『华强买瓜』奇袭好莱坞！Jupyter也能创建可交互仪表板啦！超全面的英语论文写作套路；神经辐射场NeRF工具包；前沿论文 | ShowMeAI资讯日报

ShowMeAI ShowMeAI 博客等级 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 1w累计阅读 1w+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 码龄5年
关注
原创 最新推荐文章于 2026-04-26 10:28:49 发布 1w 阅读 AI 写同款· GEO 优化 ›
Python机器学习库之Feature-engine使用详解 在机器学习和数据科学领域，特征工程是一个至关重要的步骤，它涉及数据的准备、清洗和转换，以便使数据更适合用于模型训练。Python的Feature-engine库提供了丰富的功能来简化特征工程的流程，包括缺失值处理、特征编码、特征选择等。本文将深入探讨Feature-engine库的各个方面，包括其基本概念、功能特性、用法示例以及应用场景。 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

📢 好莱坞全明星版『华强买瓜』：你这 AI 保熟吗？

https://weibo.com/2395607675/M61L994kN

一起来看看 AI 最近又搞出了什么好玩意儿！哦，原来是华强去好莱坞买！西！瓜！

作者使用了 Deforum Stable Diffusion AI 支持的人工智能重绘视频功能。画面是加载原视频后，直接根据输入文字的变化生成的。一句话换演员，再也不怕明星塌房了←_←（微博作者：大谷Spitzer）

工具&框架

🚧 『XRLocalization』可视化定位工具包和服务器

https://github.com/openxrlab/xrlocalization

XRLocalization 是一个基于 Python 的开源可视化本地化工具箱，它是 OpenXRLab 项目的一部分。它具备以下特点：

  • 稳健高效的基于特征的大规模视觉定位
  • 同时支持离线和在线的视觉定位
  • 一个分层框架，可以很容易地整合新的特征和匹配方法

🚧 『Feature-engine』Scikit-Learn 风格的特征工程工具包

https://github.com/feature-engine/feature_engine

https://feature-engine.readthedocs.io/en/latest/index.html

Feature-engine 是一个 Python 库，它有多个转化器，用于设计和选择用于机器学习模型的特征。 Feature-engine 的转化器遵循 Scikit-learn 的功能，采用fit()和transform()方法，从数据中学习转化参数，然后进行转化。

🚧 『compose』面向预测工程自动化的机器学习工具

https://github.com/alteryx/compose

https://compose.alteryx.com/en/stable/

Compose 是一个用于自动预测工程的机器学习工具。它使得你可以轻松构建预测问题并为监督学习生成标签。

终端用户通过定义标签函数来定义一个感兴趣的结果，然后运行搜索，从历史数据中自动提取训练实例，随后提供给 Featuretools 自动特征工程，再提供给 EvalML 用于自动机器学习，就构建成了一个完整的应用机器学习工作流程。

🚧 『ZLMediaKit』一个基于C++11的高性能运营级流媒体服务框架

https://github.com/ZLMediaKit/ZLMediaKit

ZLMediaKit 是一个基于 C++11 的高性能运营级流媒体服务框架，代码稳定可靠，性能优越。它支持多种协议(RTSP / RTMP / HLS / HTTP-FLV / WebSocket-FLV / GB28181 / HTTP-TS / WebSocket-TS / HTTP-fMP4 / WebSocket-fMP4 / MP4 / WebRTC)，支持协议互转；使用多路复用 / 多线程 / 异步网络IO模式开发，并发性能优越，支持海量客户端连接；支持linux、macos、ios、android、windows全平台；支持画面秒开、极低延时，是非常不错的移动嵌入式跨平台流媒体解决方案。

🚧 『XRNerf』神经辐射场 (NeRF)工具包和基准测试

https://github.com/openxrlab/xrnerf

XRNeRF 是一个基于 PyTorch 的神经辐射场（NeRF）的开源代码库，也是 OpenXRLab 项目的一部分。支持的场景类神经渲染方法包括：NeRF、Mip-NeRF、KiloNeRF、Instant NGP；支持的人体类神经渲染方法包括：NeuralBody、AniNeRF、GNR。

博文&分享

👍 『How to create a dashboard in Python with Jupyter Notebook』用Jupyter 创建 dashboard 指南

https://mljar.com/blog/dashboard-python-jupyter-notebook/

https://dashboard-jupyter-notebook.herokuapp.com/app/1

只需要 9 行 Python 代码，就可以在 Jupyter Notebook 中创建仪表板！作者以股票数据表&图表为例，展示了使用 Jupyter Notebook 在 Python 中创建仪表板，并使用 Mercury 框架将 Notebook 转换为交互式 Web 应用程序的全流程。

点击上方第二个链接，体验在线交互版，查看TSLA、COIN、MSFT、PLTR、SNOW、NFLX等股票的数据与走势。

👍 『Enhance Your English Writing』英语写作强化宝典

https://github.com/yzy1996/English-Writing

阅读论文过程中收集整理的一些好的英语用法，可以大体做如下分类，希望能帮助到你的写作：

  • General（通用型词汇&话术）：好的英语词汇、按文章 Structure 细分话术（Abstract / Introduction / Related Work / Method / …）、公式相关、数学符号
  • Specific Domain（自己小方向的一些话术）

数据&资源

🔥 『Awesome Graph Transformer Papers』 Graph Transformer相关论文大合辑

https://github.com/ChandlerBang/awesome-graph-transformer

🔥 『ACL Anthology Corpus』ACL文集语料库数据集

https://github.com/shauryr/ACL-anthology-corpus

Repo 为 ACL 选集提供全文和元数据（截至 2022 年 9 月，共有 8 万篇文章/海报），还包括 .pdf 文件和 pdf 的 grobid 提取。

研究&论文

可以点击 这里 回复关键字 日报，免费获取整理好的论文合辑。

科研进展

  • 2022.09.02 『语言模型』 FOLIO: Natural Language Reasoning with First-Order Logic
  • 2020.08.05 『自然语言处理』 Generalized Word Shift Graphs: A Method for Visualizing and Explaining Pairwise Comparisons Between Texts
  • 2022.08.30 『无人驾驶』 MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction

⚡ 论文：FOLIO: Natural Language Reasoning with First-Order Logic

论文时间：2 Sep 2022

领域任务：Language Modelling, Translation，语言模型，机器翻译

论文地址：https://arxiv.org/abs/2209.00840

代码实现：https://github.com/yale-lily/folio

论文作者：Simeng Han, Hailey Schoelkopf, Yilun Zhao, Zhenting Qi, Martin Riddell, Luke Benson, Lucy Sun, Ekaterina Zubova, Yujie Qiao, Matthew Burtell, David Peng, Jonathan Fan, Yixin Liu, Brian Wong, Malcolm Sailor, Ansong Ni, Linyong Nan, Jungo Kasai, Tao Yu, Rui Zhang, Shafiq Joty, Alexander R. Fabbri, Wojciech Kryscinski, Xi Victoria Lin, Caiming Xiong, Dragomir Radev

论文简介：We present FOLIO, a human-annotated, open-domain, and logically complex and diverse dataset for reasoning in natural language (NL), equipped with first order logic (FOL) annotations./我们提出了FOLIO，一个由人类注释的、开放领域的、逻辑上复杂多样的自然语言（NL）推理数据集，配备了一阶逻辑（FOL）注释。

论文摘要：我们提出了FOLIO，一个由人类注释的、开放领域的、逻辑上复杂多样的自然语言（NL）推理数据集，配备了一阶逻辑（FOL）注释。FOLIO由1435个例子（独特的结论）组成，每个例子都与487套前提之一配对，这些前提作为规则被用来对每个结论的正确性进行推理。前提和结论的逻辑正确性由其平行的FOL注释来保证，这些注释由我们的FOL推理引擎自动验证。除了主要的NL推理任务，FOLIO中的NL-FOL对自动构成一个新的NL-FOL翻译数据集，使用FOL作为逻辑形式。我们在FOLIO上的实验系统地评估了中型语言模型（BERT、RoBERTa）上的监督微调和大型语言模型（GPT-NeoX、OPT、GPT-3、Codex）上的少数提示的FOL推理能力。对于NL-FOL翻译，我们用GPT-3和Codex进行实验。我们的结果显示，公开的最有能力的大型语言模型（LLM）之一，GPT-3 davinci，在FOLIO的一个子集上使用几个prompt，只取得了略好于随机的结果，并且该模型在预测False和Unknown结论的正确真值方面特别糟糕。我们的数据集和代码可在 https://github.com/Yale-LILY/FOLIO 获取。

⚡ 论文：Generalized Word Shift Graphs: A Method for Visualizing and Explaining Pairwise Comparisons Between Texts

论文时间：5 Aug 2020

领域任务：自然语言处理

论文地址：https://arxiv.org/abs/2008.02250

代码实现：https://github.com/ryanjgallagher/shifterator , https://github.com/JasonKessler/scattertext , https://github.com/john-guerra/MIDS_W209_Information_Visualization_Slides

论文作者：Ryan J. Gallagher, Morgan R. Frank, Lewis Mitchell, Aaron J. Schwartz, Andrew J. Reagan, Christopher M. Danforth, Peter Sheridan Dodds

论文简介：A common task in computational text analyses is to quantify how two corpora differ according to a measurement like word frequency, sentiment, or information content./计算性文本分析中的一项常见任务是量化两个语料库在词频、情感或信息内容等测量方面的差异。

论文摘要：计算性文本分析中的一项常见任务是根据词频、情感或信息内容等测量方法来量化两个语料库的差异。然而，将文本的丰富故事折叠成一个单一的数字，在概念上往往是危险的，而且很难自信地解释有趣或意外的文本模式，而不担心数据伪装或测量的有效性。为了更好地捕捉文本之间的细微差别，我们引入了广义的词移图，它可以产生一个有意义的、可解释的总结，即对于任何可以被表述为加权平均的测量，单个词对两个文本之间的变化的贡献。我们表明，这个框架自然地包含了许多最常用的文本比较方法，包括相对频率、字典分数和基于熵的措施，如Kullback-Leibler和Jensen-Shannon分歧。通过几个案例研究，我们展示了广义词移图如何灵活地应用于各领域的诊断性调查、假设生成和实质性解释。通过提供对语料库之间文本转变的详细透视，广义词移图帮助计算社会科学家、数字人文学者和其他文本分析从业者形成更有力的科学叙述。

⚡ 论文：MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction

论文时间：30 Aug 2022

领域任务：Autonomous Driving，无人驾驶

论文地址：https://arxiv.org/abs/2208.14437

代码实现：https://github.com/hustvl/maptr

论文作者：Bencheng Liao, Shaoyu Chen, Xinggang Wang, Tianheng Cheng, Qian Zhang, Wenyu Liu, Chang Huang

论文简介：We adopt a hierarchical query embedding scheme to flexibly encode structured map information and perform hierarchical bipartite matching for map element learning./我们采用分层查询嵌入方案来灵活编码结构化地图信息，并对地图元素学习进行分层双点匹配。

论文摘要：我们提出了MapTR，一个用于高效在线矢量高清地图构建的结构化端到端框架。我们提出了一种统一的基于包络的建模方法，即把地图元素建模为具有一组等价包络的点集，这就避免了地图元素定义的模糊性并简化了学习。我们采用分层查询嵌入方案来灵活编码结构化的地图信息，并对地图元素的学习进行分层双比特匹配。MapTR在nuScenes数据集上实现了现有矢量地图构建方法中最好的性能和效率。特别是，MapTR-nano在RTX 3090上以实时推理速度（25.1 FPS）运行，比现有最先进的基于摄像头的方法快8倍，同时实现了3.3倍的mAP。MapTR-tiny在速度较快的同时，明显优于现有的最先进的多模式方法，达到13.5 mAP。定性结果表明，MapTR在复杂的各种驾驶场景中保持了稳定和强大的地图构建质量。在 https://github.com/hustvl/MapTR 上有大量的演示，以证明其在真实世界场景中的有效性。MapTR在自动驾驶中具有很大的应用价值。我们将发布代码以促进进一步的研究和应用。

我们是 ShowMeAI，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！

◉ 点击 日报合辑，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。

◉ 点击 电子月刊，快速浏览月度合辑。

◉ 点击 这里 ，回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#人工智能 #机器学习 #jupyter #特征工程 #数据可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Mercury：将 Jupyter Notebook 打造为炫酷 Web 应用的利器，助力数据可视化与交互 Mercury 是一个功能强大的工具，它可以将 Jupyter Notebook 转换为交互式的 Web 应用，并提供多种部署选项，让您能够轻松地将您的数据分析成果与更广泛的受众共享。Mercury 能够将 Jupyter Notebook 转换为可部署的 Web 应用，使您可以将您的数据分析成果与更广泛的受众共享。是一个强大的工具，它可以将 Jupyter Notebook 转换为交互式的 Web 应用，让用户能够轻松地与数据进行互动，并实时查看结果。 阅读详情

相关推荐

MapTR自动驾驶感知端到端建图方案，三十分钟全搞定

论文提出一种方法端到端的生成实例级的地图标线。地图标线分为人行道、分割线、路沿3个类别，并输出线的方向。

MinyounZhang的博客 6513

feature_engine，一个牛逼的 python 库

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。大家好，我是程序员爱码士。最后祝大家天天进步！

m0_58477260的博客 866

Mercury，这个被严重低估的Python神器，堪称效率翻倍的秘密武器！

Mercury是一个能让Python开发者效率倍增的神器，它完美解决了Web应用开发中的诸多痛点。如果你还在为Web应用开发和数据可视化的繁琐而烦恼，不妨试试Mercury，让开发变得简单而有趣！记住，这个强大的工具正等着你去发掘它的潜力。赶快动手试试吧，也许下一个效率神器就是你开发的应用！

具身机器人和通用AI 1345

Python特征工程神器：Feature Engine库详解与实战

在本文中，深入研究了Feature Engine库的各项特性和实际应用场景，旨在帮助大家更好地理解和运用这一强大的特征工程工具。首先介绍了库的基本安装和使用方法，然后通过丰富的示例代码展示了Feature Engine在缺失值处理、特征编码、分箱与特征选择、时间特征工程等方面的应用。通过性能比较，清晰展示了Feature Engine在处理大规模数据时的效率优势，以及它相对于原生Python代码的优越性能。

涛哥聊Python 2730

feature_engine:具有类似 sklearn 功能的特征工程包

特征引擎 Feature-engine 是一个 Python 库，具有多个转换器，用于设计和选择用于机器学习模型的功能。 特征引擎的转换器通过 fit() 和 transform() 方法遵循 scikit-learn 的功能，首先从数据中学习转换参数，然后转换数据。 以下资源中的功能引擎功能： 关于特征引擎的博客： Feature-engine：一个新的用于特征工程的开源 Python 包 使用 Python 进行机器学习特征工程的实用代码实现 文档 文档 主页 西班牙文： 机器学习变量工程师，Curso Online Ingeniería de variables, MachinLenin, charla online 更多资源将随着它们在线出现而添加！ Current Feature-engine 的转换器包括以下功能： 缺失数据插补 分类变量编码 离群值封顶或移

人工智能顶会投稿指南：CCF-A类会议ACL、ICML、NeurIPS、ICLR的投稿周期与影响力解析

本文详细解析了CCF-A类会议ACL、ICML、NeurIPS、ICLR的投稿周期与影响力，涵盖各会议的投稿时间线、评审特点及录用率。ACL注重自然语言处理，ICML强调机器学习理论，NeurIPS覆盖神经信息处理，ICLR聚焦表征学习。文章还提供了实战投稿策略，帮助研究者提升投稿成功率。

weixin_29211309的博客 3360

使用 Mercury 直接从 Jupyter 构建 Web 程序

这里，value 参数定义了初始值，min 和 max 指的是值的范围，label 和之前一样，是一个自定义文本。但是，如果您不希望专门在 Mercury Cloud 上托管您的 Web 应用程序，那么您也可以将它部署在任何带有 Docker 的服务器上。在这里，value 参数指的是初始值，choices 显示为可供选择的值列表，label 是显示在小部件旁边的自定义文本。因此，如果您的应用程序创建绘图或打印 DataFrame 等，它们将出现在网络应用程序的输出面板中。要使用它们，我们首先导入库。

冷冻工厂 954

ESP32天线阵列实现Wi-Fi空间成像与无直视定位

Wi-Fi信道状态信息（CSI）是OFDM系统中表征多径传播特性的基础物理层参数，其复数值包含幅度与相位，可反映无线环境的空间特征。基于CSI的射频感知技术，通过提取子载波级信道响应，结合阵列信号处理，实现到达角（AoA）估计与深度映射，本质是将通信链路重构为空间域传感器。该技术无需专用雷达硬件，具备低成本、被动式、隐私友好等工程优势，在室内定位、行为识别、仓储导航等场景具有广泛落地价值。本文聚焦ESP32平台，详解多芯片相位同步、CSI零拷贝采集、嵌入式MUSIC算法及信道图谱轻量化部署等关键实现。

weixin_30632267的博客 237

python系列27：jupyter转web app的工具Mercury

官网：https://runmercury.com/ Mercury可以将 Jupyter Notebook 呈现为 Web 应用程序。类似的package还有streamlit和voila 使用import mercury as mr进行安装。Mercury的页面分为左边的输入部分，和右边的输出部分，下面是极简例子： 在命令行输入mercury run，可以启动客户端 常用指令如下： 运行Mercury Server：mercury run 运行示例notebooks：mercury run demo 添

kittyzc的博客 1733

作物生长模型Oryza V3实战10：运行文件参数详解

运行文件(.rer)用于批量模拟农业场景，包含多组参数集(Rerunset)，每组设定独立的时间范围、灌溉施肥方案等，支持测试不同农艺措施效果。该文件可实现参数自动校准，通过多组参数组合迭代寻找最优值。模拟结果文件(res.dat)会记录全部测试时间段的数据，便于用户对比产量、水分利用率等指标，筛选最优方案或分析气候适应性策略。

210

[网络安全自学篇] 七十三.WannaCry勒索病毒复现及分析（四）蠕虫传播机制全网源码详细解读

这是作者网络安全自学教程系列，主要是关于安全工具和实践操作的在线笔记，特分享出来与博友们学习，希望您喜欢，一起进步。前文分享了逆向分析OllyDbg动态调试工具的基本用法，包括界面介绍、常用快捷键和TraceMe案例分析。这篇文章将继续详细讲解WannaCry蠕虫的传播机制，带领大家详细阅读源代码，分享WannaCry勒索病毒是如何传播感染的。作者分析该病毒一个月，一方面觉得自己技术菜，另一方面深知系统安全需要坚持，继续加油。希望文章对您有所帮助~

杨秀璋的专栏 1万+

大幅超越所有SOTA！地平线DiffusionDrive：生成式方案或将重塑端到端格局？

点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享地平线最新的生成式端到端方案—DiffusionDrive！显著超过所有SOTA。如果您有相关工作需要分享，请在文末联系我们！自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询>>点击进入→自动驾驶之心『端到端自动驾驶』技术交流群论文作...

CV_Autobot的博客 3160

RK3568笔记十七：LVGL v8.2移植

若该文为原创文章，转载请注明原文出处。本文介绍嵌入式图形库移植到Linux开发板ATK-RK3568上的步骤。

4236

feature_engine完全指南：如何一站式解决机器学习特征工程难题

feature_engine是一个与scikit-learn兼容的开源Python库，专为机器学习特征工程和选择设计。它提供了全面的特征处理工具，帮助数据科学家和机器学习工程师轻松解决数据预处理中的各种挑战，从缺失值填充到特征转换，从离散化到特征选择，实现端到端的特征工程解决方案。 ## 为什么选择feature_engine进行特征工程？ 在机器学习项目中，特征工程的质量直接影响模型性能。传

gitblog_00045的博客 858

【Python机器学习】零基础掌握TweedieRegressor广义线性回归模型

本次文章主要介绍了如何使用Tweedie回归模型预测电动汽车的实际续航里程。基于车速、气温和驾驶习惯等多种因素，模型能够准确地预测出电动汽车的续航里程，从而为生产商和消费者提供有用的信息。优点总结，Tweedie回归模型在处理具有多元性和高度散布的数据方面表现出色，特别适用于需要考虑多种影响因素的预测任务。优点名称对应描述说明多元性强可以同时处理多种类型和维度的数据高度可定制允许用户自定义损失函数和正则项对异常值鲁棒能够较好地处理数据中的异常值易于解释参数和预测结果都相对容易解释。

Mr数据杨 1007

一次携程酒店 phantom-token 逆向实战复盘(附python纯算)

摘要 本文介绍了通过分析携程酒店列表页面的数据接口，使用Python实现抓取的方法。主要内容包括： 目标站点为携程酒店列表页，通过开发者工具发现关键接口fetchHotelList 将浏览器请求转换为Python代码，包含请求头(headers)、Cookies和POST数据 提供完整的请求示例代码，包含日期参数、城市ID等必要信息 特别声明仅供学习交流使用，禁止商业用途 展示了如何获取酒店列表数据，包括排序筛选等参数设置 该方法可用于研究酒店数据采集，但需要注意遵守网站使用条款。

自成背后的博客 3030

掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用

本文约2400字，建议阅读5分钟 本文将总结一些常见的时间序列特征工程技术。时间序列数据的特征工程是一种技术，用于从时间序列数据中提取信息或构造特征，这些特征可用于提高机器学习模型的性能。以下是一些常见的时间序列特征工程技术：滚动统计量：计算时间窗口内的统计量，如平均值、中位数、标准偏差、最小值和最大值。这些统计量可以捕捉到时间序列在不同时间段的行为变化；滞后特征：创建时间序列的过去值作为新的特征...

数据派THU 1020

动量因子在A股市场的有效性分析：量化实证研究

验证动量因子在A股市场的有效性及时间周期性分析不同时间窗口（短期/中期/长期）对动量效应的影响量化交易成本、市场流动性对动量策略收益的侵蚀程度比较A股与成熟市场（如美股）动量效应的差异特征理论框架：行为金融学解释动量效应的产生机制技术实现：Python全流程代码实现动量因子计算与回测实证分析：统计检验、风险收益指标、敏感性分析应用拓展：结合市场微观结构的策略优化方案动量因子（Momentum Factor）

2501_92132293的博客 2494

Feature-engine 使用教程

Feature-engine 是一个用于特征工程和特征选择的 Python 库，旨在帮助数据科学家和机器学习工程师更高效地准备数据。它提供了多种特征变换器，可以处理缺失数据、编码分类变量、离散化、异常值处理、特征变换、特征创建、特征选择等任务。Feature-engine 的设计灵感来自于 Scikit-learn，但它更专注于与 Pandas DataFrame 的兼容性，确保在特征工程过程中不...

gitblog_00554的博客 508

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

Feature-engine：特征工程的开源利器

Feature-engine 是一个功能丰富的Python库，为机器学习模型提供特征工程和特征选择的多种转换器。Feature-engine 的转换器遵循 Scikit-learn 的设计模式，使用 fit() 和 transform() 方法从数据中学习转换参数，然后对其进行转换。 ## 项目技术分析 Feature-engine 库涵盖了多种特征工程任务，包括缺失值填充、类别编码、离散化、...

gitblog_00377的博客 405

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

使用 feature_engine库 提升你的机器学习特征工程效率

使用 feature_engine库 提升你的机器学习特征工程效率

素质云笔记 1386

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

经典文献阅读之--MapTR(环视车道线地图提取)

点集可以按两个方向进行组织。在图2（b）中，对于人行横道（多边形），**点集可以按两个相反的方向（顺时针和逆时针）进行组织。**而且，循环改变点集的排列对多边形的几何形状没有影响。对点集施加固定的排列作为监督是不合理的。这种固定的排列与其他等价的排列相矛盾，阻碍了学习过程。图2. 用于说明地图元素关于起点和方向模糊性的典型案例。(a) 折线：对于两条相对车道之间的车道分隔线，定义其方向是困难的。车道分隔线的两个端点都可以被视为起点，并且点集可以按两个方向进行组织。

lovely_yoshino的博客 1万+

使用xrlocation对sfm重建的点云进行二次重建

今天就来介绍一下如何对sfm重建的点云进行二次重建。本文介绍的二次重建是在不改变图像坐标位置的情况下，对原重建图像中的数据进行了跟新。比如跟新了特征点（sift、orb、superpoint、D2net、r2d2）、描述子，新增了特征点，或者是调整了特征点之间的匹配关系。此时就需要对根据跟新的数据、特征点、描述子重新来计算每个特征点对应的点云，生成一组新的重建数据。

qq_43627520 1530

MapTR, MapTRv2学习

方案一（Pixel-wise modeling）：基于分割的方式，通过后处理将分割变为一个像素宽度的线，再后处理沿着线trace得到道路拓扑。方案二（Piece-wise modeling）：预测段，再预测段与段的连接关系。新方案（Path-wise modeling）：更长且相对完整，有overlap，可以隐式将分歧点连接关系编码到完整的实例中。引入permutation-equivalent（等价置换），LaneGAP引入Path-wise modeling。可学好学。中心线分割；

weixin_42391513的博客 5447

MapTR文章研读

MapTR文章研读记录

qq_44846512的博客 3510
上一篇： 工业场景全流程！机器学习开发并部署服务到云端
下一篇： 伯克利『全栈深度学习』2022最新课程；谷歌『基于Transformers的通用超参数优化』经验分享；动图编辑器；前沿论文 | ShowMeAI资讯日报
点赞 1
评论 0
书签 书签 0
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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