- 综合排序
- 最热优先
- 最新优先
- 来自专栏运维之路
风险感知（二）场景设计5要素
本篇接《风险感知（一）》，将采用数字化运维场景设计方法梳理风险感知场景的一些思路。 分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 2.事 运行风险感知分析建立在一个集合，并不断递归分解的分析主题而成，可以将每一个主题的实施内容理解为具体的事。 隐性环境重点指风险感知评估配套的工作流程机制，流程机制是为了场景设计能够有效落地提供的约束与保障，是为了明确场景协同人员的责权利。
1.4K20编辑于 2022-11-16 - 来自专栏AI风云之路
机器学习(2)--感知机
对应于输出空间（特征空间）的点；输出y∈Y表示实例类别，由输入空间到输出空间的如下函数： ，称为感知机。 其中w和b是感知机的参数模型，w叫做权值(weight)，b叫做偏置(bias)。 sign是符号函数： 感知机是一种线性分类模型，属于判别模型。感知机有如下几何解释：线性方程 。对应于特征空间Rn中的一个超平面S，其中w是超平面的法向量，b是超平面的截距。 2.感知机的学习策略 假设训练数据集是线性可分的，感知机的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面。 损失函数推导过程： ①任一点到超平面S的距离： 分母 是w的L2范数，指的是向量各元素的平方和然后求平方根（长度）。 ②对于误分类点 来说，有 。 因为 时， 。 3.感知机的学习算法 感知机学习问题转化为求解损失函数式的最优化问题，求参数w,b，使损失函数最小。 ,M为误分类点集合。
59800发布于 2021-02-22 Rokid 的AI场景操作解析：从感知到场景落地技术实现
Rokid作为AR领域的先行者，构建了一套覆盖“感知-决策-执行-优化”的全栈AI技术体系，可高效支撑多场景下的智能交互需求。 一、全链路技术架构概览Rokid AI的核心价值，在于打破单一模态的局限，实现“感知-理解-决策-反馈”的闭环。 其技术架构涵盖多模态感知、AI决策引擎、场景化执行、用户体验优化四大核心环节，各模块协同支撑从交互触发到服务落地的全流程。 接下来让我们逐帧分析，在真实硬件里这段语音是怎么出声、怎么算功耗、怎么被用户感知为“反应快”。代码拆析：/** * 1. 有能力为用户打造出更自然、更智能、更贯通的全场景交互体验。
64410编辑于 2025-10-14- 来自专栏好用神器发现
hiflow场景链接器-实时疫情动态感知
现在腾讯云推出了一款神器-hiflow场景连接器，可以轻松的解决上述我们每天需要的问题，接下来我们一起来看看如何使用hiflow来解决我们的问题吧 我们来到hiflow场景连接器的官网，在模板中心找到
1K20编辑于 2022-09-11 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机 要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。 感知机是接受多个输入后将每个值与各自的权重相乘，最后输出总和的模型。 数据包含三个特征的感知机模型如下所示。 感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。
63610编辑于 2022-11-08 - 来自专栏AI科技评论
今日 Paper | 动态图像检索；实时场景文本定位；感知场景表示；双重网络等
：从未标记的图像中学习3D对象感知场景表示 用于行人重识别的交叉分辨对抗性双重网络 Sketch Less for More：基于细粒度草图的动态图像检索 论文名称：Sketch Less for BlockGAN：从未标记的图像中学习3D对象感知场景表示 论文名称：BlockGAN: Learning 3D Object-aware Scene Representations from Unlabelled 论文链接：https://arxiv.org/abs/2002.08988 推荐原因 这篇论文提出了一个名为BlockGAN的图像生成模型，可以直接从未标注的2D图像中学习对象感知的3D场景表示。 BlockGAN首先生成背景和前景对象的3D特征，然后将它们组合为整个场景的3D特征，最后将它们渲染为逼真的图像。 考虑到真实场景中摄像机和目标人之间距离不同可能会带来分辨率不匹配的情况，会降低行人重识别算法的表现。
1.1K40发布于 2020-03-05 - 来自专栏媒矿工厂
CVPR 2023 | MIME: 人物感知的 3D 场景生成
一个包含交互人物和自由空间人物的 3D 场景数据集，该数据集通过将 RenderPeople 的静态姿势和 AMASS 的运动数据填充至 3D FRONT 来构建。 方法 图 2：方法总览。 生成式人物感知场景合成 我们将 3D 场景 \mathcal{S} 表示为物体的无序集合，包含与人物接触的物体 \mathcal{O}=\{o\}_{i=1}^N 和无接触的物体 \mathcal 穿模损失、2D IoU 和 3D IoU 用于评估生成场景中人物与场景的交互。FID 分数和类别 KL 散度用于评估生成场景相较真实场景的真实性与多样性。 表 2：PROXD 数据集上的 3D 物体准确性比较。 定性结果 图 5：3D FRONT HUMAN 测试集上的定性比较。 与 Pose2Room 相比，MIME 不仅能生成更准确的接触物体，还能在自由空间中生成合适的物体。 消融实验 图 7：关于不同数量接触人物和不同密度自由空间人物的消融实验。
62110编辑于 2024-01-23 - 来自专栏机器人课程与技术
ROS 2 感知节点的硬件加速
传统上，感知管道从图像预处理开始，然后是感兴趣区域检测器，然后是输出检测到的对象的分类器。ROS 2 提供了各种预构建的节点（Components更具体地说），可用于轻松构建感知管道。 之前的一篇文章介绍了硬件加速如何帮助加速 ROS 2 计算图（包括感知图）。 关于感知模块在 ROS 2 节点中对硬件加速进行基准测试 为了比较 ROS 2Nodes在 FPGA 和 GPU 加速器上的感知任务，我们选择 AMD 的 Kria KV260 FPGA 板和 NVIDIA 例如，为了Node使用Harris Corner Detector算法比较 ROS 2 感知，我们利用[2]和[3]分别用于FPGA和GPU比较。 跨感知 ROS 2 节点获得的结果表明FPGA 在机器人感知方面的性能优于 GPU，速度差异达 500 倍在流行的算法中，例如定向梯度直方图 (HOG)： 在测量功耗的同时，我们还观察到FPGA
1.1K40编辑于 2022-05-01 - 来自专栏人人都是极客
无人驾驶技术课——感知（2）
在感知部分的课程中，我们将首先介绍计算机视觉的基本应用领域；再进一步了解机器学习、神经网络和卷积神经网络的基础知识；随后我们将讨论感知模块在无人车中的具体任务；最后了解 Apollo 感知模块的体系结构和传感器融合的相关内容 卷积神经网络 卷积神经网络（CNN）是一种人工神经网络，它对感知问题特别有效。CNN 接受多维输入，包括定义大多数传感器数据的二维和三维形状。 欢迎在下方留言区热烈讨论~ 下节课我们将深入了解感知模块在无人车中的具体任务。 【转自Apollo阿波罗智能驾驶】
67720发布于 2018-12-25 - 来自专栏运维之路
风险感知场景（一）之“监控、拨测、巡检、可观测性”
2.拨测 拨测是一种主动性的监控测试方式，主要利用跨区域的监控网络，以真实终端用户使用场景为视角，对目标应用进行功能可用性、性能管理、网络性能角度的监控，先于最终用户挖掘故障隐患。 “感知”与“决策、执行”共同组成了我对数据智能思维框架的三要素，打造数字化IT风险管理的风险感知场景将是数字化运维体系的重要方向。 风险感知是场景，将整合上述监控、拨测、可观测、巡检的一些基本能力，并基于场景需要构建工具需要具备的功能、流程机制，配套组织角色。 风险感知之所以能成为场景，在于风险感知在运维体系中是一个既能独立运作，又能与其他场景相结合产生更全面与深度的效能。 今天先把场景可能会使用到的平台能力做个介绍，通过吸收成熟的工具解决方案，为风险感知场景的构建提供帮助。
4.7K10编辑于 2022-11-16 - 来自专栏京东技术
技术解析 | 线下门店消费场景中的感知和互动
整体互动营销体验架构如图2所示。 ? 图2 在将顾客吸引入店后，会通过一些互动导购技术来提升购物体验。在顾客进店后，很多导购员的一些做法会顾客很反感，如重复问候、喜欢就试试、想买点什么呢？ 当顾客拿起衣服时增强终端会通过拿起感知技术来增强该商品的信息（比如播放该商品的音视频介绍、显示好评度和促销信息等），因为线下服装吊牌上信息太少，像服装风格、适用场景、用户评价等这些数据线下是缺失的，我们需要增强商品信息 用户选了自己喜欢的衣服后会拿到试衣间试衣，衣服上身后，希望能场景化和360度试衣，而让产品身临其镜就是提供沉浸式试衣，根据服装风格切换场景（背景/前景），解决试衣痛点，实现风格场景化试衣；了解自己穿的这套衣服是否适合某个场合 ，但这种方式的客流准确度会差一些； 2、通过在服装上安装拿起传感器，拿起传感器是指当用户拿起服装时会通过加速度传感器计算出服装被拿起了，这样就知道该服装被拿起了（即线上运营中的点击量），线下门店的服装点击量即服装拿起量 ：产品场景化、场景数字化、运营自动化 智能化：场景化迎宾&导购、基于人脸属性或风格的“千人千面”互动 体验“所见即所得”：装修、布局、屏与商品一体化、试衣镜/间、体验实时反馈 体验连贯性：从用户经过、靠近
1.5K30发布于 2019-05-05 - 来自专栏人工智能前沿讲习
【他山之石】CVPR 2024 | 3D开放世界场景感知理解新SOTA！
摘要 · 看点 场景级别的 3D 开放世界感知一直是一个饱受关注的问题，是具身智能和机器人领域非常重要的一个能力。 如下图，RegionPLC 会利用不同的 2D VLM 生成对于图片的区域级别描述，包括 2D 开放语言目标检测器、滑动窗口 +2D captioning 模型，以及 2D dense captioning 结论 我们提出了 RegionPLC，一个综合的区域点云-语言对比学习框架，用于识别和定位开放世界 3D 场景理解中的未知类别。 此外，我们的区域感知点云-语言对比损失有助于从区域性描述中学习出具有独特性和鲁棒性的特征。 大量实验证明，RegionPLC 在室内和室外场景中明显优于先前的开放世界方法，并在具有挑战性的长尾或无注释场景中表现出色。
92710编辑于 2024-05-22 - 来自专栏iOSDevLog
《统计学习方法》第 2 章 感知机
sklearn.datasets import make_classification %matplotlib inline 生成数据 # X 为样本特征，y 为样本类别输出，共 30 个样本，每个样本 2 n_features=2, n_informative=2, n_redundant=0, n_classes=2, n_clusters_per_class=1, random_state ', label='sklearn', linewidth=0.3) [<matplotlib.lines.Line2D at 0x12bdbe320>] ? sklearn 原始感知机 from slmethod.perceptron import Perceptron origin_clf = Perceptron(dual=False) origin_clf.fit
48160发布于 2019-06-11 - 来自专栏新智元
DeepMind发布SIMA 2！打通「感知-推理-行动-反思」闭环
这使得SIMA 2可以在它从未见过的游戏中完成任务，具体见下面视频对SIMA 1和SIMA 2的对比。 图2：SIMA 2 可以处理各种新颖且复杂的指令，包括分解指令以成功导航至特定房间。SIMA 2 还可以接受用户手绘的草图，以指定位置、路径或物体。 图4：在所有训练游戏环境中中，SIMA 1、SIMA 2 和人类的任务完成成功率对比，SIMA 2相比SIMA 1平均成功率翻倍，在人类和自动评估时下均接近人类水平。 图5：SIMA 2在多个技能类别中显著优于 SIMA 1。在交互和物体管理等类别中，SIMA 2的表现几乎接近人类水平。然而，在资源收集和战斗等其他类别中，SIMA 2 仍有提升空间。 而且通过键盘和鼠标界面执行精确的低级操作，以及在复杂的3D场景中实现稳健的视觉理解，仍然是整个领域持续探索的开放性挑战。
21710编辑于 2026-01-13 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知 可行驶区域的检测目前的一种做法是采用深度神经网络直接对场景进行分割，即通过训练一个逐像素分类的深度神经网络，完成对图像中可行驶区域的切割。
65020发布于 2020-07-28 - 来自专栏Chasays
学习 Redis - 2. 场景操作
integer) 3 4) 1) "tag1" 2) "tag3" 3) "tag2" 127.0.0.1:6379> 单个 Redis 命令的执行是原子性的，但 Redis 没有在事务上增加任何维持原子性的机制 语法 GEODIST key member1 member2 [m|km|ft|mi] georadius：根据用户给定的经纬度坐标来获取指定范围内的地理位置集合。 127.0.0.1:6379> XADD stream1 * key1 value1 key2 value2 1605966769163-0 127.0.0.1:6379> XLEN stream1 2 127.0.0.1:6379> XRANGE stream1 - + 1605966736739-0 name 1 2 3 1605966769163-0 key1 value1 key2 value2 这次命令有点多， 主要是特殊的场景用什么样的redis功能，比如publish和stream，以及事务。
58220编辑于 2021-12-06 场景感知驱动的下一代黑盒渗透Agent实战解析
构建基于业务逻辑链路的渗透智能体架构 针对传统黑盒渗透的痛点，通过“像攻击者一样思考”的逻辑，设计了基于场景感知的黑盒漏洞挖掘整体架构。 场景塑造（从页面理解业务逻辑）：将漏洞与业务强关联，提供上下文指引。 Agent根据历史请求推导功能点，构建API间依赖图（包括控制流如“登录->后台操作”，以及数据流如“下订单->修改订单”），生成具有特定业务场景属性的检测思路池。 落地复杂漏洞场景的POC自动化迁移验证 在实际的CTF靶场与复杂漏洞环境验证中，该方案展示了处理多步依赖与复杂载荷逃逸的实际业务价值： 多步逻辑漏洞利用（XBEN-022/025）：在面对“文件上传-> 在注册场景（XBEN-025），成功识别并利用了处于注册控制流最后一步的SSTI渲染漏洞。
35110编辑于 2026-04-04- 来自专栏AI机器学习与深度学习算法
学习分类 2-4 感知机权重向量的更新
感知机权重向量的更新 下面直接给出权重向量的更新表达式，然后通过可视化的方式来直观的展示权重向量的更新。
1.3K40编辑于 2022-11-08 - 来自专栏技术汇总专栏
面向多房间场景的分布式智能家居感知型 Agent 设计
面向多房间场景的分布式智能家居感知型Agent设计引言随着物联网(IoT)与人工智能技术的发展，智能家居已经从单一的语音控制或定时器自动化，逐渐演变为能够自主感知、智能决策并执行操作的系统。 Falsedefread_sensors(self):#模拟环境变化self.temperature+=random.uniform(-0.5,0.5)self.humidity+=random.uniform(-2,2 ':49,'light_level':310,'user_in_room':False}2.决策模块设计决策模块根据感知数据，结合用户偏好或规则生成行动计划。 分布式执行在大户型或多房间场景中，Agent可部署分布式执行模块，实现多设备协同控制。用户反馈循环通过记录用户手动操作反馈，优化决策模块的偏好参数，实现自适应系统。 总结本文展示了一个面向智能家居场景的感知型Agent的设计与实现。
21210编辑于 2026-01-10 - 来自专栏大数据-BigData
直播、游戏等全场景联防联控，B站精准流量感知风控实践
今天的介绍会围绕下面四点展开： 互联网风控概述 精准感知流量 全场景联防联控 总结 01 互联网风控的概述 首先从宏观上介绍风控。 1. 2. 互联网风控的全场景作弊类型 图片 具体到互联网风控，存在着上图中的一些风险场景。 2. 数据化感知黑产 图片 上图是一个如何感知黑产的示例。如左图所示，每日人数在2000左右，但在第五天，人数突破5000，如果没有做特别的宣推，那么就存在被攻击的可能。 2. 单场景和跨场景识别 图片 单场景指的是在单一活动中形成一套策略体系，识别风险。 图片 B站的场景非常多，有一些场景很相似，有些则互相影响，需要进行联防联控。 然后讲到了在真实的业务场景当中怎么根据一些指标和统计趋势来感知风险，监测流量的异常情况，当然还有一些第三方的情报也是很重要的。
2K10编辑于 2022-08-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号