- 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。 --finetune-dataset ntu60 --protocol cross_subject --finetune-skeleton-representation joint 4. 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。 --finetune-dataset ntu60 --protocol cross_subject --finetune-skeleton-representation joint 4. 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。 4. 衡量活动与运营效果分析活动页面的点击率、参与率、分享率等。判断活动是否吸引了目标用户并达成预期目标。5. 做用户分群与标签体系根据用户行为频次、功能使用、活跃度等划分用户（如高活跃、沉默用户）。
56310编辑于 2025-08-06 - 来自专栏全栈程序员必看
流程引擎概念_虚幻引擎4
目录 一、流程定义 二、查询流程定义 三、ID与版本 四、挂起流程定义 五、流程实例 六、执行 七、活动实例 八、任务与任务定义 ---- 本部分说明了流程引擎的概念 一、流程定义 流程定义定义了流程的结构 Camunda BPM使用BPMN2.0作为主要的建模语言，可以将BPMN 2.0XML格式部署到流程引擎中。 流程引擎负责创建流程实例并管理状态。 六、执行 流程引擎在流程实例内部创建两个并发执行。 部署流程后，流程引擎会为流程中的每个活动创建任务定义，这将在运行时创建任务。
1.2K10编辑于 2022-11-01 - 来自专栏EpiHub
贝叶斯时空模型-INLA-4
贝叶斯地理统计模型R-INLA-4 贝叶斯时空模型 在前述的内容中，我们介绍了，如何处理空间的数据，利用海拔高度预测降雨量的例子。但是该例子仅仅涉及到的是涉及到回归方程中，考虑影响因素及空间效应。 那么如果我们的数据有时间信息，如何加入到贝叶斯时空分析呢。譬如每年对某一个地区进行疾病的发病率调查，10年数据整合在一起，就可以从时间上或空间上看疾病的变化规律，也就会用到贝叶斯时空模型。 下面我们将介绍贝叶斯时空模型。该文章中，会简化数学计算的过程，主要是针对，在有数据的基础上，如何应用贝叶斯时空模型，找出影响因素，绘制时间变化的空间分布预测图。 *3+rnorm(nrow(coords),16,5), year=2012) %>% as.tbl() df=as.data.frame(coords) df4= 2.1 Mesh 下面我们利用时空模型来分析，看看房屋价格随时间变化，在空间的分布规律。
1.6K20编辑于 2022-10-25 腾讯混元视频生成引擎：攻克时空建模瓶颈，实现4K多模态视频量产
当前行业在使用开源模型进行视频生成时，面临三大核心技术与业务痛点： 动作建模失真（时空计算瓶颈）： 行业开源视频文本数据量级极小（仅约 ~10M量级 ），且视频动作分布差异极大。 “4+X”能力覆盖引擎： 四大核心能力： 文本生视频、图片生视频、图文生视频、视频生视频。 沉淀本土化语义理解与时空算力的核心壁垒 选择腾讯混元视频生成引擎，其底层逻辑在于其对生成式AI核心痛点的精准击破。 混元不仅规避了开源模型在中文语料缺失和亚洲元素认知空白上的短板，更通过自研的时空扩散模型与生成式超分技术，解决了高维度计算下的画面闪动与肢体畸形难题。 其从底层编码到上层“4+X”玩法的完整生态，为企业提供了具备极高确定性、可精确控制（如局部重绘、动作指定）的生产力工具。
44210编辑于 2026-05-31- 来自专栏Python数据分析实例
用户行为分析（Python）
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。 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。 [round(i,2) for i in sex_buy.price.tolist()])] pie.render_notebook() 四、结论和建议 本项目从4个方面分析了用户的行为 4、商品分析：对于高浏览量商品，可以将重心转移至定价上，实行差异化定价，以提高购买量。高购买率商品，建议提高曝光率，结合多平台宣传，提高浏览量。
7.1K40编辑于 2022-04-08 - 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 - 来自专栏烹饪一朵云
跨越时空的对白——async&await分析
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！ [code3.png] code4 至此我们已然通过try...catch...捕获异常的测试，那如果采用async...await...的方式呢？ 对于code3和code4来说，我们的差异在于采用了async...await...，而这，到底是什么原理来实现的呢？ gen.throw(e); }); }); } step(function() { return gen.next(undefined); }); }); } await分析 总结 至此，前面code4中的案例就解释通了，await的时候exec函数被挂起，等bar函数中的异步操作执行结束后，exec函数被恢复。此时恢复的还有try...catch...。
1.7K21编辑于 2022-05-08 - 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； ? 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。 4. 建议： 初始化使用数组常量小型固定大小的数组 不要储存在数字数组非数字值（对象） 不要删除数组中的元素，尤其是数字数组 不要装入未初始化或删除元素 4.
1.2K50发布于 2018-01-29 - 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。 O(N) O(2^(N+1)) = O(2 * 2^N) = O(2^N) O(M + 3N + 99) = O(M + N) 当然，不要见到常数就消，有的常数消不得： O(2^(2N)) = O(4^ 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。 如图：
5.6K6855发布于 2019-02-13 - 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 - 来自专栏嵌入式项目开发
深度学习：驾驶行为分析
运行测试过的硬件环境： 分别为 普通笔记本电脑(i3、i5、i7)、RK3399、树莓派4B yolo环境搭建方法：https://pjreddie.com/darknet/yolo/ darknet框架安装教程 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 case QImage::Format_ARGB32_Premultiplied: mat = Mat(image.height(), image.width(), CV_8UC4, mat.step, QImage::Format_RGB888); return image.rgbSwapped(); } else if(mat.type() == CV_8UC4) 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
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