- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-2 R语言函数 apply
#apply函数，沿着数组的某一维度处理数据 #例如将函数用于矩阵的行或列 #与for/while循环的效率相似，但只用一句话可以完成 #apply(参数)：apply(数组,维度,函数/函数名) > x <- matrix(1:16,4,4) > x [,1] [,2] [,3] [,4] [1,] 1 5 9 13 [2,] 2 6 10 14 [3,] 3 7 11 15 [4,] 4 8 12 16 >
71910发布于 2020-09-16 - 来自专栏GiantPandaCV
CenterNet的骨干网络之DLASeg
CenterNet中使用的DLASeg是在DLA-34的基础上添加了Deformable Convolution后的分割网络。
7.6K31发布于 2020-08-10 - 来自专栏GiantPandaCV
CenterNet骨干网络之hourglass
CenterNet中主要提供了三个骨干网络ResNet-18(ResNet-101), DLA-34, Hourglass-104，本文从结构和代码对hourglass进行讲解。 Ground Truth Heatmap 在开始讲解骨干网络之前，先提一下上一篇文章中有几位群友私聊我的问题：CenterNet为什么要沿用CornerNet的半径计算方式？
2.2K30发布于 2020-08-04 - 来自专栏鲜枣课堂
大话中国骨干网（上）
其实，当时钱天白所使用的网络，并不是我国自主建设的Internet骨干网，而是1986年计算机应用技术研究所与德国卡尔斯鲁厄大学合作建设的一个国际联网项目——中国学术网（Chinese Academic ▉ 四大IP骨干网 1994年9月，就在中国迈入互联网世界后不久，邮电部电信总局与美国商务部签订协议，正式启动中国公用计算机互联网的建设。 这个网，就是现在大名鼎鼎的中国第一骨干网——ChinaNet。 最终，国内形成了四大骨干网的格局。正是这些网络，支撑起了中国互联网的起步。 ? 1997年12月，四大骨干网实现互联互通。此后，中国的互联网，进入了崭新的时代！ 未完待续。。。 敬请期待：大话中国骨干网（下） 参考文献： 1、中国互联网发展史，B站 2、互联网的起源发展历史，百度 3、中国互联网二十年发展历程回顾，刘璐、潘玉 4、中国计算机发展历史，百度
2.5K30发布于 2020-12-16 - 来自专栏Java
试题 算法训练 4-2找公倍数
试题 算法训练 4-2找公倍数 资源限制 内存限制：256.0MB C/C++时间限制：1.0s Java时间限制：3.0s Python时间限制：5.0s 问题描述 这里写问题描述。
26210编辑于 2025-01-21 - 来自专栏GiantPandaCV
Pelee：移动端实时检测骨干网络
在ImageNet数据集上，PeleeNet只有MobileNet模型的66%,并且比MobileNet精度更高。PeleeNet作为backbone实现SSD能够在VOC2007数据集上达到76.4%的mAP。文章总体上参考DenseNet的设计思路，提出了三个核心模块进行改进，有一定参考价值。
1.5K10发布于 2020-05-20 - 来自专栏趣学算法
数据结构 第4-2讲 双向链表
数据结构第4-2讲双向链表 链表是线性表的链式存储方式，逻辑上相邻的数据在计算机内的存储位置不一定相邻，那么怎么表示逻辑上的相邻关系呢？ 可以给每个元素附加一个指针域，指向下一个元素的存储位置。
98140发布于 2018-09-13 - 来自专栏sringboot
x86汇编加载用户程序-4-2
索引寄存器的端口号是 0x3d4，可以向它写入一个值，用来指定内部的某个寄存器。比如， 两个 8 位的光标寄存器，其索引值分别是 14（0x0e）和 15（0x0f），分别用于提供光标位置的高 8 位和低 8 位。 指定了寄存器之后，要对它进行读写，这可以通过数据端口 0x3d5 来进行。 高八位 和第八位里保存这光标的位置，显卡文本模式显示标准是25x80，这样算来，当光标在屏幕右下角时，该值为 25×80－1=1999
1K30编辑于 2021-12-06 - 来自专栏GiantPandaCV
CNN骨干网络新选择HS-ResNet
【GiantPandaCV导语】这是最近百度的一篇网络结构设计文章，该网络结构是手工设计得来，主要改进在对特征图多级划分卷积，拼接，提升了网络的精度，同时也降低了推理时间。个人感觉是res2net，ghostnet的结合，并且训练阶段没引入过多的trick，最后的实验结果很惊艳，或许是炼丹的一个好选择。
1.7K20发布于 2020-11-17 - 来自专栏AIWalker
视觉骨干网络VAN 背后的故事
）和新的骨干网络 VAN。 Part1 视觉骨干网络的发展 对图像进行特征提取，是计算机视觉任务的基础。在计算机视觉中，用于对图像进行特征提取的网络被称之为骨干网络。随着骨干网络的不断演进，计算机视觉也取得了飞跃式发展。 视觉骨干网络的发展大致可以分为三个阶段： 早期发明阶段(2012年之前)，这个阶段以LeNet为代表，研究人员正式开始提出使用卷积神经网络进行特征提取。 于是，作者在该论文中提出了一种专门针对计算机视觉任务的大核注意力(LKA)机制，基于该注意力，作者进一步提出了一种全新的视觉骨干网络VAN。 图3 不同模块的结构 视觉注意力网络VAN 基于LKA，本文搭建了一个新的视觉骨干网络VAN。
1.1K20编辑于 2023-09-03 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-2：LM模型+数值协变量
上一篇，我们介绍了数量性状进行GWAS的一般线性模型分析的方法（笔记 | GWAS 操作流程4：LM模型assoc），这里我们考虑一下数字协变量，然后用R语言进行对比。
1.5K20发布于 2020-05-26 - 来自专栏cwl_Java
C++编程之美-数学之趣(代码清单4-2)
代码清单4-2 struct point { double x, y; }; double Product(point A, point B, point C) { return
35130编辑于 2022-11-30 - 来自专栏贾志刚-OpenCV学堂
SwinTransformer多尺度特征提取的Vit骨干网络
为突破这些限制，我们提出了一种名为Swin Transformer的通用Transformer骨干网络，它能够构建分层特征图，并实现与图像尺寸呈线性关系的计算复杂度。 这些优势使Swin Transformer适用于多种视觉任务的通用骨干网络，与此前仅生成单一分辨率特征图且具有二次计算复杂度的基于Transformer的架构形成鲜明对比。
32010编辑于 2026-04-02 - 来自专栏Android点滴积累
IOS Widget（4-2）：创建可配置小组件（动态修改配置数据）
上一篇文章，讲解了如果通过配置修改小组件行为，只不过配置数据是写死的，本文将继续探索配置数据的高级用法，配置数据在小组件中动态创建的
4.3K11发布于 2021-05-10 - 来自专栏鲜枣课堂
骨干网光通信的最新趋势
今天这篇，小枣君和大家聊聊骨干网光通信的一些最新技术动向。 █ 400G，真的来了 大家也许都有所耳闻，从去年开始，国内运营商骨干网已经全面拉开了400G商用的帷幕。 骨干网升级400G的原因，是显而易见的。 一方面，居民数字生活（高清视频、远程会议、在线直播、在线游戏等）所带来的消费互联网流量增长，仍在持续。 另一方面，全行业都在推动数字化转型，来自行业数字化系统的流量激增，加剧了骨干网的压力。 骨干网压力陡增，还有一个关键的原因——AI大爆发。 AIGC大模型崛起之后，引发了一股AI浪潮。 这就对DCI（数据中心互联网络）提出了更高要求，光通信骨干网必须在技术性能上能够满足这一需求。 我们国家在算力上的战略，还是秉承了“全国统筹、整体布局”的思路。 所以，长途骨干网早期设计阶段的时候，基本上聚焦于16QAM和QPSK。后来有了16QAM-PCS，也加入了竞争。
83520编辑于 2024-05-17 - 来自专栏数据派THU
清华大学提出全新Autoformer骨干网络
来源：深度学习技术前沿 本文约2500字，建议阅读9分钟 全新Autoformer骨干网络，长时序预测达到SOTA！
2.2K10编辑于 2023-03-29 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-2 scikit-learn中的机器学习算法封装
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn实现KNN算法。
1.2K00发布于 2019-11-13 - 来自专栏历史专栏
【愚公系列】2021年12月 攻防世界-进阶题-MISC-072(4-2)
文章目录 一、4-2 二、答题步骤 1.词频分析 总结 一、4-2 题目链接：https://adworld.xctf.org.cn/task/task_list?
64620编辑于 2021-12-09 - 来自专栏深度学习技术前沿
清华大学提出全新Autoformer骨干网络
尽可能延长预测时效是时序预测的核心难题，对于能源、交通、经济的长期规划，气象灾害、疾病的早期预警等具有重要意义。
1.4K40发布于 2021-07-14 - 来自专栏贾志刚-OpenCV学堂
Swin Transformer 多尺度特征提取的Vit骨干网络
为突破这些限制，我们提出了一种名为Swin Transformer的通用Transformer骨干网络，它能够构建分层特征图，并实现与图像尺寸呈线性关系的计算复杂度。 这些优势使Swin Transformer适用于多种视觉任务的通用骨干网络，与此前仅生成单一分辨率特征图且具有二次计算复杂度的基于Transformer的架构形成鲜明对比。
35510编辑于 2026-04-02
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