墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
496平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Cesium是一个强大的地理信息系统（GIS）平台，可以用于可视化和分析地理空间数据。倾斜摄影是一种采用倾斜角度较大的相机拍摄的影像数据，能够提供更真实、更立体的地理信息。本文将介绍如何使用Cesium接入和加载倾斜摄影GIS数据，并提供相应的源代码示例。
首先，我们需要准备倾斜摄影GIS数据。这些数据通常包括倾斜摄影影像和相关的地理信息数据，如相机参数、坐标系信息等。在本文中，我们将使用一个示例数据集来进行演示。
<!DOCTYPE html>
<html>
Unity加载倾斜摄影模型/激光点云，开源
业余时间尝试了下用Unity加载倾斜摄影模型，目前支持Bentley ContextCapture生成的3MX格式 源码见https://github.com/GitGaoXing/Unity3MXB 本项目只进行了Unity加载倾斜摄影模型的原理性验证，还有很大优化空间，FPS不是很稳定 本人进行此项工作的目的是希望实现一种倾斜摄影模型可以加载到各种平台，目前OpenSceneGraph只能加载osgb格式的模型，Cesium只能加载3dtiles格式的模型，主流游戏引擎(Unity/UE4)都缺.
【一起学习三维GIS】Cesium基础功能和项目讲解
Cesium正式发布于 2014 年，是一个完全开源的基于 WebGL 的 JavaScript框架，无需安装插件即可创建具有最佳性能、精度、视觉质量和易用性的世界级三维地球影像和地图，并且具有丰富的开源社区内容。
Cesium实战：5分钟搞定3D Tiles倾斜摄影模型加载（附完整代码）
本文详细介绍了如何使用Cesium在5分钟内快速加载3D Tiles倾斜摄影模型，包括环境配置、数据转换、代码实现及性能优化技巧。通过实战案例和完整代码，帮助开发者高效实现城市级三维可视化，提升WebGL和三维GIS应用开发效率。
CesiumJS【Basic】- #027 加载倾斜摄影文件
加载倾斜摄影文件
Cesium教程(十五)：倾斜摄影模型加载
Cesium加载倾斜摄影模型案例。包括完整代码和所用的数据
cesium之家总目录
cesium之家总目录
16.（cesium篇）cesium接入加载倾斜摄影
16.（cesium篇）cesium接入加载倾斜摄影
16.（cesium之家）cesium接入加载倾斜摄影
16.（cesium之家）cesium接入加载倾斜摄影
Cesium调整倾斜摄影位置GIS
然后，我们可以设置相机的朝向角度、俯仰角度和翻滚角度，以调整摄影图像的显示效果。在上面的代码中，我们首先创建了一个Cesium Viewer对象，并指定了一个HTML元素（id为"cesiumContainer"）来作为地球的容器。Cesium可以用于展示倾斜摄影图像，这是一种通过航空或地面摄影获取的具有俯视和斜视角度的图像。通过上述代码，我们可以在Cesium中加载倾斜摄影图像数据，并调整摄影位置以实现所需的显示效果。加载倾斜摄影图像数据后，我们可以通过调整摄影位置来改变其在地球上的显示。
Cesium模型在倾斜摄影中的GIS运动
倾斜摄影数据通常包括倾斜摄影图像和相应的摄影测量数据（如相机姿态和位置）。综上所述，借助Cesium模型在倾斜摄影中的GIS运动，我们可以实现高效、交互性强的地理空间数据可视化和分析。通过加载倾斜摄影数据，并结合Cesium引擎的功能，开发者可以轻松展示和操作倾斜摄影模型，提供更加生动和直观的地理空间信息。开发者可以根据具体需求，结合Cesium的API文档和示例代码，进一步扩展和定制倾斜摄影应用中的GIS运动功能。通过指定倾斜摄影数据的URL和模型位置，Cesium会自动加载并在地图中显示倾斜摄影模型。
ESP32驱动GC9A01圆形屏实战：Arduino平台LVGL移植与图像显示优化
本文详细介绍了在Arduino平台上使用ESP32驱动GC9A01圆形屏的实战指南，包括硬件连接、LVGL移植与图像显示优化。通过SPI配置、LVGL库安装和双缓冲机制等技巧，帮助开发者快速实现高效显示效果，适用于智能家居控制面板等应用场景。
Python爬虫：抓取交通工具班次数据（公交、地铁等时刻表）
然而，由于这些信息并不总是以开放的API形式提供，因此爬虫技术成为了获取和分析这些数据的有效途径。然而，由于很多公交公司没有公开API，通常我们通过抓取其网页中的时刻表数据来获取信息。通过这些步骤，您可以轻松抓取交通工具的班次信息，并进行进一步的数据分析，辅助交通规划和出行推荐系统的建设。在这篇文章中，我们将演示如何使用Python爬虫技术抓取公交、地铁等交通工具的班次和时刻表数据。我们可以将公交和地铁的数据合并，进行综合分析。我们可以进一步分析地铁班次的发车频率，甚至可以比较不同地铁线路的班次。
Open3D (C++) 计算点云坐标最值及其索引
使用C++版本的Open3D计算点云最值点及其对应的下标索引
改进的U-Net在视网膜血管分割上的应用
为了提高算法在血管边界的分割能力,在编码部分采用全局卷积网络（GCN）和边界细化（BR）替换传统的卷积层;在跳跃连接部分引入改进的位置注意模块（PA）和通道注意模块（CA）,目的是增加血管与背景之间的对比度,使网络更好地将血管与背景分割开;此外,为了提高网络的性能,在编码部分的最后一层使用密集卷积网络解决网络过拟合问题,同时为了在一定程度上解决梯度爆炸、梯度消失的问题,在解码部分的每一层使用卷积长短记忆网络提升网络获取特征信息的能力。替换传统的卷积操作来解决血管边界非血管像素误分为血管的问题。
4D毫米波雷达：高度信息与微多普勒效应
4D毫米波雷达：高度信息与微多普勒效应 ，人工智能，计算机视觉，大模型，AI，本文深入解析4D毫米波雷达的高度信息获取与微多普勒效应。4D毫米波雷达通过MIMO技术、垂直天线布局及相位差计算等获取高度信息，相较传统雷达更精准。微多普勒效应由目标微运动引发，可用于目标识别、分类和运动监测。文中结合自动驾驶、安防监控案例，分析技术挑战与未来趋势，如信号干扰、数据处理复杂，未来将向高精度、与其他传感器融合发展，展现出在多领域的巨大应用潜力。
UNet 改进(39)：结合残差连接与CBAM注意力机制的unet模型
本文提出了一种改进的UNet架构，通过融合残差连接和CBAM注意力机制来增强医学图像分割性能。该网络保留UNet的U形结构，但将基础模块替换为ResidualBlock和CBAM的组合：残差块通过快捷连接解决梯度消失问题，CBAM模块结合通道和空间注意力机制突出重要特征。整体架构采用编码器-解码器设计，包含5个下采样和上采样阶段，通过跳跃连接融合多尺度特征。实验表明，这种改进显著提升了原始UNet的性能，特别适用于需要精细边界的医学图像分割任务。
华为昇腾云平台适配Baichuan2大模型记录
文件发现报错：ValueError: The pipeline stage 2 in auto_parallel_context is not equal to the pipeline_stage 1 in the config.run_baichuan2_7b.yaml`，发现默认设备数是16卡，对应的pipeline_stage为2，但实际是8卡，那就改成下面的试试看。，将Baichuan2_7B_Chat.ckpt文件复制进去，将。点击镜像管理，突然发现有个2_2_0，赶紧新建了一个，成功。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
