[转]firefox中迅雷扩展的修改版整理

Firefox 迅雷 扩展 的 修改版整理

以前在这一篇文章 中 我已经介绍了tiramn2修改的迅雷 扩展 ,经congxz6688把各个版本的扩展 收集整理如下:

 

1、最初版:  thunder.xpi + 相应的GM脚本 xunlei_href_remover.user.zip

(适用于右键菜单洁癖患者、GM高度痴迷者和安全 顾虑较多的人士)
特点1,点击下载链接或按钮后,迅雷 也会出现在下载选择项之中!
特点2,配合GM脚本,迅雷 通道直接调用!无需安装WEB 迅雷 ,无需调整about:config项!

举例:
在以下网站中,凡是可下载的软件 ,均提供“迅雷 高速下载通道”,安装本扩展和脚本之后,
点击“迅雷 高 速下载通道”即可调用迅雷 下载了。这个是以前各版本无法实现的。

华军软件园 华军软件园2 - 绿色软件联盟 - 太平洋下载 天空软件站


2、GM脚本整合版之迅雷 链手动转化版

(适用于作风稳健不在乎多按几下鼠标的成熟人士)
特点1:GM脚本的功能已经整合到扩展当中,更方便实用;
特点2:迅雷 链 的侦测和转化功能在右键菜单中,非手动不执行,可靠性更高;
特点3:使用时,需要在文件下载页点击右键菜单中的“寻找迅雷 专用链接”,然后迅雷 专用通道才可用。

整合手动版thunder.7z

 

 

3、GM脚本整合版之迅雷 链自动转化版

(适用于只图方便不顾危险视风险如无物且不在乎频繁重装系统的 迅雷 Fans)
特点1:迅雷 专 用通道自动转换,啥说法都没有,直接点击即可使用;
特点2:因为使用全局监控,与其它扩展发<!-- -->生<!-- -->冲突的风险大大提高;
!!!已经使用ADBP、NoScripts、GM、Stylish等扩展的用户尤其要慎重!

整合自动版thunder.7z

注意:如果想按上面介绍的方法进行安装,你可能需要把下载的文件改名为thunder.xpi
同样也需要事先卸载其它版本并清除缓存。

 

 

2009-5-6更新

说明:
1.由于ID已经和原来的官方版本以及各种修改版本都不一样了。请删除原有版本试用。
2.请清空cache(等3.5正式版本出来之后,也许就不用了)
3.请允许js脚本
4. 无法正常从FF正常call出迅雷 的同学确认以下信息
a. 请确认用 regsvr32 注册过Comdlls\thunderagent.dll
b. 请确认注册表以下的信息是否完整
[HKEY_LOCAL_MACHINE\SOFTWARE\Thunder Network\ThunderOem\thunder_backwnd]
"Path"="你的迅雷 路径\\Thunder.exe"
"Version"="你的迅雷 版本"

 

功能:
1. 一律左键通杀
2. 支持thunder://协议和flashget://协议
3. 没有其他任何不需要的代码,绿色!绿色!
4. 包括了"点球射飞"同学提出的需要记忆"直接下载"的功能

下载地址:(48.46KB)
点击下载点击下载点击下载点击下载

 

 

 

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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