- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信宝典
WB图片处理-教你利用PPT做出漂亮的WB图片！
本文转载自“科研小助手（微信号：SciRes）” WB是很科研多小伙伴都会用到的实验技术，而对于最终WB图片的处理也是各自有各自的手段，不过主流主要分为两大派：PPT或者Adobe Photoshop/ 下面的图片就是小编用Photoshop做的WB图。 ? 所以今天我们就为大家分享如何用PPT做出一个漂亮的WB图片。 注：科研小助手使用的是office 2016 1. 首先将WB的胶片结果扫描成图片格式。 到这里一幅WB图片就处理好了。 ? 7. 当然，如果你有多个图片需要对齐，可以先选中需要对齐的图片，然后选择左对齐即可。 ? 怎么样？今天你是否学会了用PPT处理WB图片呢？ 当然，要做出漂亮的WB图片最重要的是你的结果够漂亮~
10.3K20发布于 2018-09-21 - 来自专栏FreeSWITCH中文社区
FreeSWITCH如何集成AMRAMR-WB编解码
FreeSWITCH对AMR和AMR-WB两种编码格式默认为passthough状态，若想对AMR和AMR-WB进行编解码，需对mod_amr和mod_amrwb两个模块重新编译。 OpenCore AMR源码压缩包包含了AMR-NB编码和解码，但是AMR-WB只支持编码，所以我们需要增加AMR-WB解码能力。 ="^(10[01][0-9])$"> <action application="bridge" data="{absolute_codec_string='PCMA\,PCMU'}user/$1"/> destination_number" expression="^(10[01][0-9])$"> <action application="bridge" data="{absolute_codec_string ='AMR\,AMR-<em>WB</em>'}user/$1"/> </condition> </extension> 至此，您可以愉快的使用FreeSWITCH对AMR/AMR-WB进行编解码了。
1.2K10编辑于 2024-04-11 - 来自专栏生信技能树
课后笔记：ggplot2优雅的显示WB结果
fun.data = 'mean_sd', geom = "errorbar", colour = "black", width = 0.25,position = position_dodge( .9) fun.data = 'mean_sd', geom = "errorbar", colour = "black", width = 0.25,position = position_dodge( .9) = 'mean_sd', geom = "errorbar", colour = "black", width = 0.25,size=1,position = position_dodge( .9) = 'mean_sd', geom = "errorbar", colour = "black", width = 0.25,size=1,position = position_dodge( .9)
4.3K20发布于 2021-07-06 - 来自专栏物联网思考
Letter shell移植到AT32WB415
本文移植Letter shell，通过串口输入命令，与开发板交互。 Letter shell的项目地址：https://github.com/NevermindZZT/letter-shell，最新的版本是3.1.2，也正是本文移植的版本。
78710编辑于 2022-12-22 MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。 MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。 MAR-YOLOv9：专为农业设计的轻量级解决方案为了应对上述挑战，我们提出了多适应识别YOLOv9（MAR-YOLOv9）——一种基于YOLOv9的农业领域轻量级跨数据集增强目标检测方法。 、上采样和拼接连接策略采用混合连接策略，灵活利用不同层级特征解决了传统YOLOv9中检测颈部和辅助分支导致的训练时间增加、权重冗余问题双路径检测架构主检测分支：负责主要特征提取和目标检测辅助检测分支：通过可逆辅助设计 ，MAR-YOLOv9能够更准确地检测小尺寸的作物目标，减少漏检。
34010编辑于 2025-12-04- 来自专栏DIY
【DIY】用安信可WiFi+蓝牙模组Ai-WB2-32S-Kit实现安防检测
以下作品由安信可社区用户ch999制作前言：笔者这次决定使用AI-WB2-32s-Kit＋雷达模块制+蓝牙信标作安防检测，灵感来源是想着马上毕业要外出租房，担心陌生人进入房间。 01材料●Ai-WB2-32S-Kit●雷达模块（自带uart串口，通过串口输出数据）●蓝牙模块●服务器，用来做中转发送消息雷达部分的代码#include <stdio.h>#include <string.h 完成雷达扫描和蓝牙信标后，现在来完成信息发送功能，参照安信可社区这位大佬的做法 ：用AI-WB2消息推送到个人通知https://bbs.ai-thinker.com/forum.php? mod=viewthread&tid=45846&highlight=wb2&_dsign=04722896可以看到手机可以正常接收消息。 );snprintf(REQUEST, sizeof(REQUEST),"POST %s%s HTTP/1.0\r\n""Host: %s:%s\r\n""User-Agent: aithinker wb2
64710编辑于 2025-06-18 - 来自专栏云深之无迹
STM32WB-双核无线多协议MCU
无线STM32WB MCU基于两个独立的内核（以64 MHz运行的Arm® Cortex®‐M4内核（应用处理器）和以32 MHz运行的Arm® Cortex®‐M0+内核（网络处理器）），可以提高无线电协议栈的实时执行效率 STM32WB MCU系列与超低功耗STM32L4 MCU具有相同的数字和模拟外设，可用于电池供电设备和复杂应用。 WB55就是最Top的片子，下面的少一些功能 除了我现在写的的WBx5，STM32WB10适合基本的蓝牙低功耗应用。 再低也没有U0低 蓝牙复杂，所以还有一个文档教你使用 以及这个 https://www.st.com.cn/resource/en/datasheet/stm32wb55cc.pdf
68110编辑于 2025-02-25 - 来自专栏往期博文
【OpenCV】Chapter9.边缘检测与图像分割
OpenCV并没有直接提供相应的函数接口，因此通过自定义卷积核可以实现各种边缘检测算子。 OpenCV提供了函数cv.Canny实现Canny边缘检测算子。 SplitMerge(src, dst3, hImg, wImg, 0, 0, maxMean, minVar, cell=8) # 最小分割区域 cell=8 plt.figure(figsize=(9, labels.flatten()] # 将像素标记为聚类中心颜色 imgKmean5 = classify.reshape((img.shape)) # 恢复为二维图像 plt.figure(figsize=(9, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV) plt.figure(figsize=(9,
2.1K10编辑于 2022-09-28 - 来自专栏单细胞天地
Seurat4.0系列教程9：差异表达检测
加载数据 library(Seurat) library(SeuratData) pbmc <- LoadData("pbmc3k", type = "pbmc3k.final") #执行默认差异表达检测 2.325013 0.162 0.864 6.143554e-64 ## S100A8 7.471811e-65 3.766437 0.975 0.500 1.024684e-60 ## S100A9 pct.1 ：在第一组检测到该基因的细胞百分比 pct.2 ：在第二组检测到该基因的细胞百分比 p_val_adj：校正后的 p 值，基于使用数据集中的所有基因的Bonferroni校正。 为了提高marker检测的速度，特别是对于大型数据集，Seurat 允许对基因或细胞进行预过滤。 例如，在两组细胞中很少检测到的基因，或在平均水平表达类似的基因，不太可能有差异表达。下面演示了几个参数的使用。
1.8K11编辑于 2022-01-10 - 来自专栏芒果先生聊生信
差异分析，RT-PCR和WB实战（上）
一般在论文中出现的是病理检测结果（IHC），特别是结合oncomine数据库，对基因在肿瘤和临近组织的表达进行对比展示。在前面的文章中，我们介绍过。结果展示如下。 ? 具体操作如下。 那么，如何做出漂亮的RT-PCR和WB结果呢？敬请下次分享。 ?
2.3K20发布于 2020-07-07 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（9）
8.5 目标检测的技巧汇总 8.5.1 Data Augmentation 介绍一篇发表在 Big Data上的数据增强相关的文献综述。 1. 如车站人脸检测，只需要中心检测时，就可以加合适的平移增强。平移后空出部分填0或者255，或用高斯分布噪声。 Noise injection 在像素上叠加高斯分布的随机噪声。 归结可以认为是训练检测阶段的一致性。当然，这种手段时间成本太高，只在如医学影响等追求精度的关键领域可以使用。 Introduction 上次亚马逊发了个分类的训练trick在CVPR上，这次是检测的，还没发表。就没什么多说的了，下面直接介绍。 技术细节： 相比于分类的resize，为了保证检测图像不畸变影响效果，作者选择直接叠加，取最大的宽高，空白进行灰度填充，不进行缩放。
40700编辑于 2024-05-24 - 来自专栏网络技术联盟站
Linux性能检测常用的9个基本命令
作为一个Linux运维人员，主要就是对Linux服务器的性能做一些优化，本篇博文仅仅介绍如何性能检测常用的指令！ ，每秒发送的压缩包的数量； rxmcst/s，每秒接收的组数据包数量； 返回信息： active/s：发起的网络连接数量； passive/s：接收的网络连接数量； retrans/s：重传的数量； 9） 5144512k free[空闲交换区总量], 2013180k cached[缓冲的交换区总量], 本文作者：吕振江 本文链接：http://yoursite.com/2020/03/09/Linux性能检测常用的 9个基本命令/
2.3K20发布于 2020-05-14 - 来自专栏往期博文
【目标检测】YOLOv9理论解读与代码分析
图d就是yolov9提出的pgi思想，想法挺简单，一方面是继续保留Deep Supervision的设计，在浅层就搞一个检测头，另一个方面是单开一路，将原图单独塞入一个辅助可逆训练分支(Auxiliary Reversible Branch)，这其实类似于copy了一个主分支的backbone，蓝色的是原始的主分支，在主分支做neck部分的时候，一方面在浅层就直接做一个检测头，令一方面和原始一样，到深层再去检测 按照论文所述，YOLOv9共分四个版本，从小到大依次为小型(yolov9-s)、中型(yolov9-m)、紧凑型(yolov9-c)、扩展型(yolov9-e)，截至目前，该仓库只开源了后两者型号。 另外，仓库里还有一些实验性的文件和yolov9无关，是作者令一项最新工作：YOLOR-Based Multi-Task Learning，这篇工作是想通过多个不同的任务，比如目标检测、实例分割、语义分割和图像描述来相互促进 下面看一些除网络结构外的代码细节，比如，yolov9在辅助训练部分，加了一组检测头，相当于共有6个检测头，此代码对应DualDDetect， class DualDDetect(nn.Module):
3.3K01编辑于 2024-05-24 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——ACCLIP WB-57 Aircraft 飞机合并数据
ACCLIP WB-57 Aircraft Merge Data ACCLIP WB-57 飞机合并数据 简介 ACCLIP_Merge_WB57-Aircraft_Data 是在亚洲夏季季风化学和气候影响项目 （ACCLIP）期间从 WB-57 飞机上收集的各种现场仪器测量数据预先生成的合并文件。 NASA WB-57 和 NCAR G-V 飞机配备了最先进的传感器，以实现这一目标。ACCLIP 试图实现与其主要目标相关的四个科学目标。 -07-16T00:00:00Z/2022-09-14T23:59:59Z Homepage https://doi.org/10.5067/ASDC/SUBORBITAL/ACCLIP_Merge_WB leafmap.nasa_data_login() results, gdf = leafmap.nasa_data_search( short_name="ACCLIP_Merge_WB57
40110编辑于 2024-04-15 YOLOv9：重构实时目标检测的技术革命
在计算机视觉领域的快速演进中，YOLOv9的问世犹如一颗重磅炸弹，为实时目标检测技术树立了全新的里程碑。 从最小的YOLOv9-S模型在MS COCO验证集上达到46.8% AP，到最大的YOLOv9-E模型达到55.6% AP，这创造了目标检测性能的新标杆。2. 边缘设备部署优势YOLOv9的轻量化特性使其特别适合在边缘设备上部署。YOLOv9t和YOLOv9s模型在保持较高精度的同时，具有极低的计算开销，可以在移动设备、嵌入式系统中实现实时目标检测。 工业应用场景YOLOv9在工业应用中展现出巨大潜力，特别是在需要高精度和实时性的场景中：智能监控系统：利用YOLOv9的高精度检测能力，可以实现更可靠的安防监控自动驾驶：强化的小目标检测能力为自动驾驶系统提供更安全的环境感知工业质检 通过PGI的梯度信息编程能力和GELAN的高效层聚合技术，YOLOv9为目标检测系统建立了新的基准，在精度、速度和参数利用率方面都超越了现有的实时检测器。
83310编辑于 2025-11-06- 来自专栏Python 爬虫
【JS 逆向百例】复杂的登录过程，最新WB逆向
逆向目标 本次的逆向目标是WB的登录，虽然登录的加密参数没有太多，但是登录的流程稍微复杂一点，经历了很多次中转，细分下来大约要经过九次处理才能成功登录。 9.通过 passport url 登录 [08.png] 这是最后一步，也是真正的登录操作，GET 请求，请求接口就是第8步提取的 passport url，类似于：https://passport.xxxxx.com 返回的数据包含了登录结果、用户 ID 和用户名，类似于： ({"result":true,"userinfo":{"uniqueid":"5712321368","displayname":"tomb"}}); 自此，WB "pubkey": "EB2A38568661887FA180BDDB5CABD5F21C7BFD59C090CB2D245A87AC253062882729293E5506350508E7F9AA3BB77F4333231490F915F6D63C55FE2F08A49B353F444AD3993CACC02DB784ABBB8E42A9B1BBFFFB38BE18D78E87A0E41B9B8F73A928EE0CCEE1F6739884B9777E4FE9E88A1BBE495927AC4A799B3181D6442443 8.访问 crossdomain2 URL，提取 passport URL passport_url = get_passport_url(cross_domain2_url) # 9.
2.6K20发布于 2021-08-30 - 来自专栏人工智能前沿讲习
关于目标检测你需要看的9篇论文
关注文章公众号 回复"目标检测"获取本主题精选论文 目标检测是计算机视觉的核心任务之一。 Davis老师组继SNIP和SNIPER后又一力作，保持检测精度基本不掉的情况下，提高检测速度。该文章提出了一种高效的多尺度目标检测算法用于高效检测物体。 SSD相当于多尺度的RPN来做物体检测，它利用多个尺度的检测层，分别关联大小合适的anchor box，使得不同尺度的物体在合适的特征层上被检测。 检测算法基本确定， 后续相关工作多基于该算法进行改进，如FPN、R-FCN等目标检测算法。 推荐理由来自：尤安升 9 ??? ?
1.1K10发布于 2020-05-11 - 来自专栏云深之无迹
ST差破不全的STM32WB射频系列
前段时间我写了 STM32WB-双核无线多协议MCU 这个，现在把其它的物料也选完了，但是在这个BLE上面我犯了难。 但是我想要WB50这个型号，因为Flash勾搭，但是目前好像只有10C，还更贵一些。 只有最后一个型号。。。 别的买不到，应该是没有 10CC 320KB 外设够用 但是WB30,WB50的型号价格到了几十这个地方。 反而是WB55，也就是这个性能更加强大的型号，种类齐全。 前面的常规型号，可以负担 整板 35和55是一个系列 引脚还行，但不是最多的 还给一个USB 总之就是超值系列，没超值起来，反而是性能有些过剩的型号是OK的，那就WB55了。 /stm32wbx5/stm32wb55cg.html
23600编辑于 2025-03-13 - 来自专栏我爱计算机视觉
9ms 静默活体检测，小视开源工业级品质算法
小视科技团队开源的基于 RGB 图像的活体检测模型，是专门面向工业落地场景，兼容各种复杂场景下的模型。该自研的剪枝轻量级模型，运算量为 0.081G，在麒麟 990 5G 芯片上仅需 9ms。 图片来源：Forbes 为了抵御这种假脸攻击，小视科技团队开源了一个静默活体检测算法和可适用于安卓平台的部署源码，可兼容各种工业级复杂场景的活体检测。 活体检测技术能够抵御各种假脸的攻击，为人脸识别保驾护航。 小视科技团队开源的基于 RGB 图像的活体检测模型，是专门面向工业落地场景，兼容各种复杂场景下的模型。该自研的剪枝轻量级模型，运算量为 0.081G，在麒麟 990 5G 芯片上仅需 9ms。 活体检测的主要流程如图 2 所示。
2.6K10发布于 2020-07-20 - 来自专栏DIY
【电子DIY作品】基于Ai-WB2的电极式水位计
✪既然使用了Ai-WB2模组作为主控，设备不联网就太过可惜了，因此加入了网络功能。用户在对设备配网后，设备便连接上对应的MQTT服务器订阅了相关主题（可在代码中更改）。这样使得模块的拓展性大大增加。 主控采用Ai-WB2-12F模组。 本次项目的硬件需求为：●一路LED●一路按键检测●一路PWM输出●三路ADC采样●一路485通讯使用Ai-WB2-12F模组作为主控完美适配。 整体软件工作流程为：①设备上电，检测配网按键是否按下。②如果配网按键按下，则进入配网模式；设备会先开启STA模式连接存储的配网信息，连接不上wifi则会发出一个AP热点重新配网。 当然这个小项目还有些不足，受限于Ai-WB2的引脚数量，没有再做对应三个通道的DO有些可惜，虽然有些遗憾，但哪有完全完美的事物呢？这次的小项目就到这啦！！！
25200编辑于 2025-11-19
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