- 综合排序
- 最热优先
- 最新优先
- 来自专栏后端/图像融合/机器学习/爬虫
DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记
Perceptual quality assess- ment for multi-exposure image fusion. 因为我的目的主要是想了解这个MEF SSIM损失函数，大家如果有兴趣的话建议好好读一下，非常好的论文 参考 [1] DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs
50210编辑于 2024-06-19 - 来自专栏卓文见识
信息泄露（Information Exposure）挖掘及实战案例全汇总
信息泄露（InformationExposure）漏洞是有意或无意地向未明确授权访问该信息的行为者披露信息。信息泄露是最为常见和普遍的漏洞之一，漏洞出现的位置、造成的危害有很大的差异性，以下列出的是Acunetix在扫描时列为范围内的漏洞，同一漏洞评级差距极大。
3.4K11发布于 2019-09-29 - 来自专栏网络安全技术点滴分享
Tenable Identity Exposure 3.77.14修复多个关键漏洞 - 安全通告
概要Tenable Identity Exposure 依赖第三方软件来提供基础功能。其中一些第三方组件（.NET、SQL和curl）被发现存在漏洞，供应商已提供更新版本。 Tenable Identity Exposure 版本 3.77.14 将 .NET Windows Server Hosting 升级至版本 8.0.21.25475，将 SQL Server 升级至版本 解决方案Tenable 已发布 Tenable Identity Exposure 版本 3.77.14 来解决这些问题。 安装文件可从 Tenable 下载门户获取：https://www.tenable.com/downloads/identity-exposure其他参考https://docs.tenable.com /release-notes/Content/identity-exposure/onprem/2025.htm#Tenable-Identity-Exposure-3.77.14-(2025-11-03
13410编辑于 2025-12-15 - 来自专栏ISP图像处理相关
【阅读笔记】信息熵自动曝光An Automatic Exposure Algorithm Based on Information Entropy
适当调整参数b可以提高收敛速度，并在最短的时间内找到最大信息量 五、参考文献 《An Automatic Exposure Algorithm Based on Information Entropy》
54610编辑于 2025-02-10 - 来自专栏基于深度学习的图像增强
Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images(TIP18)
这是一篇单一图像对比度增强的论文，传统的单一图像对比度增强方法包括基于HE和Retinex理论，但由于自然场景的复杂性和单张图像包含的信息有限，往往很难产生高质量的结果。因此有了基于多曝光图像序列的图像增强，主要有多曝光图像融合(MEF)和高动态范围图像堆叠（stack-based HDR image），再加上色调映射，但这些序列图像中会，存在模糊或者物体移动，导致得到的结果产生伪影。 为了解决上述问题，这篇文章构造了一个大规模的多曝光率图像数据集，包含不同曝光率的低对比度图像及其对应的高质量ref图像，这个对应的ref图像是通过现有的13中MEF和HDR堆叠等方法生成的效果最好的一种，这样就可以用一张图像作为输入，通过网络学习来达到MEF的目的，作者很巧妙地构造了这样一个数据集，使得单图输入也可以实现多图像输入的结果。 网络的设计也不是特别复杂，作者刚开始直接使用一个15层的网络端到端的学习，发现效果不是很好，然后参考了一些其他论文的方式，图像低频信息代表整体自然度，高频信息代表局部细节，先把图像分为高频和低频部分，对两部分分别进行增强，若直接合并两部分的结果效果不是很好，所以作者把增强后的两部分进行合并后再通过一个网络进一步增强，最终得到对比度增强的结果。训练的时候，先分别训练这两个stage，用第一阶段训练好的参数再来训练第二阶段的网络。两个阶段训练完后，移除第一阶段的两个loss，使用DSSIM作为loss来fine-tune整个网络。
1K50发布于 2020-06-03 - 来自专栏ISP图像处理相关
【阅读笔记】区域权重自动曝光Adaptive Weighted Exposure Algorithm Based on Region Luminance Detection
Adaptive Weighted Exposure Algorithm Based on Region Luminance Detection 一、背景 首先将整个成像视野划分为几个区域，然后通过独立判断识别目标在视野中的位置 识别目标区域的权重设置为0.8，其他8个区域为0.025 四、算法效果 各种灯光分布在靶体的LED灯板上可以清晰可见 四、参考文献 《Adaptive Weighted Exposure Algorithm
27410编辑于 2025-02-10 - 来自专栏深度学习自然语言处理
【ACL2019】最佳长论文阅读笔记，降低机器翻译中的exposure bias
作者在论文中提出了一种方法来解决文本生成当中的exposure bias问题，并应用到了机器翻译当中。 ? 背景知识 没做机器翻译的同学可能不知道为什么机器翻译中存在exposure bias的问题（后面我也会整理一下机器翻译的一些资料，虽然我也不知道什么时候有空填坑T-T），这里先解释一下exposure 但是在训练时使用的是Teacher Forcing，前一个词是从ground truth中得到的，而在测试时，前一个词是模型自己生成的，这就使得在训练和测试时预测出的单词实际上从不同的分布中得到的，这就是exposure 由于exposure bias的存在，在测试时，如果某一步出现错误，那么错误就会一直累积（因为训练时前一个单词总是正确的），最终导致生成不正确的文本。 ? 实验结果也证明了该方法在RNN和transformer的nmt模型中都对exposure bias 问题都能起到一定的改善作用，从而提高翻译模型的性能。
1.6K10发布于 2019-11-21 - 来自专栏数据挖掘
双向孟德尔随机化研究
<- log(ADHD_exposure_finn$OR)ADHD_exposure_finn$EAF <- (ADHD_exposure_finn$FRQ_A_38691 * ADHD_exposure_finn $id.exposure = "ADHD"ADHD_exposure_dat_clumped = ADHD_exposure_dat[ADHD_exposure_dat$SNP %in% ADHD_exposure_dat_clumped ,file = "data/AD/AN_exposure_finn.csv")AN_exposure_dat <- AN_exposure_finn#修改列名#去除连锁不平衡AN_exposure_dat_clumped $id.exposure = "AN"AN_exposure_dat_clumped = AN_exposure_dat[AN_exposure_dat$SNP %in% AN_exposure_dat_clumped $id.exposure = "TMD"TMD_exposure_dat_clumped = TMD_exposure_dat[TMD_exposure_dat$SNP %in% TMD_exposure_dat_clumped
44710编辑于 2025-03-10 - 来自专栏生信菜鸟团
【孟德尔随机化】文献复现（五）
PDE5的eqtl数据： eqtl<-extract_instruments('eqtl-a-ENSG00000138735' ,clump = F) eqtl<-eqtl$SNP[eqtl$pval.exposure < 5*10^-8 & eqtl$pos.exposure>gene_start-window & eqtl$pos.exposure<gene_end+window & eqtl$chr.exposure ==j&dat$id.outcome==i], sebetaYG=dat$se.outcome[dat$id.exposure==j&dat$id.outcome==i], betaXG =dat$beta.exposure[dat$id.exposure==j&dat$id.outcome==i], sebetaXG=dat$se.exposure[dat$id.exposure ==j&dat$id.outcome==i], rho=matrix[dat$SNP[dat$id.exposure==j&dat$id.outcome==i],dat$SNP[dat$id.exposure
86711编辑于 2024-02-26 - 来自专栏生信菜鸟团
GWAS数据没有提供eaf，如何是好……
dat_i$other_allele.exposure, dat_i$other_allele) if("effect_allele.exposure " %in% names(dat)) { name_output <- unique(c(names(dat), "eaf.exposure","reliability.exposure dat_i$reliability.exposure <- "high" } else { dat_i$eaf.exposure " && (is.na(dat$eaf.exposure[1])==T || is.null(dat$eaf.exposure)==T)){ r<-nrow(dat) setwd = "BETA_<em>exposure</em>", se_col = "SE_<em>exposure</em>", effect_allele_col ="EA_<em>exposure</em>", other_allele_col
14.7K24编辑于 2023-09-09 - 来自专栏机器人课程与技术
Cozmo人工智能机器人SDK使用笔记（3）-视觉部分vision
This example demonstrates the use of auto exposure and manual exposure for Cozmo's camera. Enabled: %s\n' % camera.is_auto_exposure_enabled text_to_display += 'Exposure: %s ms\n' % camera.exposure_ms demonstrate auto exposure for 5 seconds camera = robot.camera camera.enable_auto_exposure() + camera.config.max_gain) * 0.5 for exposure in range(camera.config.min_exposure_time_ms, camera.config.max_exposure_time_ms example_mode = "Manual Exposure - Increasing Gain, Fixed Exposure" fixed_exposure_ms = 10 for
84030发布于 2019-01-28 - 来自专栏生信菜鸟团
两样本孟德尔随机化：代码实操，一学就会
"="ea", "other_allele.exposure"="nea", "beta.exposure"="beta", "se.exposure"="se", "eaf.exposure F stat hyperten_liberal$r2 <- (2 * (hyperten_liberal$beta.exposure^2) * hyperten_liberal$eaf.exposure * (1 - hyperten_liberal$eaf.exposure)) / (2 * (hyperten_liberal$beta.exposure^2) * hyperten_liberal $eaf.exposure * (1 - hyperten_liberal$eaf.exposure) + 2 * hyperten_liberal$N * hyperten_liberal$ eaf.exposure * (1 - hyperten_liberal$eaf.exposure) * hyperten_liberal$se.exposure^2) hyperten_liberal
6.5K13编辑于 2023-09-09 - 来自专栏孟德尔随机化
使用TwoSampleMR进行孟德尔随机化分析
" # 读取数据exposure_dat <- read_exposure_data(filename=exposureFile, sep = "," N=dat[1,"samplesize.exposure"] #获取样品的数目dat=transform(dat,R2=2*((beta.exposure)^2)*eaf.exposure*(1 dat_input$SNP %in% Snp_Del,]write.csv(dat, "exposure_confounder.csv", row.names=F)6.结局数据处理Name_exposure = "SNP", beta_col = "beta.exposure", se_col = "se.exposure $exposure=Name_exposureoutcome_dat$outcome=Name_outcomedat<-harmonise_data(exposure_dat=exposure_dat,
15510编辑于 2026-02-24 - 来自专栏生信菜鸟团
TwoSampleMR：孟德尔分析（二）
hyperten_liberal$eaf.exposure * (1 - hyperten_liberal$eaf.exposure)) / (2 * (hyperten_liberal$beta.exposure ^2) * hyperten_liberal$eaf.exposure * (1 - hyperten_liberal$eaf.exposure) + 2 * hyperten_liberal $N * hyperten_liberal$eaf.exposure * (1 - hyperten_liberal$eaf.exposure) * hyperten_liberal$se.exposure ^2) * hyperten_stringent$eaf.exposure * (1 - hyperten_stringent$eaf.exposure)) / (2 * (hyperten_stringent $beta.exposure^2) * hyperten_stringent$eaf.exposure * (1 - hyperten_stringent$eaf.exposure) + 2
6.7K712编辑于 2023-09-28 - 来自专栏生物信息与临床医学专栏
多变量孟德尔随机化研究（MVMR）简介
之前我和大家简单讲过IVW的核心算法，R代码如下： lm(beta.outcome ~ beta.exposure, weights = 1/se.outcome^2, data = data) 在MVMR研究中，R代码如下 （以三个暴露为例）： lm(beta.outcome ~ beta.exposure1 + beta.exposure2 + beta.exposure3, weights -302") # 三个暴露分别是HDL cholesterol，LDL cholesterol和Triglycerides id_outcome <- "ieu-a-7" exposure_dat <- mv_extract_exposures(id_exposure) dim(exposure_dat) [1] 432 9 我们可以看一下暴露数据的格式，这里总共有144个SNP，每个SNP oucome_dat <- extract_outcome_data(exposure_dat$SNP, id_outcome) #提取结局数据 mvdat <- mv_harmonise_data(exposure_dat
8.7K22编辑于 2022-08-21 - 来自专栏今年是雕刻时光
Mendelian randomization(MR)
： setwd("C:/Users/76325/Desktop") exposure1 <- read.table("exposure.txt",header=T) 相关性设置：将exposure中P< 5e-08的观测筛选出来 exposure2 <- (exposure1,p<5e-08)#p为表中的变量名 将数据导出，进行数据预处理（保留分析所需栏(SNP/bata/se/effect_allele /other_allele/eaf/p)，对每一栏进行命名） write.csv(exposure2,file="exposure_RI.csv") 将数据重新读回R，名称为exposure_RI 重新整理数据 RI_exp_dat <- read_exposure_data(filename=exposure_RI,sep=",",snp_col="SNP",bata_col="bata", se_col= $SNP,outcomes = "ieu-a-7") dat <- harmonise_data(exposure_dat = exposure,outcome_dat = outcome) mr(dat
2.7K10编辑于 2023-12-19 - 来自专栏生信菜鸟团
【孟德尔随机化】工具变量对表型的解释率R^2
- 生物信息与育种 - 博客园 (cnblogs.com) 熟悉的TwoSampleMR包 但是这个方法计算得到的R^2和第一种方法得到的值不太一样~ Exposure$R2 <- (2 * (Exposure $BETA^2) * Exposure$AF1 * (1 - Exposure$AF1)) / (2 * (Exposure$BETA^2) * Exposure$AF1 * (1 - Exposure $AF1) + 2 * Exposure$N * Exposure$AF1 * (1 - Exposure$AF1)*Exposure$SE^2) Exposure$NR2 <- get_r_from_bsen (Exposure$BETA,Exposure$SE,Exposure$N) 目前没有看到用这个方法计算R^2的文章，如果大家看到的话，欢迎在评论区讨论呀~ method 3 候选区域所解释的遗传变异和表型变异的比例是通过多随机效应混合线性模型估算的
3.4K42编辑于 2023-10-16 - 来自专栏生信菜鸟团
孟德尔随机化：代码分享（二）
library(MRPRESSO) library(extrafont) library(anchors) 2自定义一个函数 留心看——load(paste0(deparse(substitute(exposure )), "_", deparse(substitute(outcome)), ".RData")) 这部分的数据就是上一次运行的结果，记得命名要规范，是以exposure_outcome.RData格式命名的 #'Creates table of IVW results for the exposure-outcome combination ivw_table = function(exposure, outcome ) { load(paste0(deparse(substitute(exposure)), "_", deparse(substitute(outcome)), ".RData")) dat dat[dat$mr_keep == TRUE, ]##只有mr_keep是TRUE的SNP才是真正用于计算MR结果的IV mr_object = mr_input(bx = dat$beta.exposure
3.5K41编辑于 2023-09-09 - 来自专栏用户10341667的专栏
MSDS物质安全数据表第8节要求各国工作场所职业接触限值标准
Standards for Airborne Contaminants （2011） 新西兰 Workplace Exposure Standards and BiologicalExposure Limit Values 比利时 Ocupational Exposure Limit Values 芬兰 Workplace Exposure Limits 法国 INRS, Occupational Exposure Limits To Dangerous Substanceshttp://www.inrs.fr/ 德国 TRGS 900, Limit Values in the Ambient Ministry of Manpower (Circular Letter No.: SE-01/MEN/1997) 爱尔兰 Occupational Exposure Limits 意大利 OELs 英国 COSHH Exposure Limit Values
96240编辑于 2023-03-10 - 来自专栏学习成长指南
数学建模----线性回归分析（引入热力图的绘制方法）
一个比较符合实际情况，这个也告诉我们贸然的删除数据，容易造成这个模型的失真，谨慎操作，岭回归和逐步回归后面我们还会介绍到的； 1.一元线性回归分析 ###问题的背景：我们想要探讨的就是这个广告的曝光量exposure ") # TODO 使用plt.scatter()函数 # 以df["exposure"]为x轴的值和df["new_user"]为y轴的值，绘制散点图 plt.scatter(df["exposure ") # TODO 使用corr()，计算"exposure"和"new_user"这两列的相关系数，赋值给变量r r = df["exposure"].corr(df["new_user"]) # ","hot","search"这三列，作为自变量x x = df[["exposure", "hot", "search"]] # 以二维结构读取"new_user"，作为因变量y y = df[[" ","hot","search"这三列，作为自变量x x = df[["exposure", "hot", "search"]] # 以二维结构读取"new_user"，作为因变量y y = df[["
52310编辑于 2025-02-24
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