- 综合排序
- 最热优先
- 最新优先
- 来自专栏IT技术精选文摘
大规模异构网络数据融合
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1.1K70发布于 2018-05-30 - 来自专栏SDNLAB
全融合网络虚拟化技术
网络的扁平化架构还可以减少网络管理设备数量，使数据中心网络布线更加方便，大二层网络也更加适合虚拟机的部署和迁移，同时数据转发平面的虚拟化，方便网络自动化编排。 ? 四、 网络计算融合虚拟化 通过Overlay技术实现网络虚拟化后，实现了应用与物理网络的解耦，但是网络与计算还是相互独立的，当前的网络架构还无法实现网络与虚拟机的联动，因此，必须要有一种新的IT架构来实现应用与网络的联动 VCF架构是通过集中控制的方式，实现网络与应用联动，同时可以兼容Overlay的自学习模式，从而实现网络与计算的融合虚拟化。 ? iMC云管理平台，融合了终端管理、网络管理以及云业务管理三大管理平台，实现了云业务端到端的管理。 五、 结束语 H3C VCF架构融合了网络计算存储，其最大的特征是增加了一个统一的控制器，把底层物理设备的控制权集中起来，从而能够实现所有资源的相互联动，同时对外提供了开发的接口供第三方进行定制化开发，
1.6K90发布于 2018-04-03 - 来自专栏最新医学影像技术
图像融合生成对抗网络案例
前几篇文章给大家分享了各种基于小波变换方法的图像融合例子，今天我将分享如何使用生成对抗网络来进行图像融合。 简单说明一下，FusionGAN是由生成网络和判别网络构成，生成网络采用的是VNet模型，判别网络采用的是常规分类网络，生成网络的输入是两幅多模态的原始图像，两幅原始图像经过VNet网络产生生成融合图像结果 ，然后将金标准融合图像和生成网络的融合图像一起输入到分类结构的判别网络中去进行真假判别。 首先是生成网络损失函数和判别网络损失函数曲线训练结果。 ? ? 然后是训练过程中生成的融合图像与金标准融合图像如下所示，可以看到随着不断训练生成的融合图像与金标准融合图像越来越相似。 ? 四、生成融合图像效果 最后用训练好的FusionGAN模型来对输入红外图像和自然图像进行融合，并与基于小波变换的脉冲耦合神经网络融合结果进行比对，结果还是比较接近的，如下图所示。 ?
1.6K30发布于 2020-06-29 - 来自专栏边缘计算
云网络：云网融合的新型网络发展趋势
关键词：云网络；云网融合；软件定义广域网 2021年10月18日，习近平总书记在主持中共中央政治局第三十四次集体学习时指出，要加快新型基础设施建设，加强战略布局，加快建设高速泛在、天地一体、云网融合、智能敏捷 该特征在反映到现实世界中时，将演变为“云网络”这一新型网络形态。这种网络形态将使得云和网的传统边界变得模糊，使云和网在连接层面率先实现融合。 1. （3）网络边界深入云内。网络连接的端点需要与云业务相关联，以实现信息传送的深度直达，即让信息的“包裹” 能够送到用户手中。 （4）网络服务与云融合。 网络导航层主要解决的是网络服务与云融合的问题，可形成多维全域资源视图，为不同的应用和业务设计相应的网络策略，并结合实际资源效能形成最优的调度和配置。 从云网络承载的角度看，只有让IP+光传输成为一个整体网络，才能发挥网络最大价值。因此，业界争论多年的“彩光”技术将为IP和光网络的融合带来新的机遇。
2.4K20编辑于 2022-04-01 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
作者 | kaiyuan 整理 | NewBeeNLP公众号 最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈（下次一定 ） ? Representations[1] 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 。 采用随机游走有两个好处： 「利于并行化」：随机游走可以同时从不同的顶点开始采样，加快整个大图的处理速度； 「较强适应性」：可以适应网络局部的变化； Skip Gram word2vec的skip-gram 一个小结 deepwalk可以说给网络学习方向打开了一个新思路，有很多优点： 支持数据稀疏场景 支持大规模场景（并行化） 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图
1.1K31发布于 2020-10-21 - 来自专栏SDNLAB
新三网融合——计算存储与网络
网络转发设备用于传输流量，不同类型的流量对网络的需求是不同的。 数据中心中有三大类资源，计算、存储和网络，之前讲过的数据网络都是用来传输用户到用户的应用流量的，这类流量对于网络的容忍度比较高，丢包多一点、时延高一点或者抖动大一点都没什么关系，以太网+TCP/IP的协议栈基本上统治了数通网络领域 对于HPC流量，通常使用IB网络（Infinite Band，无限带宽网络）进行高带宽、低时延的传输，对于存储流量，则通常使用FC网络（Fibre Channel，光纤通道网络）进行高带宽、无丢包的传输 下图给出了数据中心中业务网络组网的简化模型。 ? 三张独立的网络往往意味着远超3倍的CAPEX/OPEX，整合势在必行。而三种网络的协议栈不同，要实现整合必须使用一个通用的承载协议。 有一个问题就是，当服务器中部署虚拟机的时候，FCF不再是FCoE接入网络的第一跳，很多FIP的交互过程就实现不了，而FC网络也面临着这个问题。
2.3K60发布于 2018-04-02 - 来自专栏AI智韵
DyCAF-Net：动态类感知融合网络
为此，我们提出了动态类感知融合网络（DyCAF-Net），这是一种通过三个互补原则重新思考颈部设计的新颖检测框架： 输入条件动态融合：用基于隐式均衡的颈部替换静态多尺度融合规则，该颈部学习根据输入场景条件传播特征直至收敛 为了融合通道注意力和空间注意力，网络应用广播的逐元素乘法，其中在空间上复制以匹配的大小。最终输出计算为： 其中⊗表示广播的逐元素乘法。 残差连接确保保留原始特征图，这有助于稳定训练并促进网络中的梯度流。 B. 隐式多尺度均衡融合 传统多尺度融合技术，如PANet[4]中的技术，使用具有显式启发式的堆叠卷积层。 早期工作如特征金字塔网络(FPN)[3]引入了自上而下的路径，将语义丰富的深层特征与空间精确的浅层特征进行融合。 基于隐式建模的多尺度融合 像深度均衡网络(DEQ)[10]及其多尺度变体[11]这样的隐式模型，通过求解均衡状态而不是存储中间激活，为目标检测提供了内存高效的替代方案。
31710编辑于 2025-09-11 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈 [20200920100614548.png? x-oss-process=image,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0thaXl1YW5fc2p0dQ Social Representations 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 \mathbf{X}_{e} \in \mathbb{R}^{|V| \times d} 。 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图、带权图
91820发布于 2020-09-23 - 来自专栏我爱计算机视觉
DLA：一种深度网络特征融合方法
本文回顾一篇CVPR 2018 的论文 Deep Layer Aggregation，一种网络特征融合方法，谷歌学术显示目前该文已有398次引用，希望对研究网络基础结构设计的同学有启发。 2.HDA (Hierarchical Deep Aggregation) IDA能够有效融合多个stage的特征，但是没有对stage内部多个block的特征进行融合。 Node中的特征引回到Backbone中，使得当前block将前面聚合后的特征作为输入，如下图所示： 为提高计算效率，将上图中同一深度的Aggregation Node进行融合，融合后的结构如下图所示 5.使用DLA构造CNN DLA是一个通用的架构，可以很方便地融合到现有的CNN结构中来完成多种计算机视觉任务。 5.1 分类 使用类似ResNet的结构，以DLA为基础构造网络完成分类任务。 6.总结 提出了IDA和HDA，用来融合不同block和不同stage的特征，并将IDA和HDA融合为DLA模块，以DLA为基础构造CNN； 通过实验证明了在分类和语义分割任务中，相比于同等规模的网络，
2.3K30发布于 2021-04-20 - 来自专栏AI SPPECH
YOLO Neck网络设计与特征融合：从FPN到自适应融合的演进
背景动机与当前热点 1.1 Neck网络在YOLO中的核心地位 Neck网络是YOLO算法的重要组成部分，位于骨干网络和检测头之间，负责将骨干网络提取的多尺度特征进行融合和增强，为检测头提供更有效的特征表示 YOLOv10：采用轻量化特征融合架构，在保持精度的同时大幅提高了推理速度。 2. 提升4% YOLOv8 CSPNeXt Neck 改进的CSP结构，结合最新卷积技术 精度与速度双赢 YOLOv9 自适应特征融合 根据输入动态调整融合策略 鲁棒性提升10% YOLOv10 轻量化融合架构 轻量化融合模块：YOLOv10采用了轻量化特征融合架构，通过设计高效的融合模块，在保持特征融合效果的同时，大幅减少了计算复杂度和参数量，提高了推理速度。 的轻量化特征融合 YOLOv10采用了轻量化特征融合架构，通过设计高效的融合模块，在保持特征融合效果的同时，大幅减少了计算复杂度和参数量。
62310编辑于 2026-01-03 - 来自专栏张善友的专栏
.NET 10 网络堆栈深度架构解析：HTTP3、性能优化与后量子加密的融合演进
本文将对.NET 10 中的网络层更新进行详尽的技术剖析。 使用.NET 10 构建的 API 服务能够天然适应不稳定的移动网络环境，极大地提升了应用在弱网和网络切换场景下的鲁棒性。 5.2 网络层集成与混合模式 在.NET 10 中，PQC 并非仅仅是作为一个数学库存在，而是深度集成到了网络协议栈中。 结论：.NET 10 网络堆栈的战略意义 综上所述，.NET 10 的网络层更新远非简单的版本迭代，它是微软针对未来互联网基础设施的一次全方位布局。 对于正在规划技术路线图的企业和团队而言，.NET 10 提供了一个极其强劲的理由进行升级：它不仅能立即提升现有应用的性能，更为构建下一代高性能、高安全性的云边端融合应用提供了坚实的基础设施。
53410编辑于 2025-12-18 基于神经网络的图像融合算法
基于神经网络的图像融合算法神经网络图像融合基础核心思想与传统基于变换域或稀疏表示的融合方法不同，神经网络通过学习大量图像数据中的特征表示，自动提取最适合融合的特征层次，实现更智能、更自适应的图像融合。 卷积神经网络融合方法基本CNN融合架构% 简单的CNN融合网络示例layers = [ imageInputLayer([256 256 2], 'Name', 'input') % 双输入源图像 生成对抗网络融合方法GAN通过生成器和判别器的对抗训练，能产生视觉质量更高的融合图像。 fprintf('开始训练图像融合网络... 多尺度融合网络金字塔结构处理不同尺度特征U-Net-like 编码器-解码器架构残差连接保持细节信息3.
34310编辑于 2025-11-03- 来自专栏网络安全观
军民融合的网络安全体系研究
一是走军民融合之路保障国家网络安全是世界各国的通行做法；二是产业性质和特点决定了国家网络安全必须走军民融合之路；三是军民融合是由网络空间作战特点决定的；四是军民融合已成为国家网络安全的战略需求；五是军民融合是实现我国自主可信确保国家安全的根本保障 如我国空军歼-10飞机、歼-11B飞机、歼轰-7A飞机、预警机、以及新型地空导弹等，国产武器装备种类迅速增多，系统配套方面也已接近或达到世界先进水平。 2013年10月27日，我国在党政机关全线推进设备及系统的国产化，中央办公室和工信部已经在（xxx）办公系统中实现国产化全面替代，并在中南海进行示范，预计到2017年可在全国范围内进行推广。 党政机关市场应在5-10年内实现全面替代。 国有企业和央企市场的推广应用要在10-20年内实现全面替代。
1.8K40发布于 2021-02-25 - 来自专栏玉龙小栈
什么是超融合数据中心网络？
随着存储介质和计算能力的大幅提升，在高性能的数据中心集群系统中，当前网络通信的时延成为应用整体性能进一步提升的瓶颈，通信时延在整个端到端时延中占比从10%上升到60%以上，也就是说，宝贵的存储或计算资源有一半以上的时间是在等待网络通信 传统IP以太网：对于RDMA来说，大于10-3的丢包率，将导致网络有效吞吐急剧下降，2%的丢包则使得RDMA的吞吐率下降为0。要使得RDMA吞吐不受影响，丢包率必须保证在十万分之一以下，最好为无丢包。 超融合数据中心网络与HCI有什么异同？ 的超融合数据中心网络，基于开放以太网，通过独特的AI算法，可以使以太网络同时满足低成本，0丢包和低时延的诉求。超融合数据中心网络成为AI时代的数据中心构建统一融合的网络架构的最佳选择。 降低成本，提升收益 数据中心投资中网络占比仅10%左右，相对服务器/存储的投资（占比85%），有10倍的杠杆效应，撬动服务器和存储投资的大幅降低；华为超融合数据数据中心网络可以带来25%的存储性能提升，
1.1K10编辑于 2022-03-15 - 来自专栏有趣的django
10.socket网络编程
True: 7 conn, addr = server.accept() #阻塞 等待连接 8 print("new conn:",addr) 9 while True: 10 cmd.encode("utf-8")) #发送命令给server端 9 cmd_res_size = client.recv(1024) #接受server端发过来的命令结果信息长度 10 6 while True: 7 conn, addr = server.accept() 8 print("new conn:",addr) 9 while True: 10 6 while True: 7 conn, addr = server.accept() 8 print("new conn:",addr) 9 while True: 10 7 cmd = input(">>:").strip() 8 if len(cmd) == 0: continue 9 if cmd.startswith("get"): 10
1.1K70发布于 2018-04-11 - 来自专栏生物信息学、python、R、linux
Similarity Network Fusion（SNF）相似性网络融合
如下面将两种数据类型融合在一起的：同一组患者的mRNA表达和DNA甲基化。
4.5K20发布于 2020-04-01 - 来自专栏从零开始学 Web 前端
10 - JavaSE之网络编程
网络编程 网络通信协议分层思想 为什么要分层呢？ ---- 参考模型 OSI七层模型 物理层、数据链路层、网络层、传输层、会话层、表示层、应用层 TCP/IP参考模型 应用层、传输层（TCP/UDP层）、网络层（IP层）、数据链路层、物理层 我们今天要讲的主要是传输层 在TCP/IP协议中，IP层主要负责网络主机的定位，数据传输的路由，由IP地址可以唯一确定Internet上的一台主机。 而TCP层则提供面向应用的可靠的或非可靠的数据传输机制，这是网络编程的主要对象，一般不需要关心IP层是如何处理数据的。 可靠的传输是要付出代价的，对数据内容正确性的检验必然占用计算机的处理时间和网络的带宽。因此TCP传输的效率不如UDP高。
49240发布于 2018-08-31 《打破壁垒：卷积神经网络与循环神经网络的融合新篇》
当涉及到具有时序信息的图像或视频数据时，单一的卷积神经网络（CNN）或循环神经网络（RNN）、长短时记忆网络（LSTM）都存在一定的局限性，而将它们有机结合，成为了攻克这一难题的关键突破口。 先简单认识一下这几种神经网络。CNN在处理图像数据方面表现卓越，它擅长捕捉图像中的空间特征，比如图像里物体的形状、纹理和位置等信息。 它打破了单一网络的局限性，融合了空间特征提取和时间序列分析的优势，在众多领域展现出了巨大的应用潜力，也为人工智能的发展开辟了新的道路，相信在未来，这种结合方式还会不断完善，创造出更多的可能。
32110编辑于 2025-02-09- 来自专栏科技云报道
10亿+！书生云签下全球超融合市场最大订单
超融合是当前IT行业最热门、最前沿的发展方向之一，当前已在中国生根发芽，大小厂商达几十家。2015年中国超融合市场规模突破1亿美元，2016年达到1.7亿美元，同比增长70%。 据了解，凤凰大数据中心项目投资10多亿元，设计存储容量达到1EB（注：1EB=1024PB，1PB=1024TB），金额上，相当于中国上一年全年的市场总量，也是全球超融合技术迄今获取的最大订单；体量上， 该项目的签订也使超融合的应用领域扩展到了大型数据中心。 书生云以国际领先的超融合技术建设凤凰大数据中心，仅需300多台书生云超融合机柜即可完成部署，从而大幅降低机房空间和耗电量，以往动辄上万台机柜建数据中心的场景将不再需要。 为了加快新技术产品及服务的推广和普及，书生云从2017年开始发力渠道建设，在全国设立了华北、华东、华南、西南、西北五个销售大区，年内将打造覆盖全国每个地市的销售网络，并通过举办各种渠道拓展会现场聆听客户需求
66010编辑于 2022-04-12 - 来自专栏企鹅号快讯
展望2018：三种网络配置及网络融合的必要性
【IT168 资讯】网络融合被定义为在单个网络上使用多种通信模式，提供单独基础设施无法实现的便利性和灵活性。展望2018年及以后，融合网络的属性是灵活性，可靠性和节约性。 虽然5G的广泛部署还有几年的时间，但为确保网络能够随时做出改变，幕后需要做的工作有很多。在我们以互联网为中心的世界中，无处不在的带宽需求推动了陆地线网络以及无线网络向网络融合。 接下来的无线网络架构演进是4G / LTE密集化和5G无线，这种演进是固定网络和无线接入点物理资产的融合。 现在它们都开始相互映射，网络可以合并成一个网络，节省运营商的运营费用和资本支出，因为设备要求也变得相同，这是网络融合。 我们电信网络的融合是无线小区密集化加速的自然经济和技术演进。在任何无线电接入网络的设计中，电力，回程和站点可用性是最重要的。
1.1K50发布于 2018-02-02
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