Spatial

论文传送门 视频 作者 浙江大学： Zikun Deng Di Weng Jiahui Chen Ren Liu Zhibin Wang Yingcai Wu 京东智慧城市研究院 Jie Bao Yu Zheng 摘要 空气污染已经成为世界上许多城市的一个严重的公共健康问题。为了找出空气污染的原因，必须在大的空间尺度上研究空气污染物的传播过程。然而，复杂和动态的风场导致污染物输送的高度不确定性。如果没有领域知识的整合，最先进的数据挖掘方法不能完全支持跨多个地区的这种不确定时空传播过程的广泛分析。这些自动化方法的局限性促使我们设计和开发 AirVis，这是一种新颖的可视分析系统，它可以帮助领域专家基于图形可视化有效地捕捉和解释空气污染的不确定传播模式。设计这样的系统提出了三个挑战:a)传播模式的提取；b)模式表示的可伸缩性；和 c)传播过程的分析。为了应对这些挑战，我们开发了一个新的模式挖掘框架来模拟污染物迁移，并从大规模大气数据中有效地提取频繁传播模式。此外，我们基于最小描述长度原则对提取的模式进行分层组织，并允许专家用户基于模式拓扑有效地探索和分析这些模式。我们通过使用真实数据集和领域专家的积极反馈进行的两个案例研究证明了我们方法的有效性。 Introduction 空气污染成为一个严重的公共问题 来源： Vehicle emission Incineration Factory

截止目前最完整的MySQL 8.0新特性列表。 原文出处：https://mysqlserverteam.com/the-complete-list-of-new-features-in-mysql-8-0/ There are over 300 new features in MySQL 8.0. The MySQL Manual is very good, but verbose. This is a list of new features in short bullet form. We have tried very hard to make sure each feature is only mentioned once. Note the similar list for MySQL 5.7. Please download MySQL 8.0 from dev.mysql.com or from the MySQL Yum, APT, or SUSE repositories. SQL DML Non-recursive CTEs [1] Recursive CTEs [1] Window functions [1] ORDER BY and DISTINCT with ROLLUP [1] LATERAL derived tables [1] Outer

BIM与GIS的跨界整合，使微观领域的BIM信息内容与宏观领域的GIS信息内容完成互换和互操作，提高了BIM运用深度，将BIM的运用从单体拓宽到建筑群乃至城市级，为GIS行业发展提供了新的突破口，另外也提供了一些新的挑战。应对挑战，GIS基本服务平台要具有什么工作能力？文中将分析 BIM+GIS 运用过程中碰到的难题及其解决方式 。 在GIS平台中载入高架桥的BIM数据（左），并累加在影像数据上（右） 挑战一：将BIM数据连接到GIS平台 世界各国BIM三维建模软件类型各种，不同的软件有不同的储存方法。这种数据文件格式相互差异，且相对性较为封闭没有公布文档构造，给BIM数据连接到GIS平台提供了最直接的挑战。 BIM数据取决于BIM系统软件，例如Revit的rvt文档自身不是带材质贴图的，是存在于Revit安装文件的材质库中，要载入Revit数据的详细信息内容，包含特性、材料、几何图形等，不可或缺Revit系统软件自身。完成载入BIM数据现阶段最务实的方式 便是依托于BIM到GIS数据格式转换工具或软件，也就是依托于BIM软件库的原生态支撑，将BIM数据变换到GIS数据库。 ZTMAP依次带来了几款BIM流行制图软件的变换软件和专用工具，如Autodesk主打产品的Revit、AutoCAD及其Civil3D软件

2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Agent-based and Multi-agent Systems) Main track (AI Ethics) Main track (Computer Vision) Main track (Constraints and SAT) Main track (Data Mining) Main track (Heuristic Search and Game Playing) Main track (Humans and AI) Main track (Agent-based and Multi-agent Systems) A Deep Reinforcement Learning Approach to Concurrent Bilateral Negotiation Pallavi Bagga, Nicola Paoletti, Bedour Alrayes, Kostas Stathis A Multi-Objective Approach to Mitigate Negative Side Effects Sandhya Saisubramanian, Ece

浅谈注意力机制的作用 前言 什么是注意力机制 空间注意力 对于时间步的注意力机制 1.数据集的制作 2.建立注意力模型 3.建立整体神经网络 4.完整代码 5.实验效果 通道注意力机制 前言 Attention机制是很好的一个东西，Attention机制在近几年来在图像，自然语言处理和cv等领域中都取得了重要的突破，被证明有益于提高模型的性能。让我们一起来了解下注意力机制吧。 什么是注意力机制 所谓Attention机制，便是聚焦于局部信息的机制，比如，图像中的某一个图像区域。随着任务的变化，注意力区域往往会发生变化。 面对上面这样的一张图，如果你只是从整体来看，只看到了很多人头，但是你拉近一个一个仔细看就了不得了，都是天才科学家。图中 除了人脸之外的信息其实都是无用的，也做不了什么任务 ，Attention机制便是要 找到这些最有用的信息 ，可以想到，最简单的场景就是从照片中检测人脸了。 注意力机制的本质就是定位到感兴趣的信息，抑制无用信息，结果通常都是以概率图或者概率特征向量的形式展示。 我们来看下这个例子可能久更加明白了：假设我们要翻译一句话：打电脑游戏，play computer game。 如果不引入注意力机制，那么我们从Encoder获得语义编码c之后，这个语义编码在Decoder中传递，其内容就和Encoder无关了。 但是事实上我们希望在翻译打电脑游戏中的打的时候

很多朋友是数据量化完成后，问统计表中的数据尺度单位，这种情况恐怕需要从头再处理一次，所以对于Amira/Avizo的新用户来说，在准备进行量化分析之前就应该设置好尺度单位，设置步骤如下： 1. 在Amira或Avizo里启动Preferences 2. 对Units选项内的基本内容进行设置，Unit Management里选择Spatial information only，否则下面的反勾选无法操作，如下图： 3. Display Unites选项卡里选择微米（我的数据单位基本是微米，这也是常规显微CT用户常用的单位，而电镜用户要选纳米，而医疗CT数据客户就要选毫米或厘米） 4. Working Units选项卡里也选择微米 完成上述设置后，点击Apply生效。 5. 加载数据时正确设置体素信息，这一步也非常关键，如下图： 数据加载后在Properties中也可以进一步查看确认体素信息是否正确 最后，在通过Label Analysis量化分析，输出的统计表中就可以看到尺度的信息，而下面对应的数据也才是实际尺度下的数据结果 来源： oschina 链接： https://my.oschina.net/u/4373067/blog/4560723

MySQL MySQL 是最流行的关系型数据库管理系统，在 WEB 应用方面 MySQL 是最好的 RDBMS(Relational Database Management System：关系数据库管理系统)应用软件之一。 什么是数据库？ 数据库（Database）是按照数据结构来组织、存储和管理数据的仓库。 每个数据库都有一个或多个不同的 API 用于创建，访问，管理，搜索和复制所保存的数据。 我们也可以将数据存储在文件中，但是在文件中读写数据速度相对较慢。所以，现在我们使用关系型数据库管理系统（RDBMS）来存储和管理大数据量。 所谓的关系型数据库，是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。 RDBMS 即关系数据库管理系统(Relational Database Management System)的特点： 数据以表格的形式出现 每行为各种记录名称 每列为记录名称所对应的数据域 许多的行和列组成一张表单 若干的表单组成database RDBMS 术语 数据库: 数据库是一些关联表的集合。 数据表: 表是数据的矩阵。在一个数据库中的表看起来像一个简单的电子表格。 列: 一列(数据元素) 包含了相同类型的数据, 例如邮政编码的数据。 行：一行（=元组，或记录）是一组相关的数据，例如一条用户订阅的数据。 冗余： 存储两倍数据

图像如函数 图像分类 完美图像 完美图像（perfect image）是连续图形，完美图像由一个物理过程所产生。 将这个物理过程用I所表示，他们代表了从平面上的点到一个数字的映射，即 I : R 2 → R I: R^2\rightarrow R I : R 2 → R Remark: 0 < I ( ⋅ ) < ∞ 0<I(\cdot)<\infty 0 < I ( ⋅ ) < ∞ Remark: 抽象后我们可以将定义域看作超平面上的点，其维度可以超过2 。如此，哦我们可以将它们定义成一个映射： I : R k → R I: R^k \rightarrow R I : R k → R 由所经受的物理过程所决定 Remark: 完美图像仅在无法取样的时候存在抽象化。 例子：朗伯模型（Lambertian Image） 朗伯模型是一个经典的漫反射模型。朗博模型中光的反射量由入射角的余弦角所决定。 考虑一个点 x ∈ R 3 x \in R^3 x ∈ R 3 在朗伯表面上，其对此表面的法向量 n ( x ) n(x) n ( x ) 。入射角的方向是 l ( x ) l(x) l ( x ) 。 此时反射可以写作： R ( x ) = ρ l ( x ) T n ( x ) R(x) = \rho l(x)^Tn(x) R ( x ) = ρ l ( x ) T n ( x ) 其中

文章目录 往期文章链接目录 Convolutional graph neural networks (ConvGNNs) GCN Framework GCN v.s. RecGNN What is Convolution Spatial-based ConvGNNs Message Passing Neural Network (MPNN) Introduction to MPNN Shortage of the MPNN framework GraphSAGE (SAmple and aggreGatE) Overview of GraphSAGE Aggregator Fuctions PATCHY-SAN Overview of PATCHY-SAN Two problems considered in PATCHY-SAN Steps of PATCHY-SAN 往期文章链接目录 往期文章链接目录 Convolutional graph neural networks (ConvGNNs) Convolutional graph neural networks (ConvGNNs) generalize the operation of convolution from grid data to graph data. The main idea is to