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
8.6k累计阅读
8.7k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
geoname：（官网)http://www.geonames.org/
（数据集） https://old.datahub.io/dataset/geonames-semantic-web
geowordnet：（数据集）https://old.datahub.io/dataset/geowordnet
openstreetmap：（官网)https://www.openstreetmap.org/
（数据集）https://download.geofabrik.de/
（api)https://overpass-api.de/api/map?bbox=114.3324,30.5189,114.4122,30.5580
(数据模型)https://www.mapbox.com/mapping/osm-data-model/
linkedgeodata：（官网)http://linkedgeodata.org/About
中国数据库百科中文知识图谱
描述 CN-DBpedia 是一个大规模的中文知识图谱。它整合了百度百科、沪东百科、中文维基百科等领域百科网站的知识。该数据集由 CN-DBpedia 的一个子集组成，包括 900 万个实体和 6700 万个三元组。特别是，我们分别有 110 万个提及实体关系、400 万个抽象关系、198 万个实体标签关系和 410 万个信息框关系。请注意，以下文件仅为数据样本 数据量： 1.04 GB 文件数： 2
知识图谱数据集下载 KnowledgeGraphDatasets
知识图谱数据集 UMLS：医疗数据集 Kinship：亲属关系数据集 WN18RR：WordNet子集。描述英语单词之间关联特征的数据集，同时保留WordNet数据集中的对称、非对称和组合关系，去除了倒装关系 FB15k-237:Freebase子集 不同数据集的统计信息如下： Dataset Entities Relations Train Valid Test Total Triples UMLS 135 46 5216 652 661 6529 Kinship
OSM城市知识图谱构建技术.zip
知识图谱是一种结构化的知识表达形式，它以图形的方式组织和存储了大量实体（如人、地点、事件等）及其相互关系。在知识图谱中，实体作为节点，实体之间的各种语义关联则通过边进行连接，形成了一个庞大的数据网络。 知识图谱的核心价值在于其能够精确、直观地表示复杂世界中的知识，并支持高效的知识查询与推理。例如，在搜索引擎中，知识图谱可以提升搜索结果的相关性和准确性，为用户提供直接的答案而非仅仅是网页链接。同时，知识图谱还能支撑高级的人工智能应用，比如问答系统、推荐系统、决策支持等领域。 构建知识图谱的过程通常包括数据抽取、知识融合、实体识别、关系抽取等多个步骤，涉及到自然语言处理、机器学习、数据库技术等多种技术手段。知识图谱的不断完善有助于实现从海量信息中挖掘深层次、有价值的知识，从而推动人工智能向着更加理解人类世界的智慧方向发展。 总之，知识图谱是一个大规模、多领域、多源异构知识集成的载体，是实现智能化信息系统的基础工具和关键基础设施，对于提升信息检索质量、推动智能应用研发具有重要作用。
50个地理人必备数据库赶紧收藏起来（含气候、地信、地质、卫星遥感、城市经济等）
推荐50个地理人必备数据库，赶紧收藏起来吧！想要获取更多GIS资料，可以加QQ群463091202 气候海洋类等 气候、海洋等中国气象科普网 网址：http://www.qxkp.net/ 该网站实时更新天气状况，也有一些气象专题的图解，有视频讲解等，可谓是气象百科！ 中国国家气候中心 网址:http://ncc.cma.gov.cn 中国气象局 网址：http://www.cma.gov.cn/ 中国天气网 网址：https://weather.cma...
多模态知识图谱数据集.zip
精品数据集资源，供学习研究，项目使用，绝对物超所值！
【数据结构】汉诺塔问题（丰富图解）
经典汉诺塔问题，丰富图解，助你理解。
AI时代地理信息工程师的六大核心能力培养方案
地理信息系统(GIS)与人工智能(AI)的融合正在重塑空间数据分析领域。空间认知智能作为核心技术，通过坐标转换、知识图谱构建和上下文理解实现地理实体与AI模型的衔接。多模态地理信息处理技术解决了卫星影像、轨迹数据等非结构化空间数据的分析难题，其中空间文本嵌入模型等工具实现了跨模态关联。在工程实践中，时空预测建模需要处理空间自相关性和多尺度效应，而地理大模型微调则需权衡训练成本与空间理解能力。这些技术在城市规划、灾害预警等场景展现价值，特别是智慧城市建设中，复合型地理信息工程师能有效提升40%以上的项目交付效
华为手环实时心率数据导出到UWP项目中
hello大家好呀O(∩_∩)O最近在做毕设 其中有个小功能要用到实时心率数据。查找网上的资料发现只有小米手环的实时心率数据导出但是没有华为手环的，我试了华为手环但是并不能行得通哈哈哈。现在分享一下华为手环实时心率数据导出的代码。
多模态知识图谱
作者：郑秋硕，漆桂林，王萌 知识图谱技术已经被广泛用于处理结构化数据（采用本体+D2R技术）和文本数据（采用文本信息抽取技术），但是还有一类非结构化数据，即视觉数据，则相对关注度较低，而且相缺乏有效的技术手段来从这些数据中提取结构化知识。最近几年，虽然有一些多模态视觉技术提出，这些技术主要还是为了提升图像分类、图像生成、图像问答的效果，不能很好地支撑多模态知识图谱的构建。视觉数据库通常是图像或视频数据的丰富来源，并提供关于知识图谱中实体的充分视觉信息。显然，如果可以在在更大范围内进行链接预测和实体对齐，进
简谈基于FPGA的千兆以太网设计
简谈基于FPGA的千兆以太网设计 今天给大侠带来简谈基于FPGA的千兆以太网设计，话不多说，上货。 今天我们来简单的聊一聊以太网，以太网在FPGA学习中属于比较高级的内容了，有些大侠肯定会感觉以太网学习起来非常不容易。其实，我可以告诉大家，前期学习的基础打扎实了，后期的学习也没那么难。总之就是说难没那么难，说容易也不是那么容易。那么，言归正传，下面让我们一起来聊一聊以太网的学习。 说起以太网，大家可能就会想到百兆以太网、千兆以太网以及万兆以太网等等。局域以太网从10M开始发展，经历几多的变迁，发展到现
【RT-DETR涨点改进】全网独家创新，卷积细节涨点改进篇 | TCSVT 2025 | 引入DGBM差分专家引导双向调制模块，利用双向仿射调制实现特征分布对齐，含多种创新改进，助力小目标检测高效涨点
本文提出DGBM差分专家引导双向调制模块，用于改进RT-DETR目标检测网络。该模块通过差分建模突出不同层级特征的独特信息，利用双向调制实现特征分布对齐，增强局部细节与全局语义的协同表达。DGBM包含差分专家机制、物理反演建模和双向仿射调制三个关键部分，能有效解决CNN与Transformer特征融合冲突问题。实验表明，该方法可提升复杂场景下的检测精度，降低误检漏检率，且模块具有可插拔、易集成的特点。文章详细介绍了模块结构、原理、优势及具体实现代码，并提供了四种RT-DETR改进方案的yaml配置文件。
知识图谱与智能城市：实现人工智能的可持续发展
1.背景介绍 随着人工智能(AI)技术的不断发展，我们已经看到了许多令人印象深刻的应用，如自动驾驶汽车、语音助手、图像识别等。然而，这些应用只是人工智能的冰山一角，真正的人工智能潜力远比此。为了实现人工智能的可持续发展，我们需要寻找新的领域和应用场景，其中智能城市就是一个值得关注的领域。 智能城市是一种利用信息技术和通信技术为城市管理和城市服务提供智能化解决方案的城市模式。智能城市的核心是将大...
超声相控阵合成孔径成像FPGA设计介绍
1.仿真预览 2.理论分析 系统的基本结构如下所示： 以上是实际中完整的结构，系统中会涉及到两块板子中的时钟，这个就是设计一个时钟采样同步的问题，即所谓的时钟同步。一般这种情况，往往使用内插的方式来解决。这是由于，在实际中，超生波接收到的信号是由本身系统发送出去反射回来得到的，因此从另外一方面将，其是同步的。但是在接收的时候通过内插的方法解决其中的延迟问题。 根据论文中的介绍，整个系统分为如下几个部分： ·模拟发送信号，这个部分由MATLAB产生测试数据并量...
标题：地理智能解析器：geograpy3——你的文本地理信息提取专家
标题：地理智能解析器：geograpy3——你的文本地理信息提取专家 geograpy3Extract place names from a URL or text, and add context to those names -- for example distinguishing between a country, region or city.项目地址:https://gitcode...
基于Jeecgboot3.9.0的vue3版本前后端分离的flowable流程管理平台
基于Jeecgboot3.9.0的vue3版本前后端分离的flowable流程管理平台
STM32F103 -- LIN从机通讯 -- 程序代码 -- 详细讲解版（2万字长文）
主要代码分为3个文件，usart文件是对GPIO端口和串口Lin模式的初始化，lin_buffer文件是对串口环形缓冲区的编写，lin_driver文件是Lin从机模式驱动代码。通过这三个文件的代码便可实现STM32F103的LIN从机通讯。
GAKG: A Multimodal Geoscience Academic Knowledge Graph 多通道地理学学术知识图谱
GAKG: A Multimodal Geoscience Academic Knowledge Graph 多通道地理学学术知识图谱
FFMPEG音视频开发: Linux下采集音频(alsa-lib库)、视频(V4L2框架)数据编码并实时推流到RTMP流媒体服务器，达到直播功能(推流)
一、环境介绍 操作系统: VM虚拟机运行的ubuntu18.04 FFMPEG版本: 4.4.2 摄像头： 罗技USB摄像头、电脑自带摄像头 声卡：电脑自带声卡 二、FFMPEG、X264的安装 参考这里:FFMPEG开发: Linux下采集摄像头数据录制成MP4视频保存到本: 地https://blog.youkuaiyun.com/xiaolong1126626497/article/d...
论文浅尝 | 虚拟知识图谱：软件系统和应用案例综述
本文转载自公众号：DI数据智能。Virtual Knowledge Graphs: An Overview of Systems and Use Cases作者：Guoh...
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
关于知识图谱的那些事
知识图谱是一种结构化的语义网络，通过“实体-关系-实体”三元组形式连接信息，模拟人类认知。其构建包括明确目标、多源数据获取、信息抽取、知识融合、知识建模等步骤，应用涵盖搜索引擎、智能问答等场景。常用工具包括spaCy、Neo4j等，主流知识图谱有Wikidata、DBpedia等开源项目及百度、华为等商业平台。知识图谱通过结构化表示和关联信息，提升计算机处理复杂知识的能力。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
技术动态 | 多模态知识图谱
本文转载自漆桂林老师的知乎专栏。原文链接：https://zhuanlan.zhihu.com/p/163278672 作者：郑秋硕，漆桂林，王萌 知识图谱技术已经被...
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")
漆桂林：多模态知识图谱种类及其应用
点击上方，选择星标，每天给你送干货！作者丨漆桂林@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/163278672编辑丨极市平台知识图谱技术已经被广泛用于处...
详解：多模态知识图谱种类及其应用
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨漆桂林@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/163278...
知识图谱与图数据库的技术挑战
1.背景介绍 知识图谱(Knowledge Graph, KG)是一种描述实体和实体之间关系的图形结构。它是一种有向无环图(DAG)，其中实体表示为节点，关系表示为有向边。知识图谱可以用于自然语言处理、推理、推荐、搜索等应用。图数据库(Graph Database)是一种专门用于存储和管理图形数据的数据库。图数据库可以用于社交网络、地理信息系统、生物网络等应用。 知识图谱和图数据库在技术挑战方...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6525
扫一扫
