- 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
二、 网络设备虚拟化 设备虚拟化技术主要包括多虚一技术横向虚拟化IRF2、纵向虚拟化IRF3，一虚多技术MDC。 VXLAN报文转发 Overlay的本质是L2 Over IP的隧道技术，在服务器的vSwitch、物理网络上技术框架已经就绪，并且从当前的技术选择来看，虽然有多种隧道同时实现，但是以L2 over UDP 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。
1.6K90发布于 2018-04-03 - 来自专栏大数据和云计算技术
超融合方案分析系列（2）：VSAN的超融合方案分析
超融合分析系列： 超融合概述 超融合产品分析系列（1）：nutanix方案 VSAN今年已经是6.6版本了。 VSAN本身是VMware软件，它自己不提供超融合方案，对外是通过硬件合作伙伴来推出VSAN ready node或者VSAN灵活解决方案。 也就是说，如果2个OS盘组raid1后和至少一组数据盘放在一个raid卡上，那么最坏情况下降导致数据丢失。最关键是VMware官方已经不支持这种方案。 所幸的是硬件合作伙伴又牛逼了一把，支持多个raid卡方案，原来是1个的，改支持2个，把OS盘独立放在一个raid卡上。顺利的解决了这个问题。 VSAN的资料可能是市面上超融合产品种最多的一个，对raid卡问题也有很多资料提到过。
3.5K40发布于 2018-03-08 - 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
内容来源：《中兴通讯技术》2022年2月 第28卷第一期，边缘计算社区经过授权发布文章。 网络的布局和架构充分匹配云计算和云业务所需的灵活性，具有高度的弹性，能够提供不同等级应用的QoS。 （2）网络资源云化部署。网络的节点、带宽、流量等打破了与地理位置和物理形态绑定的局面。 而网络是作为更加底层的连接支撑存在的。从感知的角度看，理想的网络模式应该是“见云不见网”。网络自动化可提供服务，但它“隐藏”在云的后面。 2. 云网络的构成和关键技术 新型云网络的架构包括3个层面。 从传统运营商的视角看，基础网络层又是Underlay网络层。 （2）业务网络层。在基础网络层上有一个业务网络层。业务网络层的作用是根据云计算的需要，实时建立或拆除网络连接，按需提供网络带宽和质量保障。 DOI: 10.13992/j.cnki.tetas.2021.09.006 [2] 王巍, 王鹏, 赵晓宇, 等. 基于SRv6的云网融合承载方案 [J].
2.4K20编辑于 2022-04-01 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
先验知识 说到生成向量表示，最有名的莫过于Word2Vec了，那么是不是可以将network embedding的问题转化为熟悉的word embedding形式呢？ 这样我们就可以借用word2vec的思想来解决了。 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 其中第2步构建二叉树的目的是为了方便后续 SkipGram模型的层次softmax算法。 参数更新的流程如下： ? ? 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。 向上的FC-2P负责帧封装，并通过Buffer-to-Buffer Credit这种可靠传输机制来实现链路层面上的无丢包，功能上类似于TCP滑动窗口。 FC-2M夹在FC-2P和FC-3两层之间，负责多个FCID地址的复用。 ? 将FC整合到以太网中，做法是使用Ethernet的帧头去代替FC-2，保留上层的FC-3和FC-4，FCOE协议栈和数据封装如下所示。 单跳FCoE的转发更为简单一点，负责接入的FCF收到FCoE流量后，根据FCID进行寻址，然后直接转换成FC-2的帧格式在FC网络中进行传输，这里就不再画图说明了。
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
我们提出动态类感知融合网络（DyCAF-Net），通过三项创新解决这些挑战：（1）一种基于输入条件的均衡颈部结构，通过隐式固定点建模迭代优化多尺度特征；（2）一种双动态注意力机制，利用输入和类别相关的线索自适应地重新校准通道和空间响应 引言 目标检测在YOLOv8[1]和Faster R-CNN[2]等架构的发展下取得了巨大进展，这些架构采用模块化设计，包括主干网络、颈部结构和检测头。 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。 目标检测架构 现代目标检测器如YOLOv8[1]和Faster R-CNN[2]依赖于三个核心组件：用于分层特征提取的主干网络(backbone)、用于多尺度融合的颈部结构(neck)，以及用于边界框回归和分类的检测头 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。
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? （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} 。 这样我们就可以借用word2vec的思想来解决了。 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相信大家都非常熟悉了 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dino.c的专栏
使用 Win2D 实现融合效果
这篇文章我将介绍如何使用 Win2D 在 UWP / WinUI 3 中实现融合效果。 2. 使用 Win2D 实现融合效果 Win2D 是一个很简单使用的底层图形 Windows Runtime API。 和 CSS 不同的是，Win2D 不是使用 ContrastEffect，而是使用 ColorMatrixEffect 实现融合效果（至于 ColorMatrixEffect 中的参数设置将在下一节中讲解 Win2D 中融合效果的原理 上面的代码实现了融合效果，但当我想换个颜色玩些新花样时却发现了诡异的状况，例如我将两个 Brush 改为 IndianRed（205, 92, 92） 和 PaleVioletRed 最后 将 ColorMatrixEffect.ClampOutput 设置为 True 后，Win2D 就可以使用任何颜色实现融合效果，这样玩法就更多了，例如下面这种： 虽然我之前也用 Win2D 做过一些东西
77630编辑于 2022-10-05 - 来自专栏ICT售前新说
解密融合（统一）存储-part2
本次接着上次的内容进行介绍，上篇文章提到常见存储架构发展的4个阶段有硬盘在服务器内部阶段、外部硬盘阵列阶段（DAS）、智能硬盘阵列阶段和融合存储阶段等4个重要发展阶段。 该类存储网络的优势为组网简单、成本低廉，一般是小型企业搭建存储网络时的不错选择。 （2）SAN存储：SAN网络分为IP SAN和FC SAN，顾名思义IP SAN是中间通过以太网交换机连接主机侧和存储侧，FC SAN是通过FC（光交）交换机连接前端主机和后端存储。 （3）NAS存储：网络附加存储，主要是解决数据文件共享的问题，目前的NAS主要通过以太网链路提供网络支撑。 如果底层有个文件既想共享给windows也想共享给linux也可以，就需牵扯到协议融合。
85630发布于 2020-09-01 - 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。 这里使用kernel size为2、步长为2的max pooling进行降采样。 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。 为了和ResNet系列网络做性能对比，作者分别构造了与ResNet-34、ResNet-50和ResNet-101层数大致相等的多个网络结构，如下表所示： 上表中的Stage1和Stage2对应的数字表示 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
最后，本文展望了Neck网络的未来发展趋势，包括动态融合、轻量化设计、跨模态融合等方向，为研究者和工程师提供了深入理解YOLO Neck网络的宝贵参考。 1. 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 1.3 YOLO Neck网络的演进历程 YOLO系列算法的Neck网络经历了从简单到复杂、从固定到自适应的演进过程： YOLOv1-YOLOv2：没有专门的Neck网络，直接将骨干网络的输出传递给检测头 核心更新亮点与新要素 2.1 Neck网络的核心创新点 YOLO系列算法在Neck网络设计上的核心创新主要体现在以下几个方面： 版本 Neck网络设计 核心创新点 性能提升 YOLOv3 FPN 自上而下的特征融合 网络, 特征融合, FPN, PANet, BiFPN, 自适应融合, 轻量化设计, 跨尺度融合, 目标检测
62310编辑于 2026-01-03 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 （2）我国已制定一些网络安全相关法律法规、政策、标准 我国已出台两部网络安全法律和一系列法规。 2．我国网络安全存在的问题 （1）我国网络安全面临极其严峻的局面 党政军、企业、社会组织和个人对网络安全认识不够。 （2）我国在网络安全方面军民融合程度极低 一是集成电路的制造成为制约我国网络安全问题的核心要素。军用电子元器件是制约我国武器装备发展的五大“瓶颈”之一，军用集成电路成为“瓶颈中的瓶颈”。 2．加强组织保障，形成军民融合网络安全支撑体系 强大的组织保障是实现军民融合网络安全的基础条件。
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？
AI时代的变化2：RDMA替代TCP/IP成为大势所趋，但RDMA的网络承载方案存在不足 如下图所示，在服务器内部，由于TCP协议栈在接收/发送报文，以及对报文进行内部处理时，会产生数十微秒的固定时延， 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。 超融合数据数据中心网络如何工作？ 上文提到，使用以太网来承载RDMA流量，目前使用的协议为RoCE（RDMA over Converged Ethernet）v2。 华为超融合数据中心网络，使用iLossless智能无损算法构建无损以太网络，是一系列技术的合集，通过以下三个方面技术的相互配合，真正解决传统以太网络拥塞丢包的问题，为RoCEv2流量提供“无丢包、低时延 、高吞吐”的网络环境，满足RoCEv2应用的高性能需求。
1.1K10编辑于 2022-03-15 - 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。 devtools::install_github("maxconway/SNFtool") library(SNFtool) data(Data1) # gene expression data(Data2) # methylation 计算两个数据的距离矩阵 dist1 <- as.matrix(dist(Data1)) dist2 <- as.matrix(dist(Data2)) 将距离矩阵转化成相似矩阵 W1 <- affinityMatrix(dist1, K = 20, sigma = 0.5) W2 <- affinityMatrix(dist2, K = 20, sigma = 0.5) 将聚类用热图可视化 spectralClustering(W2, K = 3)) image.png 将两个数据整合并可视化 W = SNF(list(W1,W2), 20, 20) displayClustersWithHeatmap
4.5K20发布于 2020-04-01 《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 - 来自专栏边缘计算
从「胖瘦终端」谈边缘网络下的融合趋势
随着5G网络推出和边缘计算的发展，我们预期网络和终端的功能和边界将不断交互融合。本文主要从胖瘦终端业务形式演变开展讨论，从而理解边缘网络未来可能的发展趋势。 简单的比较如下： 胖瘦终端和边缘的融合场景 乔布斯最早提出过胖网络（云服务）+胖终端(Rich Client)的理念：通过引入云服务将部分算力上移，将功能实体拆分为更小的服务，通过多服务器强大的搜索和分析能力 从实用价值角度出发，未来还将不断出现适合每种场景的融合方案。 所以，如何融合连接和计算，在对客户提供解决方案时，将终端、连接、边缘网络和AI本身的算力需求匹配，也是关键点。 往往在边缘侧，重点是计算，所以如何做好便宜的连接和强大的计算融合，是解决方案的关键点。
1.9K20发布于 2019-08-04
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