adaptive

　　 　　在新冠肺炎肆虐期间的几个月里，数十种制药和生物技术股票暴涨。这些公司在研究和开发上投入了大量资金，以寻找治疗冠状病毒的方法或疫苗。基于此，外媒 ValueWalk 盘点了今年（截至 2020 年 7 月 16 日）表现最好和最差的十大生物技术股票。 　　 “十佳”：并非所有 “上涨” 均与疫苗强相关 　　“十佳”中 Novavax 居于榜首，YTD （year to date，指“从年初到现在的这段时间”）股价变化上涨幅度近 3000%，CytoDyn、Mederna(NASDAQ:MRNA）、Vir Biotechnology（NASDAQ:VIR)、Regeneron Pharmaceuticals（ NASDAQ:REGN）等公司均在其原有业务管线的基础上，拓展了新冠疫苗研发疫苗或药物。中间涉及主要技术方向有单克隆抗体，mRNA 等。 　　 　　图丨 10 支表现 “最佳” 的生物技术股（来源：ValueWalk） 　　纳斯达克上市公司 Novavax 是今年迄今为止表现最佳的生物技术股票。这家位于马里兰州盖瑟斯堡的生物制药公司正在开发一种冠状病毒疫苗。它是 COVID-19 疫苗开发的领先者之一。Novavax 最近加入了美国政府的 “Warp Speed” 计划，并从政府获得了 16 亿美元资金，以加速其冠状病毒疫苗的开发。 　　Novavax

AUTOSAR Builder功能介绍 AUTOSAR Builder 是达索旗下一种基于 Eclipse 的开放性、可扩展工具套件，用于设计和开发符合 AUTOSAR 标准的系统和软件。最新版本2020x支持AUTOSAR Classic 4.4.0及AUTOSAR Adaptive R19-03。 图 1-AUTOSAR Builder工具主界面 从功能层面讲，AUTOSAR Builder为AUTOSAR系统开发提供快速、自动化的建模和仿真手段。 • AUTOSAR Authoring Tool(AAT)-支撑完整的AUTOSAR系统研发 ♦ 对Classic Platform AUTOSAR，支持application software development/system design/basic software configuration/system integration等研发工作。 ▼ 支持导入/导出功能，包括不同的AUTOSAR版本、Simulink模型、ODX导入、LDF、DBC、Fibex、Ethernet arxml等； ▼ 符合AUTOSAR的软件架构设计（包括RTE Contract phase和SW-C Template Generation等）； ▼ 车载网络拓扑设计、网络通信设计（i.e.CAN/LIN/FlexRay/Etherent）

1、首先我们先到官网下载opencv的包，在官网下载到的是一个可运行文件，其实就是一个解压程序，运行后会把opencv的相关文件解压到填写的路径。 2、 在编辑环境变量窗口，点击新建，然后将opencv文件夹里的bin路径复制进去，如下图所示，针对你想配置的环境是32位还是64位的来选择合适的bin，如果是32位的则选择x86文件夹下的bin，反之则选择64下的bin。具体可以点击这里，在这就不啰嗦了。 3、 打开IntelliJ ，选择File->Project Structure->Modules->Dependenciesd 点击加号，选择JAR or directories 选择C:\opencv\build\java\目录下的open-xxx.jar文件 4、创建java普通项目，加上以下的包，如果没报错则表示opencv引入正常，以下测试程序是将本地目录下的一张图片进行处理后再保存下来。 import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Imgproc; public class OpencvTest { public static void main(String[] args

一、摘要 随着更多开放大世界的游戏的流行，游戏引擎就会需要使用到更多的资源，这无论是对带宽还是存储都是一个挑战。当然，这个问题需要很多的解决方案共同完成，本文介绍其中一个解决方案：Virtual Texture，用来解决巨量Texture的加载问题。 二、总览 Virtual Texture是由id Software提出，用来解决Texture加载问题的一套解决方案，不仅解决了带宽和内存问题，还带来了其它的好处。随后，在这个方案的基础上，行业又相继提出了如：Procedural Virtual Texture、Adaptive Procedural Virtual Texture、Hardware Virtual Texture等解决方案。本文会从id Software的方案出发，逐步介绍到最新的基于新一代图形API的硬件Virtual Texture。 1. 在Virtual Texture之前 其实在Virtual Texture之前，已经出现过一些解决方案，这些方案中的思想直接促成了Virtual Texture的诞生。由于Mesh的LOD，产生了一种将Texture bake到不同LOD的解决方案，与之相类似的，在运行时动态决定要加载的Texture，给不同的LOD Mesh。一个名为Jonathan Blow的程序员在2000年提出了基于后者的方案

　　今天在使用python3.7中的pymssql 连接sqlserver的时候遇到的问题： 　　pymssql.OperationalError: (20009, b'DB-Lib error message 20009, severity 9:\nUnable to connect: Adaptive Server is unavailable or does not exist (SZS\\SQLEXPRESS)\n')　 　　现在已经解决，特地来进行记录。 　　1.在使用的python连接sql server的时候，先进行以下配置： 　　 sql server配置管理器--->SQL Server 网络配置---->选择当前使用的实例------>开启TCP/IP---->找到当前的动态端口号（当前是51091），如下图： 　　2.代码如下： import pymssql conn = pymssql.connect(host= ' localhost ' ,server= ' SZS\SQLEXPRESS ' , port= ' 51091 ' , user= ' sa ' , password= ' 123 ' , database= ' mysql ' ) cur = conn.cursor() sqlstr = " select * from book " cur

opencv 棋盘查找findChessboardCorners函数使用 Size size=new Size(6,9); MatOfPoint2f pos=new MatOfPoint2f(); boolean chessboardCorners = Calib3d.findChessboardCorners(mat, size, pos, Calib3d.CALIB_CB_ADAPTIVE_THRESH|Calib3d.CALIB_CB_NORMALIZE_IMAGE); if (chessboardCorners) { Calib3d.drawChessboardCorners(mat, size, pos, true); }else { Log.i(TAG, "handle: jason error"); } 函数形式 int cvFindChessboardCorners( const void* image, CvSize pattern_size, CvPoint2D32f* corners, int* corner_count=NULL, int flags=CV_CALIB_CB_ADAPTIVE_THRESH ); 参数说明 Image: 输入的棋盘图，必须是8位的灰度或者彩色图像。 pattern_size: 棋盘图中每行和每列角点的个数。 Corners:

小样本学习（few-shot learning） SimPropNet: Improved Similarity Propagation for Few-shot Image Segmentation Learning Task-aware Local Representations for Few-shot Learning Transductive Relation-Propagation Network for Few-shot Learning Few-shot Visual Learning with Contextual Memory and Fine-grained Calibration Few-shot Human Motion Prediction via Learning Novel Motion Dynamics Weakly Supervised Few-shot Object Segmentation using Co-Attention with Visual and Semantic Embeddings Self-Supervised Tuning for Few-Shot Segmentation Multi-attention Meta Learning for Few-shot Fine-grained Image Recognition

Adaboost 算法的原理与推导 0 引言 一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午，在我组织的 机器学习班 第8次课上讲决策树与Adaboost，其中，Adaboost讲得酣畅淋漓，讲完后，我知道，可以写本篇博客了。 无心啰嗦，本文结合机器学习班决策树与Adaboost 的 PPT ，跟邹讲Adaboost指数损失函数推导的 PPT （第85~第98页）、以及李航的《统计学习方法》等参考资料写就，可以定义为一篇课程笔记、读书笔记或学习心得，有何问题或意见，欢迎于本文评论下随时不吝指出，thanks。 1 Adaboost的原理 1.1 Adaboost是什么 AdaBoost，是英文"Adaptive Boosting"（自适应增强）的缩写，由Yoav Freund和Robert Schapire在1995年提出。它的自适应在于：前一个基本分类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率或达到预先指定的最大迭代次数。 具体说来，整个Adaboost 迭代算法就3步： 初始化训练数据的权值分布。如果有N个样本，则每一个训练样本最开始时都被赋予相同的权值：1/N。

论文传送门 视频 作者 浙江大学 Honghui Mei Wei Chen Yating Wei Yuanzhe Hu Shuyue Zhou Bingru Lin 中南大学 Ying Zhao Jiazhi Xia 摘要 分析师通常会调查从统计数据汇总中得出的数据分布，这些统计汇总由图表（如直方图和合并的散点图）表示，以可视化和分析大型数据集。聚合查询是通过这样的过程隐式执行的。数据集时常会非常大；因此，应通过计算预定义的数据立方体来加快响应时间。但是，查询仅限于预处理数据多维数据集的预定义合并方案。这种局限性阻碍了分析师灵活调整视觉规格，以有效地调查数据中的隐式模式。特别地，RSATree通过利用三种方案来实现任意查询和灵活的分箱策略，这三种方案分别是：基于R树的空间分区方案以捕获数据分布，局部敏感哈希技术以实现对数据项的保留局部性的随机访问以及一个求和的面积表示方案，以线性计算复杂度支持对聚合值的交互式查询。这项研究提出并实现了一个基于Web的可视查询系统，该系统支持视觉规范，查询和用户可调整粒度的大规模表格数据的浏览。我们通过在现实世界的数据集上进行各种实验并分析时间和空间复杂度来证明我们的方法的效率和实用性。 Introduction Exploratory data analysis (EDA) Large and high-dimensional dataset

常用高并发网络线程模型设计及mongodb线程 模型优化实践(最全高并发网络IO线程模型设计) 1. 线程模型一. 单线程网络IO复用模型 1.1 说明： 1. 所有网络IO事件(accept事件、读事件、写事件)注册到epoll事件集 2. 主循环中通过epoll_wait一次性获取内核态收集到的epoll事件信息，然后轮询执行各个事件对应的回调。 3. 事件注册、epoll_wait事件获取、事件回调执行全部由一个线程执行 1.2 该网络线程模型缺陷 1. 所有工作都由一个线程执行，只要任一一个请求的事件回调处理阻塞，其他请求都会阻塞。例如redis的hash结构，如果filed过多，例如一个hash key包含数百万filed，则该Hash key过期的时候，整个redis阻塞。 2. 单线程工作模型，CPU会成为瓶颈，如果QPS超过10万，整个CPU负载会达到100%。 1.3 典型案例 1. redis缓存 1.4 主循环工作流程： while (1) { //epoll_wait等待网络事件，如果有网络事件则返回，或者超时范围 size_t numevents= epoll_wait(); //遍历前面epoll获取到的网络事件，执行对应事件回调 for (j = 0; j < numevents; j++) { if(读事件) //读事件处理、读到数据后的业务逻辑处理