- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDN社区搬运
自监督行为识别-时空线索解耦
Spatiotemporal Clues Disentanglement Network for Self-Supervised Skeleton-Based Action Recognition 引言 自监督骨架行为识别是一种利用未标记的骨架数据进行行为识别的方法 然后，将生成的伪标签用于监督骨架行为识别模型的训练。通过这种方式，自监督学习可以在缺乏标记数据的情况下，提供一种有效的方法进行骨架行为识别。 那么目前自监督骨架行为还面临哪些挑战呢？ 挑战1. 时空信息的混淆 编码器负责将输入映射到可以进行对比的潜在空间。而之前的大多数方法专注于通过常用的时空建模网络获得统一的信息。他们的设计导致了时间、空间信息的纠缠，无法为随后的对比措施提供明确的指示。 首先在时空信息混淆的问题上，作者提出双向接口编码器；数据增强方面，分别在时间、空间上分设置不同的数据增强策略；方法的可迁移性方面设置了跨越对比损失，详细架构可见下文。 pretraining文件，会出现如下错误： 错误如下： TypeError: init() got an unexpected keyword argument ‘batch_first’ 原因分析
60210编辑于 2024-12-08 - 来自专栏一个会写诗的程序员的博客
ClickHouse 引擎在行为分析场景下的 JOIN 优化
火山引擎增长分析 DataFinder 基于 ClickHouse 来进行行为日志的分析，ClickHouse 的主要版本是基于社区版改进开发的字节内部版本。 1. 背景 火山引擎增长分析 DataFinder 基于 ClickHouse 来进行行为日志的分析，ClickHouse 的主要版本是基于社区版改进开发的字节内部版本。 主要的表结构： 图片 事件表：存储用户行为数据，以用户 ID 分 shard 存储。 1000001 `last_active_date` Date ) 1.1 业务挑战 图片 随着接入应用以及应用的 DAU 日益增加，ClickHouse 表的事件量增长迅速；并且基于行为数据需要分析的业务指标越来越复杂 作为业内领先的用户分析与运营平台，火山引擎增长分析 DataFinder 基于海量数据做到了复杂指标能够秒级查询。本文介绍了我们是如何优化 Clickhouse JOIN 查询的。
3.5K60编辑于 2023-01-08 - 来自专栏登神长阶
【论文复现】自监督行为识别-时空线索解耦
引言 自监督骨架行为识别是一种利用未标记的骨架数据进行行为识别的方法。传统的行为识别方法通常需要大量标记好的数据进行训练，但标记数据的获取成本高昂。 然后，将生成的伪标签用于监督骨架行为识别模型的训练。通过这种方式，自监督学习可以在缺乏标记数据的情况下，提供一种有效的方法进行骨架行为识别。 那么目前自监督骨架行为还面临哪些挑战呢？ 挑战1. 时空信息的混淆 编码器负责将输入映射到可以进行对比的潜在空间。而之前的大多数方法专注于通过常用的时空建模网络获得统一的信息。他们的设计导致了时间、空间信息的纠缠，无法为随后的对比措施提供明确的指示。 首先在时空信息混淆的问题上，作者提出双向接口编码器；数据增强方面，分别在时间、空间上分设置不同的数据增强策略；方法的可迁移性方面设置了跨越对比损失，详细架构可见下文。 pretraining文件，会出现如下错误： 错误如下： TypeError: init() got an unexpected keyword argument ‘batch_first’ 原因分析
58610编辑于 2024-12-02 - 来自专栏开源
用户行为分析入门：行为事件分析指标解读
我们需要借助更具洞察力的行为事件分析指标来追踪用户在产品内的关键行为，进而分析业务效果、用户转化等情况。什么是行为事件分析指标？ 定义：围绕用户的实际操作行为（点击、提交、跳出、转化等）进行分析特点：颗粒度细、紧贴业务流程、支持分层与转化分析行为事件分析是用户行为数据“从表象到动因”的跃迁。 基础指标 VS 行为事件指标，有什么区别？常见通用的行为事件分析指标进一步利用好分析指标当我们获得了行为分析的结果就可以：理解用户行为 → 优化产品和运营决策 → 提升业务指标。1. 追踪关键用户行为了解用户是否完成了关键操作，例如下单、注册、分享、提交表单等。精准定义「转化」行为，识别转化路径中的关键节点。2. 分析行为路径与流程瓶颈还原用户操作路径，识别在哪一步骤用户流失最多。 推荐工具ClkLog是一款开源的轻量级用户行为分析系统，内置标准化指标体系与多种常见分析模型，无需复杂配置，运营可以轻松上手；系统部署灵活、代码开放，对技术极为友好。
56410编辑于 2025-08-06 - 来自专栏燧机科技-视频AI智能分析
监控行为分析系统
监控行为分析系统在现场监控范围之内，能够识别分析监控区人员行为违规情况，监控行为分析系统可以识别如睡岗离岗识别、安全带穿戴识别、安全帽反光衣穿戴识别、明火烟雾检测、抽烟行为识别、玩手机检测、区域入侵识别 、打电话识别等危险行为，监控行为分析系统依据计算机深度学习+边缘视觉分析技术对把控监控区域的安全，发现违规行为及时预警，降低事件的发生。 监控行为分析系统充分运用和拓展监控摄像头的监控效率与能力，使视频监控系统具备更高智能，对众多视频监控画面同时进行行为识别分析 ，及时预警违规行为信息及现场声光报警，减轻监控人员压力，提升监控效率。 监控行为分析系统对监控地区人员的“不安全行为”和物的“不安全状态”进行全天候24小时不间断识别监测，监控行为分析系统依据机器视觉，对监控区域内人员的的异常徘徊、烟雾、攀高识别、火焰、人数超员、滞留、工装检测
1.1K40编辑于 2022-10-20 - 来自专栏Python数据分析实例
用户行为分析（Python）
本次就通过电商角度，选取阿里天池项目中的淘宝App用户行为数据利用Python进行数据分析。 一、理解需求 1. 明确分析目标及其方向 通过对用户关键行为的埋点获取的日志数据，包含用户、商品、行为、时间等信息，而看似简单的几个维度，通过数据分析手段，便能从不同角度挖掘蕴含的价值。 本次主要通过以下四个方向探索淘宝用户行为： 1.1 用户行为时间模型 PV、UV随时间变化。 留存率模型。 1.2 用户消费行为分析 各周期内消费次数统计。 各行为转化模型。 复购率模型。 1.3 用户价值分析 RFM模型。 各价值类别用户分布、购买力等。 1.4 商品分析 商品和行为关系。 TOP商品分析。 用户消费行为分析 2.1 转化率计算（漏斗分析） 通过漏斗分析，我们可以发现在一个多步骤过程中每一步的转化和流失情况。
7.1K40编辑于 2022-04-08 - 来自专栏数据社
浅谈用户行为分析
关于用户行为分析，很多互联网公司都有相关的需求，虽然业务不同，但是关于用户行为分析的方法和技术实现都是基本相同的。在此分享一下自己的一些心得。 一. 用户通过什么方式访问的系统，web,APP,小程序等 HOW TIME，用户访问每个模块，浏览某个页面多长时间等 以上都是我们要获取的数据，获取到相关数据我们才能接着分析用户的行为。 有了上面的思路，下面我们来说下实现的相关技术问题，如何落地用户行为分析。 a).首先是获取用户行为数据，目前比较多的方法有两种，一种是埋点，一种是无埋点（即全埋点）。 对于离线分析，上述步骤，可以获取数据分析，对于个别实时需求，计算时则不需要进行落地HDFS，直接利用Storm，Spark Streaming，Flink等计算引擎消费Flume中转的kafka数据即可 四.总结 本小节知识简单介绍了用户行为分析的大概流程，具体到分析方法还有很多，之后会说下埋点数据的设计和处理过程。
5K30发布于 2020-05-25 - 来自专栏帮你学MatLab
MATLAB智能算法30个案例分析(3-2)
神经网路部分 function err=Bpfun(x,P,T,hiddennum,P_test,T_test) %% 训练&测试BP网络 %% 输入 % x：一个个体的初始权值和阈值 % P：训练样
1.1K50发布于 2018-04-18 - 来自专栏烹饪一朵云
跨越时空的对白——async&await分析
这个时候就去翻一下阮一峰老师的ES6教程，还以为是我当年看书走眼了，忘了啥，查漏补缺，结果阮老师就这么轻飘飘一句话 [es6教程片段.png] ┑(￣Д ￣)┍ 时间和空间上的分离 阮老师，您说的是平行时空么 异步回调被触发执行时，调用函数早已执行结束，因而，回调函数和调用函数的执行在时间上也是隔离的 好了，时空隔离的问题，勉强解释通了，但是async...await...又是怎么打破这种隔离，让其中的try 其可以在主函数和异步函数这两个不同时空互相隔离的生物进行消息传递，比如说在时空A中捕获了时空B里面的异常消息，这样它们就可以相拥❤ 怎么想都觉得这个过程离大谱！ 不过在Promise规范中有一套自己的异常处理逻辑，尽管这并不能打破时空上的隔离，但由于其将异步的异常逻辑封装在回调逻辑中，当Promise的状态发生改变时，将错误或异常以回调的形式呈现出来 虽然Promise gen.throw(e); }); }); } step(function() { return gen.next(undefined); }); }); } await分析
1.7K21编辑于 2022-05-08 - 来自专栏燧机科技-视频AI智能分析
人员行为智能分析系统
人员行为智能分析系统主要包含行为分析和特征识别。 人员行为智能分析系统以机器学习+边缘计算视觉分析为依托，对人员徘徊、人员集聚、物件遗留、打架斗殴、跌倒检测、安全帽佩戴识别、反光衣识别、区域人数统计、火焰检测等多个方面。 人员行为智能分析系统根据AI神经元网络视觉分析优化算法，借助现场已有的监控摄像头对现场监控画面人员行为进行实时分析预警，发现违规行为立即抓拍上报。 人员行为智能分析系统借助智能视频监控系统，能够全天候24小时不间断监控，彻底改变以往完全由后台人员对监控画面进行监视和分析的模式，通过人员行为智能分析系统赋能前端监控摄像头，对所监控的画面进行不间断分析识别 人员行为智能分析系统以监控画面视频中人体架构的形态为依托，并多次借助肢体动作、区域人数、具体时间、方向四个维度，扩展更多检测事件。
1.5K30编辑于 2022-10-13 - 来自专栏API安全
API用户行为分析监测
识别效果通过对多种身份认证机制和多个账号登陆场景的覆盖，实现对账号的精准识别，以账号维度实时监测API安全风险、数据风险和用户行为风险。 三、API用户行为监测下面将介绍部分常见的API用户风险行为场景和行为监测方案。 基于账号识别技术和统计算法，计算内部账号在规定的时间范围对各类数据交互API接口成功请求敏感数据的次数，当超过设定访问阈值，可能存在内部账号大量获取敏感信息风险，结合API敏感数据流向监控，判断该账号是否存在敏感数据外泄行为风险 用户异常行为告警按照预定义的时间窗口，以账号维度实时监控API相关行为风险，若满足相关可配置预设条件，对数据进行实时聚合，发出相关风险告警。 告警示例：在过去的xxx时间范围内，账号 Y 的敏感操作行为为Z次，超过预设阈值，可能存在xxx相关行为风险。
2.4K20编辑于 2023-10-24 - 来自专栏猴子聊数据分析
淘宝APP用户行为分析
淘宝APP的功能日益复杂，但都离不开最基本的收藏、购物车和购买功能，本文利用sql对淘宝用户行为数据进行分析，通过用户行为分析业务问题。 一. 提出问题 本次分析的目的是想通过对淘宝用户行为数据分析，为以下问题提供解释和改进建议： 1.分析用户使用APP过程中的常见电商分析指标，确定各个环节的流失率，找到需要改进的环节 2.研究用户在不同时间尺度下的行为规律 ，找到用户在不同时间周期下的活跃规律 3.找到用户对不同种类商品的偏好，找到针对不同商品的营销策略 4.找出最具价值的核心付费用户群，对这部分用户的行为进行分析 为了分析这些问题，我们使用以下两种模型进行分析 1.基于AARRR漏斗模型分析用户行为 本文通过常用的电商数据分析指标，采用AARRR漏斗模型拆解用户进入APP后的每一步行为。 2.不同时间尺度下用户行为模式分析 分别以月、周和日为单位分析用户购买行为，找出用户活跃规律。
13.2K20发布于 2019-12-11 - 来自专栏Technology Share
JavaScript引擎分析
JavaScript引擎分析 一． 当JavaScript引擎分析到该段代码的时候，根本不知道a和b是什么类型，唯一的办法就是运行的时候根据实际传过来的对象再来计算，这显然会导致严重的性能问题； ? （Profiler）：负责垃圾回收和收集引擎中的信息，帮助改善引擎的性能； 三． V8引擎介绍 V8是一个JavaScript引擎实现的开源项目，最开始由一些语言学家设计出来，后被Google收购，成为了JavaScript引擎和众多相关技术的引领者。 V8引擎所做优化 1. 优化回滚：Crankshaft编译器主要针对热点函数进行优化，它是基于JS源码分析的，而不是本地代码。
1.2K50发布于 2018-01-29 - 来自专栏Ken的杂谈
Spring Boot入门教程3-2、使用Spring Boot+Thymeleaf模板引擎开发Web应用
一、前言 为什么要使用模板引擎？ return modelAndView; } 对比index函数，主要发生了以下几个变化： 1、去掉@ResponseBody注解，如果使用该注解，返回结果会直接输出，而不是使用模板引擎渲染
1.4K30发布于 2018-09-11 - 来自专栏猴子聊数据分析
淘宝APP用户行为分析
淘宝APP的功能日益复杂，但都离不开最基本的收藏、购物车和购买功能，本文利用sql对淘宝用户行为数据进行分析，通过用户行为分析业务问题。 一. 提出问题 本次分析的目的是想通过对淘宝用户行为数据分析，为以下问题提供解释和改进建议： 1.分析用户使用APP过程中的常见电商分析指标，确定各个环节的流失率，找到需要改进的环节 2.研究用户在不同时间尺度下的行为规律 ，找到用户在不同时间周期下的活跃规律 3.找到用户对不同种类商品的偏好，找到针对不同商品的营销策略 4.找出最具价值的核心付费用户群，对这部分用户的行为进行分析 为了分析这些问题，我们使用以下两种模型进行分析 1.基于AARRR漏斗模型分析用户行为 本文通过常用的电商数据分析指标，采用AARRR漏斗模型拆解用户进入APP后的每一步行为。 2.不同时间尺度下用户行为模式分析 分别以月、周和日为单位分析用户购买行为，找出用户活跃规律。
12.4K20发布于 2019-09-09 - 来自专栏labuladong的算法专栏
算法时空复杂度分析实用指南
2、正确理解常用算法底层原理，是进行复杂度的分析的前提。尤其是递归相关的算法，只有你从树的角度进行思考和分析，才能正确分析其复杂度。 鉴于现在历史文章已经涵盖了所有常见算法的核心原理，所以我专门写一篇时空复杂度的分析指南，授人以鱼不如授人以渔，教给你一套通用的方法分析任何算法的时空复杂度。 2、非递归算法中的时间复杂度分析。 3、数据结构 API 的效率衡量方法（摊还分析）。 4、递归算法的时间/空间复杂度的分析方法，这部分是重点，我会用动态规划和回溯算法举例。 递归算法分析 对很多人来说，递归算法的时间复杂度是比较难分析的。但如果你有 框架思维，明白所有递归算法的本质是树的遍历，那么分析起来应该没什么难度。 最后总结 本文篇幅较大，我简单总结下重点： 1、Big O 标记代表一个函数的集合，用它表示时空复杂度时代表一个上界，所以如果你和别人算的复杂度不一样，可能你们都是对的，只是精确度不同罢了。
2K40编辑于 2022-05-17 - 来自专栏深度学习之tensorflow实战篇
用户画像行为分析流程
简而言之，用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。 业务经营分析以及竞争分析，影响企业发展战略 构建流程 数据收集 数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。 还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。 行为建模 该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。 数据可视化分析 这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营。
4.6K90发布于 2018-03-16 - 来自专栏深度学习之tensorflow实战篇
用户画像行为分析流程
简而言之，用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。 业务经营分析以及竞争分析，影响企业发展战略 构建流程 数据收集 数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。 还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。 行为建模 该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。 数据可视化分析 这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营。 如图：
5.6K6855发布于 2019-02-13 - 来自专栏嵌入式项目开发
深度学习：驾驶行为分析
String weights; #endif // SDK_THREAD_H 2.2 .cpp文件代码 #include "sdk_thread.h" QImage save_image; //用于行为分析的图片 DNN_BACKEND_OPENCV); net.setPreferableTarget(DNN_TARGET_CPU); QImage use_image; LogSend("开始进行行为分析
1.1K10编辑于 2022-01-17 - 来自专栏腾讯NEXT学位
JavaScript引擎分析
JavaScript与Java语言区别 从上面介绍的JavaScript语言特点会发现JavaScript的效率会比Java、C++低很多；看以下这个实例： 当JavaScript引擎分析到该段代码的时候 JavaScript引起主要包含以下几个部分： 编译器：主要工作是将源代码编译成抽象语法树； 解释器：主要是接受字节码，解释执行这个字节码； JIT工具：将字节码或抽象语法树转换成本地代码； 垃圾回收期和分析工具 （Profiler）：负责垃圾回收和收集引擎中的信息，帮助改善引擎的性能； 三． V8引擎介绍 V8是一个JavaScript引擎实现的开源项目，最开始由一些语言学家设计出来，后被Google收购，成为了JavaScript引擎和众多相关技术的引领者。 优化回滚：Crankshaft编译器主要针对热点函数进行优化，它是基于JS源码分析的，而不是本地代码。
1.4K20发布于 2018-10-19
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