rows affected (0.011 seconds) 0: jdbc: phoenix:node1,node2,node3> create table "test"(pk varchar primary key,"cf"."
1K10编辑于 2024-03-09 - 来自专栏python3
Django3+websocket+paramiko实现web页面实时输出
在上一篇文章中，简单在浏览器测试了websocket，链接如下：https://www.cnblogs.com/xiao987334176/p/13615170.html 但是，我们最终的效果是web页面上，能够实时输出结果 /bin/bash for i in {1..10} do sleep 0.1 echo 母鸡生了$i个鸡蛋; done 新建项目 新建项目：django3_websocket，应用名称 安装paramiko模块 pip3 install paramiko 编辑 settings.py 将Channels库添加到已安装的应用程序列表中。 这里使用同步消费，因为我测试异步消费时，web页面并不能实时展示结果。只能使用同步模式才行。 完整代码在github中，地址： https://github.com/py3study/django3_websocket 本文参考链接： https://www.jianshu.com/p/0f75e2623418
4K42发布于 2020-10-14 - 来自专栏饶文津的专栏
Sublime text3 插件LiveReload 实现实时预览
1.首先要安装插件LiveReload Sublime text3。 菜单 preferences->packages control，输入install.. 回车，输入LiveReload回车。 3、 在sublime text3 配置LiveReload。preferences -> Packge Settings -> LiveReload -> Settings - Default。
1.4K20发布于 2020-06-02 - 来自专栏3D视觉从入门到精通
SDOD：基于depth的实时3D检测与分割
mask分支预测像素级的“深度类别”，3D分支预测实例级的“深度类别”，通过给每个实例分配具有相同“深度类别”的像素来生成实例掩模。 另外，为了解决KITTI数据集（200为mask，7481为3D）中mask标签与3D标签不平衡的问题，本文采用其它实例分割方法生成的unreal mask来训练mask分支。 提出一个结合3D检测和实例分割的网络，并将其设置为并行分支以加快速度 3. 针对3D检测： 本文参考了MonoGRNet的设计，将3D对象检测分解为四个子网：2D检测、实例级深度估计、3D位置估计和角点回归。 Mask分支完成了基于像素级别的深度和类别分割，3D分支完成了目标的3D检测，两者进行结合，完成实时检测和分割。
74620发布于 2020-12-11 - 来自专栏贾志刚-OpenCV学堂
OpenVINO实时人脸表面3D点云提取
人脸3D点云提取网络 ? 2019出现的一个可以在移动端实时运行的人脸3D表面提取模型-FaceMesh，被很多移动端AR应用作为底层算法实现人脸检测与人脸3D点云生成。 图-2 最终输出的点云数据是468个3D坐标人脸点云坐标，输入人脸的ROI区域，大小为192x192。 我们的基本思路是首先通过OpenVINO自带的人脸检测模型实现人脸检测，然后截取人脸ROI区域再送到facemesh模型中实现人脸3D表面点云468个点提取。 : 1x1xNx7 通道的顺序是：BGR 从图-2得知人脸3D点云提取模型facemesh的输入格式为1x3x192x192,输出层有两个分别是preds与confs，其中preds是点云数据，confs preds的1404表示的是468个点每个点的三维坐标，总计468x3=1404。代码演示部分的步骤与运行结果详解说明与步骤。
1.3K30发布于 2021-05-07 - 来自专栏jiajia_deng
Python3 执行系统命令并获取实时回显
最近在改造一些打包的逻辑，原来在 Windows 下是基于批处理制作的，由于批处理用起来不是很方便，一些实时的计算基本无法胜任，所以转向 Python3。 但在以前脚本的基础上很多是需要调用系统命令的比如 VS 编译一个项目，我们需要获取实时的回显知道编译的结果和进度。
64920编辑于 2023-10-21 - 来自专栏NLP小白的学习历程
python+OpenCV3 实现人脸检测 实时读取视频流
XML文件：https://github.com/opencv/opencv/blob/master/data/haarcascades/haarcascade_frontalface_alt.xml
1.3K20发布于 2020-11-13 - 来自专栏P2P传输
实时渲染对3D设计行业带来哪些改变？
一、3D设计行业目前存在的3个问题1、渲染时间过长我们知道3D设计的模型一般很大，传统的渲染方式是使用渲染农场或者专用的渲染工具，但需要的时间很久，随着模型的复杂度从几分钟到几个小时甚至几天都有可能。 图片二、实时渲染是如何解决这些问题的？首先我们来明确下实时渲染和传统渲染的区别，所谓实时渲染，肯定是强调的实时性，即对于任何3D模型的指令能很快的执行完毕。 使用方法也很简单，直接购买一台高性能的服务器根据需要配备多张显卡，在服务器上部署点量云实时渲染系统，将需要渲染的程序拷贝到服务器上，并将路径添加到云渲染系统中。那具体是怎么解决以上3个问题的呢？ 包括3Dmax、revit、bently等等，使用习惯和原来本地安装一样，无需增加额外的学习成本。而且对于指令的执行是实时进行的，强调交互性。 无论是内部评审还是外部提案，只需要通过分享的网页链接直接查阅、交流沟通3D模型。综上所述，实时渲染方案对于3D行业现有的工作方式有极大的改善。
77820编辑于 2022-12-26 - 来自专栏人工智能前沿讲习
【他山之石】3D Gaussian Splatting：实时的神经场渲染
我们开发了一种快速的可见性感知渲染算法，支持各向异性 splatting，既加速训练，又允许实时渲染。 提示：以下是本篇文章正文内容，下面案例可供参考 一、前言 mesh 和点是最常见的3D场景表示，因为它们是显式的，非常适合于快速的基于GPU/CUDA的栅格化。 Mip-NeRF360 需要长达48小时的训练时间；快速但质量较低的辐射场方法可以根据场景实现交互式渲染时间（每秒10-15帧），但不能在高分辨率下实现实时渲染。 他们在优化过程中使用点修剪和致密化技术，但使用体积射线行进，不能实现实时显示率。 3D高斯分布可以被用来表示被捕捉的人体；最近也被用于表示体射线。 3.光栅化：映射到瓦片后，tile-based rasterizer会将每个小的三角形片段转化为屏幕上的像素。这个过程被称为光栅化。
3.8K20编辑于 2023-12-15 - 来自专栏芋道源码1024
基于 HTTP 协议的 3 种实时数据获取技术
但由于HTTP协议的广泛应用，很多时候确实又想使用HTTP协议去实现实时的数据获取，这种时候应当怎么办呢？下面首先介绍几种基于HTTP协议的实时数据获取方法。 方式一：短轮询 轮询是最普遍的基于HTTP协议获取实时数据的方式，轮询又分为短轮询和长轮询。短轮询非常简单，用一张图表示一下： ? 这种实时数据获取的方式比较粗暴，优点在于编程简单，客户端发请求，服务端实时回响应即可。 方式二：长轮询 长轮询是另一种实时获取数据的方式，看一下流程： ? 方式三：WebSocket 上面介绍了两种轮询方式，但是两种综合起来都有比较明显的缺点，总结起来有以下几个： 伪实时，即上述两种方式都不是真正的实时，无论短轮询的客户端轮询时间多短，还是长轮询的服务端轮询时间多短
2K20发布于 2019-06-21 - 来自专栏程序员分享
SpringBoot+Vue3整合SSE实现实时消息推送
SpringBoot+Vue3整合SSE实现实时消息推送一、引言在当今互联网应用飞速发展的时代，实时消息推送已然成为提升用户体验的关键要素。 在众多实现实时消息推送的技术方案中，Server-Sent Events（SSE）以其独特的优势脱颖而出，尤其是在结合 Spring Boot 与 Vue3 进行开发时，能碰撞出令人惊喜的火花。 今天，就让我们一起深入探索如何利用 Spring Boot 与 Vue3 整合 SSE，快速实现高效的实时消息推送功能，开启一段充满挑战与惊喜的技术之旅！ 为了使用 Vue 3，我们需要手动选择特性，并确保选择了 Vue 3 版本。 （二）测试实时消息推送在浏览器中打开前端页面后，就可以开始测试实时消息推送功能了。当后端有新的消息推送时，前端页面会实时显示出来。可以通过调用后端的/sendMessage接口来发送测试消息。
43820编辑于 2026-03-23 - 来自专栏实时云渲染
3DXR线上展厅实时云渲染平台搭建方案
实时云渲染技术的发展为展览展示行业带来变革：3D/XR展示程序在云端进行渲染计算，将超低时延的交互视频流推送到客户端，使用者可以使用任何XR交互设备进行操作观看，沉浸式体验云展厅，实现一机在手、逛遍博物馆的愿望 平行云实时云渲染技术凭借多项优势，为在线展览展示云平台的低成本搭建提供了有力支持。技术选型1. 核心技术: 采用Paraverse平行云LarkXR实时云渲染技术，将3D展厅的渲染任务迁移到云端。 传输协议: 使用WebRTC实现低延迟、高质量的实时视频流传输。3. 客户端支持: 支持浏览器、移动设备（iOS/Android）、桌面应用等多平台访问。 云端渲染层GPU云服务器: 部署高性能GPU服务器，用于实时渲染3D展厅内容。分布式渲染: 利用Paraverse的分布式渲染技术，将复杂场景分配到多个GPU节点并行渲染，提升性能。 平台搭建与集成：接入平行云实时云渲染服务，根据平行云提供的API和SDK，将制作好的3D展厅内容集成到云平台。进行必要的配置与优化，确保3D内容在云端流畅运行、交互功能正常。1.
1.1K10编辑于 2025-02-17 openinstall实时归因+超级渠道：3步构建CPACPS结算系统
实时数据反馈与归因通过SDK集成实现实时数据同步。广告主可实时查看各渠道的ROI，并调用API接口同步有效推广数据至财务系统，基于用户生命周期价值动态调整预算分配策略。 3、技术实现路径通过三步完成结算体系升级：SDK集成：接入openinstall SDK（Android/iOS/HarmonyOS全平台支持）渠道配置：在管理后台设置「渠道分组-超级渠道-创建分发 -数据分析」策略系统对接：通过API将核销数据同步至ERP、CRM、分账系统在流量红利见顶、渠道博弈加剧的行业背景下，解决CPA/CPS统计难题的本质在于构建实时精准的数据追踪体系。 openinstall的技术方案通过全链路追踪与实时归因两大核心能力，重构了渠道推广的价值分配逻辑：一方面，动态参数化链接将传统渠道打包与邀请码等繁杂成本转化为生成式流程；另一方面，秒级实时数据反馈与层级绑定功能 ，让广告主能基于实时ROI动态调整渠道策略，形成“数据驱动-资源调配-效果验证”的敏捷闭环。
56010编辑于 2025-03-26SLAM3R：基于单目视频的实时密集3D场景重建
【导读】北京大学陈宝权教授团队联合港大等开发的 SLAM3R系统取得突破：首次仅用普通手机RGB视频，就能实时（20+FPS）生成高质量、高密度3D场景模型。 实验证明其精度和完整性超越现有实时方法，为AR、机器人等应用打开大门。本文介绍了 SLAM3R，这是一种利用 RGB 视频进行实时、高质量、高密度三维重建的新型高效系统。 跨数据集的实验一致表明，SLAM3R 实现了最先进的重构精度和完整性，同时保持了 20+ FPS 的实时性能。 近期端到端方法如DUSt3R 虽能从图像对实时重建，但扩展到视频（多视图） 需要全局优化，效率骤降；其增量扩展版本 Spann3R 虽快，但累积漂移严重，质量下降。 我们将我们的方法与基于优化的重建 DUSt3R 、基于三角测量的 MASt3R 和在线增量重建 Spann3R 进行了比较。在保持实时性的同时，我们的方法在准确性和完整性方面都优于所有基线方法。
1.6K10编辑于 2025-06-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号