护肤品总结 Skin Care (2)

护肤品总结(1)

面膜篇

个人不太喜欢片状面膜,所以用膏状面膜比较多。

1. Origins Drink Up-Intensive Overnight Mask 悦木之源补水睡眠面膜

牛油果油油的质地~ 密集补水的感觉,第二天起来觉得皮肤软软的润润的。

2. Origins Out-Of-Trouble Mask 悦木之源急救面膜

这个比较像清洁面膜,敷了10分钟之后洗掉。也有不错的镇静效果。每次痘痘爆发的时候都会先用急救面膜,再用健康水,效果杠杠的~

3. 欣兰黑里透白冻膜

据说也有清洁功效,30分钟后洗掉。我用着觉得无功无过。

4. Peter Thomas Roth 彼得罗夫青瓜面膜

夏天的时候每次一回家,第一件事就是卸妆洗脸,然后拿出冰箱里的青瓜面膜敷上。冰冰凉凉清清爽爽的感觉很棒~ 补水效果虽不如Origins,但清爽很多,适合夏季使用。

5. GNC 芦荟胶

在美帝,一只不到2刀的价格,看中的是它不含酒精不含香精。秋冬季节干燥或者夏季的时候,抹上厚厚一层芦荟胶,再用Thayers玫瑰水做水膜敷上,补水效果很好!

精华篇

1. Kiehl's 契尔氏夜间修复精华

浓郁的薰衣草香味~ 用量很少,每次两三滴就可以涂满全脸。虽然是油状质地,但是涂上脸抹匀后不觉得油。第二天觉得脸润润的。暂时没发现有淡化细纹的功效,发现可以淡化痘印。

2. Kiehl's 契尔氏淡斑精华

啫喱质地,不油。用过小样,的确痘印淡了一些。准备下次契尔氏打折时购入~

3. Lancome 兰蔻小黑瓶肌底液

半透明的乳状质地。其实是在精华/面霜/晚霜前使用。效果的确惊艳。感觉是能够加强精华和面霜的吸收。比较喜欢上妆前也用小黑瓶打底,可以让妆非常服帖自然~

面霜篇

1. Origins Energy-boosting Moisture 悦木之源咖啡因活力焕亮保湿凝乳

啫喱与乳霜之间的质地,吸收非常快,补水效果不错,早上涂完后一天脸都不油~ 最喜欢的是它淡淡的橘子香味?

2. Aveeno Clear Complexion Daily Moisturizer

Aveeno 是美国一个专门做母婴产品的品牌,所以他家的护肤品配方都很温和。这个面霜是乳液质地,里面含少量水杨酸,可以控制痘痘。不足的是如果在这个面霜之后再上妆,会有干粉的情况。

3. Aveeno Fragrance Free Baby Daily Moisture Lotion 燕麦润肤乳

便宜大碗的第二个代表!不到10刀的价格,两大瓶!因为完全不含酒精和香料,所以我一般是肌肤状态很不好的时候就会只用这个。补水效果一般,经常是到了下午脸就冒油了。还有一点点的厚重感。不过还是我需要修复镇静皮肤的首选!

唇膏篇

1. Burt's bee 小蜜蜂润唇膏

润而不油,很适合白天使用。晚上也可以涂厚厚的一层做唇膜。

2. Kielh's 契尔氏1号唇膏

好用好用好用!淡淡的香味,油油的质地,非常适合晚上做唇膜。第二天发现唇纹淡了,非常润。

防晒篇

待续

眼霜篇

待续

 

转载于:https://www.cnblogs.com/ireneyanglan/p/5185918.html

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、状态转移与观测方程构建,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  | 博主筛选后可见
 
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