- 综合排序
- 最热优先
- 最新优先
- 来自专栏Vehicle攻城狮
Adaptive Autosar
在这样的趋势下，需要一高度灵活、高性能且支持HPC、动态通讯等特性的新软件架构平台---Adaptive Autosar。 Adaptive Autosar平台的主要开发语言。 Adaptive Autosar架构 Adaptive Autosar架构如下：主要包括硬件/虚拟机层、基础层、服务层和应用层。 ROS的架构了），Adaptive Autosar基础模块在布置和更新应用时会读取该文件，Instance 配置文件主要包含静态的信息，如版本信息等。 ；而Adaptive Autosar则支持大数据的并行处理，所以对于高性能运算的功能则需要运行在Adaptive平台上。
80930编辑于 2022-04-19 - 来自专栏JathonKatu
二（拓展）@Adaptive
@Adaptive称为自适应扩展点注解。 Adaptive 注解值 value 类型为 String[]，可填写多个值，默认情况下为空数组。若 value 为非空数组，直接获取数组内容即可。若 value 为空数组，则需进行额外处理。 修饰方法级别 当扩展点的方法被@Adaptive修饰时，在Dubbo初始化扩展点时会自动生成和编译一个动态的Adaptive类。 修饰，Dubbo在初始化扩展点时，会生成一个Protocol$Adaptive类，里面会实现这两个方法，生成的代码如下： public class Protocol$Adaptive implements 修饰类级别 以AdaptiveCompiler类为例，它作为Compiler扩展点的实现类，被@Adaptive在类级别修饰。
47820编辑于 2022-12-02 - 来自专栏Vehicle攻城狮
Adaptive AUTOSAR 2
如楼主《Adaptive Autosar》那篇所说，Adaptive Autosar并不是为了取代Classic Autosar和非Autosar架构的平台，而是为了更好的与当前这些架构平台相互兼容、协作并满足未来的需求 Adaptive Autosar的特点 1 以C++为实现形式 Adaptive Autosar平台的Applications都将采用C++编程，我们知道C是嵌入式系统的主要编程语言，具有执行速度快、 最新Release的Adaptive Autosar标准完全采用C++ 11/14作为首选语言。 Adaptive Autosar软件分层架构 下面是AP的软件分层架构，楼主随意选两点谈谈，谬误之处，还请指正。 对Data Distribution Service（DDS）或基于时间敏感网络（TSN）等通讯技术的支持如下： Adaptive Autosar的应用 Adaptive Autosar的应用是灵活的
77020编辑于 2022-04-19 - 来自专栏HD-学习笔记
Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum
Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum 本博客暂略公式推导 Summary 则没有一个严谨的数学推导，仅仅有实验数据，我认为这算是一个weak conclusion Notes 本文的appendix实在太长，以后有空再看(逃) References FLAT MINIMA 如何理解Adam算法(Adaptive
77020编辑于 2023-03-10 - 来自专栏Vehicle攻城狮
Adaptive AUTOSAR 3
在开始阅读之前，如果你对已介绍的内容还不了解的话，可以先阅读以下文章快速熟悉一下~ Adaptive AUTOSAR Adaptive AUTOSAR 2 这篇主要分享AP中操作系统、执行管理、状态管理
1.2K20编辑于 2022-04-19 - 来自专栏Spark学习技巧
Spark Adaptive Execution调研
来设置合并的阀值，默认为64M 只会合并小的分区，太大的分区并不会进行拆分 开启方式： spark.sql.adaptive.enabled=true：启动Adaptive Execution。 开启方式： spark.sql.adaptive.enabled和spark.sql.adaptive.join.enabled 都设置为 true。 开启方式： spark.sql.adaptive.skewedJoin.enabled 设置为 true spark.sql.adaptive.skewedPartitionMaxSplits 控制处理一个倾斜 默认是64M spark.sql.adaptive.skewedPartitionFactor，倾斜因子。 参考资料 http://www.jasongj.com/spark/adaptive_execution/ https://github.com/Intel-bigdata/spark-adaptive
2.1K10发布于 2019-07-15 - 来自专栏计算机视觉理论及其实现
Integrated Multiscale Domain Adaptive YOLO
领域自适应领域在解决许多深度学习应用程序遇到的领域转移问题方面发挥了重要作用。这个问题是由于用于训练的源数据的分布与实际测试场景中使用的目标数据之间的差异而产生的。在本文中，我们介绍了一种新的多尺度域自适应YOLO（MS-DAYOLO）框架，该框架在YOLOv4目标检测器的不同尺度上采用了多个域自适应路径和相应的域分类器。在我们的基线多尺度DAYOLO框架的基础上，我们为生成领域不变特征的领域自适应网络（DAN）引入了三种新的深度学习架构。特别地，我们提出了一种渐进特征约简（PFR）、一种无人分类器（UC）和一种集成架构。我们使用流行的数据集与YOLOv4一起训练和测试我们提出的DAN架构。我们的实验表明，当使用所提出的MS-DAYOLO架构训练YOLOv4时，以及当在自动驾驶应用的目标数据上进行测试时，物体检测性能显著提高。此外，相对于更快的R-CNN解决方案，MS-DAYOLO框架实现了数量级的实时速度改进，同时提供了可比的目标检测性能。
73020编辑于 2023-10-07 - 来自专栏Windows Community
Windows Developer Day - Adaptive Cards
早在 Microsoft Build 2017，Matt Hidinger 就对 Adaptive Cards 做了展示。 ? 而在 WDD 前夕，Adaptive Cards 1.0 版本正式 Release，开源在 GitHub Microsoft AdaptiveCards， 官网文档在 Microsoft Doc Adaptive 基本原理 那么 Adaptive Cards 是怎么工作的呢？ Cards 各平台 SDK，就可以使用一套 JSON 完成多平台的通用和统一； 这种实现方式和 Adaptive Cards 要实现的目标也是一致的： The goals for adaptive 对 Adaptive Cards 的简单体验和示例就到这里，后面如果产品代码中实际用到，我会再结合实际场景来具体展开分析，谢谢大家！
1.9K90发布于 2018-04-28 - 来自专栏全栈程序员必看
Adaptive thresholding using the integral image
int main() //欢迎大家加入图像识别技术交流群：271891601 { // 从文件中加载原图 //IplImage *pSrcImage1 = cvLoadImage(“adaptive.jpg
31820编辑于 2022-08-29 - 来自专栏Web行业观察
Adaptive GCD Bucketing Algorithm: Smart Range Matching
The Adaptive GCD Bucketing Algorithm: Smart Range Matching for Optimal Performance Introduction In computer This article introduces Adaptive GCD Bucketing, a hybrid algorithm that combines: Greatest Common Divisor Adaptive Tolerance If ranges don’t share a natural GCD, we slightly adjust their sizes within a tolerance sets Binary Search O(log n) O(1) Large, irregular ranges Pure GCD Bucket O(1) O(k) Ranges with GCD > 1 Adaptive Conclusion The Adaptive GCD Bucketing Algorithm provides a practical balance between speed and precision
16300编辑于 2025-08-19 - 来自专栏计算机视觉理论及其实现
Domain Adaptive SiamRPN++ for Object Tracking in the Wild
得益于大规模的训练数据，基于Siamese的目标跟踪的最新进展已经在普通序列上取得了引人注目的结果。 而基于Siamese的跟踪器假定训练和测试数据遵循相同的分布。 假设有一组有雾或有雨的测试序列，不能保证在正常图像上训练的跟踪器在其他领域的数据上表现良好。 训练数据和测试数据之间的域转移问题已经在目标检测和语义分割领域进行了讨论，但在视觉跟踪方面尚未进行研究。 为此，在Siamese++的基础上，我们引入了域适配Siamese++，即DASiamRPN++，以提高跟踪器的跨域可移植性和鲁棒性。 在
62720编辑于 2022-04-02 - 来自专栏计算机视觉理论及其实现
DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY
基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。
1.3K20编辑于 2022-09-02 - 来自专栏数据库与编程
Oracle Adaptive Plans新特性的个人理解
参考文章1: adaptive plan的官方文档: http://docs.oracle.com/database/121/TGSQL/tgsql_optcncpt.htm#TGSQL94982 参考文章 How Adaptive Plans Work An adaptive plan contains multiple predetermined subplans, and an optimizer statistics parameter is set to the default of false OPTIMIZER_ADAPTIVE_FEATURES enables 另外注1 查看执行计划是不是adaptive 查看执行计划是不是adaptive plan的方法(之二): v$SQL视图的IS_RESOLVED_ADAPTIVE_PLAN列: If IS_RESOLVED_ADAPTIVE_PLAN is set If IS_RESOLVED_ADAPTIVE_PLAN is set to ‘N’, it indicates the plan selected is adaptive but the final
31710编辑于 2024-04-03 - 来自专栏Oracle数据库技术
自适应游标共享(Adaptive Cursor Sharing)
因此，优化器在11.1以后的版本上，为了解决绑定变量窥视(Bind Peeking)的问题，推出了自适应游标共享(Adaptive Cursor Sharing 以后简称ACS）功能，使包含绑定变量的同一条 本文是自适应游标共享(Adaptive Cursor Sharing)的第一部分主要介绍当自适应游标共享(Adaptive Cursor Sharing)无效时的状况： 例子1（ACS无效） 首先，我们看一下在绑定变量窥视 总结 本文是自适应游标共享(Adaptive Cursor Sharing)的第一部分，主要介绍ACS的概述和当ACS无效时会产生的问题例子。
73060发布于 2020-03-26 - 来自专栏常用算法专栏
自适应梯度算法AdaGrad（Adaptive Gradient Algorithm）
起源： AdaGrad（Adaptive Gradient Algorithm）起源于对深度学习训练过程中学习率自适应调整的需求。
1.1K10编辑于 2025-04-05 - 来自专栏计算机视觉理论及其实现
Prior-based Domain Adaptive Object Detection for Hazy
恶劣的天气条件，如雾霾和雨水，会破坏捕获图像的质量，导致训练在干净图像上的检测网络在这些图像上表现不佳。为了解决这一问题，我们提出了一种无监督的基于先验的领域对抗目标检测框架，使检测器适应于雾蒙蒙和多雨的条件。基于这些因素，我们利用利用图像形成原理获得的特定天气的先验知识来定义一个新的先验-对抗性损失。用于训练适应过程的前对抗性损失旨在减少特征中与天气相关的信息，从而减轻天气对检测性能的影响。此外，我们在目标检测管道中引入了一组残差特征恢复块来消除特征空间的扭曲，从而得到进一步的改进。针对不同情况(如霾、雨)，在不同数据集(雾城景观、雨城景观、RTTS和UFDD)上进行的评估显示了所提方法的有效性。
2.2K30编辑于 2022-09-02 - 来自专栏大数据成神之路
SparkSQL的自适应执行-Adaptive Execution
Spark SQL 自适应执行优化引擎 背景 Adaptive Execution 将可以根据执行过程中的中间数据优化后续执行，从而提高整体执行效率。 核心在于两点 执行计划可动态调整 调整的依据是中间结果的精确统计信息 spark 2.3 开始试验功能 spark 3.0 正式发布 自适应查询执行（Adaptive Query Execution） spark.sql.adaptive.forceApply -- V3.0 自适应执行在没有需要shuffle或者子查询的时候将不适用，当设为true始终使用 spark.sql.adaptive.logLevel 与spark.sql.adaptive.shuffle.targetPostShuffleInputSize含义相同 spark.sql.adaptive.coalescePartitions.enabled io 提高性能 spark.sql.adaptive.skewJoin.enabled 自动倾斜处理，处理 sort-merge join中的倾斜数据 spark.sql.adaptive.skewJoin.skewedPartitionFactor
2K10发布于 2020-07-03 - 来自专栏随手写个文章
Adaptive and Robust Query Execution for Lakehouses at Scale（翻译）
ACKNOWLEDGMENTS We would like to thank Intel Corporation for funding the initial exploration of the adaptive Eddies: Continuously Adaptive Query Processing. In Proc. [35] Oracle Adaptive Plan. 2013. Adaptive Plans in Oracle Database 12c. https://oracle- base.com/articles/12c/adaptive-plans-12cr1.
1.1K10编辑于 2025-01-17 - 来自专栏机器学习、深度学习
视频插帧--Video Frame Interpolation via Adaptive Convolution
Video Frame Interpolation via Adaptive Convolution CVPR2017 http://web.cecs.pdx.edu/~fliu/project /adaconv/ 本文使用CNN网络完成 frame interpolation，这里我们将像素插值问题看作对相邻两帧中相应图像块的卷积，通过一个全卷积CNN网络来估计 spatially-adaptive
2.3K70发布于 2018-01-03 - 来自专栏计算机视觉理论及其实现
Few-shot Adaptive Faster R-CNN
为了减少由域转移引起的检测性能下降，我们致力于开发一种新的少镜头自适应方法，该方法只需要少量的目标域映射和有限的边界框注释。为此，我们首先观察几个重大挑战。首先，目标域数据严重不足，使得现有的域自适应方法效率低下。其次，目标检测涉及同时定位和分类，进一步复杂化了模型的自适应过程。第三，该模型存在过度适应(类似于用少量数据样本训练时的过度拟合)和不稳定风险，可能导致目标域检测性能下降。为了解决这些挑战，我们首先引入了一个针对源和目标特性的配对机制，以缓解目标域样本不足的问题。然后，我们提出了一个双层模块，使源训练检测器适应目标域:1)基于分割池的图像级自适应模块在不同的位置上均匀提取和对齐成对的局部patch特征，具有不同的尺度和长宽比;2)实例级适配模块对成对的目标特性进行语义对齐，避免类间混淆。同时，采用源模型特征正则化(SMFR)方法，稳定了两个模块的自适应过程。结合这些贡献，提出了一种新型的少拍自适应Fast R-CNN框架，称为FAFRCNN。对多个数据集的实验表明，我们的模型在感兴趣的少镜头域适应(FDA)和非超视域适应(UDA)设置下均获得了最新的性能。
2.3K41编辑于 2022-09-03
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