飞秒级紫外激光：开启超快光子学新纪元

科学家们展示了持续时间不足一万亿分之一秒的超快紫外-C激光脉冲，并能够使用超薄半导体传感器对其进行可靠检测。该技术甚至被用于通过自由空间发送信息，这预示着强大的新型通信系统的出现。 工作在紫外-C波段（100−280 nm）的光子技术在从超分辨显微镜到光通信等领域都扮演着重要角色。随着这些技术的进步，它们有望在科学和工程领域开辟新的路径。 他们的团队开发了一个既能产生又能检测极短紫外-C激光脉冲的新平台。该系统将一个超快紫外-C激光源与由原子级薄层（二维）半导体（2DSEM）制成的紫外-C探测器相结合。 高效的激光生成与未来扩展负责激光源工作的Tisch教授强调了效率的重要性：“我们利用了非线性光学晶体中的相位匹配二阶过程，实现了紫外-C激光的高效产生。 由于这些组件与光子集成电路中的单片集成兼容，它们还可能实现广泛的未来技术，包括在飞秒时间尺度上工作的宽带成像和超快光谱学。FINISHED

超快的 fastText

本文介绍了 fastText，一种用于文本分类的机器学习模型，以及它的原理、优缺点和应用场景。fastText 能够处理多标签分类任务，具有训练速度快、分类效果好的特点。与传统的 word2vec 相比，fastText 考虑了词之间的组成关系，能够更好地捕捉词的语义信息。fastText 的应用场景包括文本分类、情感分析、文本相似性等。

激光器的快轴慢轴

最近设计的几款芯片，都因为出光角过大被砍了，特别对于multiple Emitter的激光芯片。 Emitter就是有电流注入地方，也就是发光条。 在来看下激光器的快轴和慢轴的定义 激光芯片的出光快轴和慢轴是针对Far-field来说的，也就是激光器的远场。 快轴是垂直于激光芯片正表面的，慢轴是平行于芯片表面的。 一般快轴的发散角大于慢轴，如上图，大功率的激光芯片，快轴的发散角基本上是慢轴的3倍以上。 对于更多的Emitter芯片，Emitter也较区域中心，可能和封装有关吧。

AIComm：StreamSync让AI通信超快超稳

图2：TCP连接数对比说明：此折线图显示StreamSync在高并发场景下显著减少TCP连接数，执行时间仅为REST+WebSocket的1/3。 图3：请求成功率对比说明：此柱状图突出StreamSync在高并发下保持的高请求成功率，优于REST+WebSocket。性能对比性能测试测量了不同负载下获取AI工具元数据的响应时间。 在1000用户场景下，REST+WebSocket平均响应时间为1.2秒，高负载时峰值达3秒。

可扩展超快OLAP引擎: Kylin

Kylin的工作原理 1、指定数据模型，定义维度和度量 2、预计算Cube，计算所有Cuboid并保存为物化视图 3、执行查询时，读取Cuboid，运算，产生查询结果 ? Kylin的的主要特点 1、标准SQL接口 2、支持超大数据集 3、亚秒级响应 4、可伸缩性和高吞吐率 5、BI及可视化工具集成 几个核心概念 数据仓库：（Data Warehouse）：大量历史性资料数据 2、设计Cube：导入Hive表定义、创建数据模型 3、创建Cube：Kylin是以Key-Value的方式将Cube存储到Hbase中，Hbase的Key也就是RowKey是由各个维度的值拼接而成的。 支持构建方式： 增量构建：分全量和增量 流式构建：实现实时数据更新，对接Kafka实现，目前存在丢失数据的风险 支持对接方式： 1、WEB GUI --- Insight页面 2、Rest API 3、

激光SLAM算法学习（三）——3D激光SLAM

3D激光SLAM 1、3D激光SLAM的介绍 3D激光SLAM的输入: IMU数据 3D激光雷达数据 里程计数据 3D激光SLAM的输出: 3D点云地图 机器人的轨迹 or PoseGraph 2、3D激光SLAM的发展 3D激光SLAM的帧间匹配方法——点云配准算法 Point-to-Plane ICP Feature-based Method 3D激光SLAM的回环检测方法 Scan-to-Scan Scan-to-Map Branch and Bound & Lazy Decision 目前主流激光SLAM算法： 1、LOAM-纯激光，匀速运动假设，无回环。 2、V-LOAM-视觉激光融合、漂移匀速假设，无回环。 3、VELO-视觉激光融合，无运动畸变假设，有回环 3、3D激光SLAM的应用 数据的预处理： 轮式里程计的标定 不同系统之间的时间同步 激光雷达运动畸变去除 与视觉的融合： 3D激光雷达为视觉特征提供深度信息

YOLO-Fastest：超超超快的开源ARM实时目标检测算法

，应该是现在已知开源最快的最轻量的改进版yolo通用目标检测算法（貌似也是现在通用目标检测算法中最快最轻量的），其实初衷就是打破算力的瓶颈，能在更多的低成本的边缘端设备实时运行目标检测算法，例如树莓派3b 而相比较下应用最广泛的轻量化目标检测算法MobileNet-SSD要在树莓派3b跑200ms左右，Yolo-Fastest速度整整要快3倍+，而且模型才只有1.3MB，而MobileNet-SSD模型达到 下图是树莓派3b 基于Ncnn的常见模型的Benchmark ? 其实，我还有个xl版本啊哈哈哈，精度更高当然模型更大速度当然…更慢啊xl就不多讲了，肯定树莓派3b没法实时，嘻嘻，但是这边有个基于麒麟990的NCNN的速度基准 ? 啥，精度还不够，看来直接祭出我的MobileNetv2-yolov3-lite，VOC 73.2%的mAP，37.4% AP05 COCO，只有8MB，1.8Bflops，比mb-ssd系列的算法动不动

Kallisto：超快的转录本定量工具

• 超快分析速度：Kallisto的算法极大地缩短了分析时间，适用于大规模的RNA-seq实验。 3. 输出结果：Kallisto生成多种格式的输出文件，包括转录本丰度表以及丰富的统计信息。 与其他转录本定量工具相比，Kallisto的运行步骤更为简洁，这也正是它深受欢迎的原因之一。 3. 配置参数：选择输入文件、转录本参考索引等必要的参数。 4. 运行分析：点击“运行”按钮，Kallisto将在后台处理数据并返回定量结果。

Tomcat国内镜像下载地址【速度超快】

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/144676.html原文链接：https://javaforall.cn

超快！大数据分析引擎ClickHouse

3、OLAPServer时期： 设计思路：取众家之长 数据模型：换回了关系型，理由：关系型有更好的描述能力 存储层面：与MyISAM表引擎类似，分为索引文件和数据文件 索引层面：沿用LSM树，将索引文件和数据文件按列进行拆分 分布式管理等 2、列式存储与数据压缩 不同的列保存在不同的文件中，数据中的重复项越多压缩率就越高，数据的体量就越小，传输就越快，对网络带宽和磁盘IO的压力就越小，使用LZ4算法压缩，压缩率达8:1. 3、 六、ClickHouse的设计原则，如此之快的秘诀 1、着眼硬件，先想后做 2、算法在前，抽象在后 3、勇于尝鲜，不行就换 4、特定场景，特殊优化 5、持续测试，持续改进

ECCV 2020 ｜ 超快的车道线检测

很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作：一种超快速的车道线检测算法（Ultra Fast Structure-aware Deep Lane Detection），能够达到SOTA 图3 和传统分类方法的比较。我们的方法直接做行方向上的选择，而不是逐像素分割。 除了速度快之外，我们的方法还可以解决上文提到的另一个问题：局部感受野小导致的复杂车道线检测困难问题。 3 实验结果 我们在Tusimple和CULane上都进行了测试，都验证了我们的方法可以在超快速度下达到接近或超越SOTA方法的性能。 ?

新版Mamba体验超快的软件安装

micromamba activate env_name 重用之前conda的环境 # 重用之前conda的环境 mkdir -p /mambaforge/envs/ ln -s /root/anaconda3/

3D激光SLAM导航算法

REF：3D 激光雷达 SLAM 算法综述 1. 激光SLAM算法 激光雷达建立地图的激光 SLAM 方案按求解方式可以分为基于滤波器和基于图优化两类，基于滤波器的方法源于贝叶斯估计理论，在室内或小范围场景应用中具有不错的效果，但只考虑移动载体的当前位姿状态和当前环境观测信息 基于图优化的 3D激光 SLAM 方案 图优化 SLAM 的模型表示形式也可以从弹簧能量模型的视角来解释，在 SLAM 中是对位姿的最大似然估计，弹簧模型中则是对应系统的最小能量状态，而二者的本质问题都可以转换为非线性最小二乘问题 从而产生全局一致性的映射地图，包括基于蒙特卡洛的节点搜索法、基于描述子的回环检测法（局部描述子代表算法 FPFH、全局描述子代表算法GLAROT及Scan Context） SegMatch：基于分割的 3D 当前算法评估 一般基于以下 3 个标准进行性能评估: 误差指标计算数据集中相对于真实轨迹不同长度的平移误差和旋转误差，并计算平均值 精度指标: 相对位姿误差用均方根误差 RMSE 统计各段时间的相对位姿误差从

美军研制超快、轻量级无人机

Agency，DARPA）于2月12日新公布了其快速轻量自主飞行器（FastLightweight Autonomy，FLA）项目的视频片段，并称项目取得了里程碑式的进展：一架轻量级无人机能够携带高分辨率相机、激光雷达 研发团队还在这次测试中展示了无人机能够在目标物周围自主进行导航和操作——尽管速度不是那么快。 换句话说，微型无人机不仅要飞得快，还必须表现出对自己“要去哪里”有最基本的理解。

超快仓储机器人工作运行实录

视频：http://mpvideo.qpic.cn/0b2e2aaamaaaieagahnhr5sfbugda3iaabqa.f10002.mp4?

windows nodejs 安装超快超简单的方式，不用配置环境变量

OverNet | 速度快&高性能&任意尺度超分

Abstract DCNN在超分领域取得了前所未有的成功，然而基于CNN的超分方法往往存在计算量过大的问题，同时大多模型仅能处理特定超分比例，进而导致泛化性能缺失，提升了内存占用需求(注：这里指的是模型部署过程中的模型大小 一般在超分中为避免信息损失，这个全局跳过连接不会添加ReLU激活。奇哉怪哉。 假设N为最大超分尺度，作者首先过尺度特征 ，它的分辨率尺度为 。 因此，基于所提取的特征h，作者采用3x3卷积+pixelshuffle得到过尺度特征： 为得到过尺度模块的最终输出，我坐着进一步引入第二个来自 的全局跳过连接。 只能说：效果好且速度快的超分方案值得你拥有。更多实验结果与分析请查看原文。 image-20200809181635218 全文到此结束，对该文感兴趣的同学建议去查看原文。

光驱微米齿轮：激光驱动的超微型马达技术突破

哥德堡大学等机构的研究人员现已突破了这一障碍，他们摒弃了传统的机械传动装置，转而使用激光直接驱动齿轮运动。 光驱齿轮在他们新的研究中，研究人员证明，微型机器可以由光学超材料驱动——这是一种能够在纳米尺度上捕获和控制光的小型、图案化结构。 研究人员使用传统光刻技术，直接在微芯片上用硅制造出带有光学超材料的齿轮，齿轮直径仅为几十微米。通过用激光照射超材料，研究人员可以使齿轮旋转。 激光强度控制转速，并且通过改变光的偏振方向，也可以改变齿轮的旋转方向。研究人员因此非常接近制造出真正的微马达。一种新的思维方式“我们构建了一个齿轮组，其中一个光驱齿轮带动整个链条运动。 由于激光不需要与机器有任何物理接触且易于控制，微马达可以扩展为复杂的微系统。“这是在微观尺度上思考力学的一种根本性新方式。通过用光取代笨重的耦合装置，我们最终能够突破尺寸障碍，”Gan Wang说。

速度超快！字节跳动开源序列推理引擎LightSeq

例如最近引发热烈讨论的 GPT-3 [3]，拥有 1750 亿参数，再次刷新了参数量的记录。 如此巨大的参数量，也为模型推理部署带来了挑战。 因此，今天给大家安利一款速度非常快，同时支持非常多特性的高性能序列推理引擎——LightSeq。 高性能 LightSeq推理速度非常快。例如在翻译任务上，LightSeq相比于Tensorflow实现最多可以达到14倍的加速。 同时领先目前其他开源序列推理引擎，例如最多可比Faster Transformer快1.4倍。 2. LightSeq 衰减相对平缓，特别是在大 batch 场景下更加具有优势，最多能比 Faster Transformer 快 1.4 倍。

激光3D打印技术及其优缺点

　　激光熔覆3D打印(即激光熔覆成形)技术是一种累积制造技术，利用CAD软件制作零件模型，经计算机编程后，用一束束激光在工件上进行扫描。 该技术可以一步成型金属零件，而经过智能工艺控制后形成的致密金属零件几乎为网状，几乎不需要后续加工，从而实现金属零件的快速、包覆3D打印。 激光熔覆3D打印设备与传统打印机最大的区别在于，它使用的“墨水”是真正的原材料，有各种形式的堆叠薄层。有各种各样的介质可用于打印，从各种塑料到金属、陶瓷和橡胶。 在航空航天和军事领域，可以更好地制造高性能的特殊零件，尤其是以往极难加工的梯度功能材料和超硬材料，还可以快速制造金属间化合物材料，因此该技术具有广阔的应用前景。　　 目前激光熔覆3D打印零件还存在质量稳定性差，不能满足用户要求的精度和粗糙度等缺点。需要对零件进行进一步的加工，所以这项技术的局限性导致其无法更好的应用于生产中。