- 综合排序
- 最热优先
- 最新优先
- 来自专栏VRPinea
高通更新Spectra Module摄像头，用以优化VRAR应用
据VentureBeat透露，高通的Spectra Module摄像头又增加了一些新的功能。这些新功能不仅可以让智能手机实时捕捉三维图像和运动，还可以将数据转换成动态的数字形式。 Spectra Module摄像头使用了图像信号处理器（ISP），这一处理器的使用标志着某些智能手机及其他设备即将问世。 我们所推出的Spectra ISP将在一定程度上促进计算摄影、视频录制，以及需要精确的运动追踪的计算机视觉应用，都能通过我们的数字信号处理器得到有效的处理。”
67160发布于 2018-05-16 - 来自专栏DrugOne
哈佛医学院提出SPECTRA
为此，作者提出了SPECTRA，这是一种用于模型评估的框架。在给定某个模型和数据集后，SPECTRA会在跨划分重叠度不断降低的条件下绘制模型性能曲线，并将该曲线下面积用作衡量泛化能力的指标。 作者在18个测序数据集和表型上使用SPECTRA，并评估了19个最先进的深度学习模型的泛化能力。 针对这一问题，作者提出了SPECTRA框架：如图1b, d所示，SPECTRA通过生成跨拆分重叠度（即训练集与测试集的相似性）逐步降低的一系列拆分，并绘制模型性能的谱曲线（SPC），以此观察模型在不同重叠度下的表现 SPECTRA统一了模型评价和基准测试方法 图 2 如图2a所示，基于TAPE、PEER、PDBBind与ProteinGym等基准的元数据与相似度拆分方式仅占据SPC上的个别点位；通过SPECTRA可计算这些拆分对应的跨拆分重叠度 SPECTRA评估基础模型的泛化能力 图 5 如图5a所示，SPECTRA通过计算AUSPC评估基础模型在特定任务数据集上的泛化能力，并分析预训练数据集与任务数据集之间的重叠对泛化能力的影响。
23310编辑于 2025-01-14 - 来自专栏数据分析
资深博导：我以为数据预处理是常识，直到遇到自己的学生
[i, :] = (input_data[i, :] - fit[0][1]) / fit[0][0] return corrected_spectra# 应用MSCmsc_spectra = msc (spectra.values)# 可视化对比plt.figure(figsize=(12, 6))# 原始光谱plt.subplot(1, 2, 1)plt.plot(spectra.values.T SNVsnv_spectra = snv(spectra.values)# 可视化对比plt.figure(figsize=(12, 6))# 原始光谱plt.subplot(1, 2, 1)plt.plot (spectra.values.T, color='blue', alpha=0.1)plt.title('Original Spectra')plt.xlabel('Wavelength Index' input_data, axis=1) return detrended_spectra# 应用去趋势处理detrended_spectra = detrending(spectra.values
43000编辑于 2024-06-26 - 来自专栏R语言交流中心
R语言实现质谱峰的可视化
实例: spectra <- smoothIntensity(spectra,method="SavitzkyGolay",halfWindowSize=10) 3. estimateBaseline 实例： baseline <- estimateBaseline(spectra[[16]],method="SNIP",iterations=100) plot(spectra[[16]]) lines 实例： spectra <- removeBaseline(spectra,method="SNIP",iterations=100) plot(spectra[[16]]) ? 参数不再去多说，我们看下实例： spectra <- calibrateIntensity(spectra,method="TIC") plot(spectra[[16]]) ? 我们直接看下实例： spectra<-alignSpectra(spectra,halfWindowSize=20,SNR=2,tolerance=0.002,warpingMethod="lowess
4.3K31发布于 2019-07-31 - 来自专栏VRPinea
8.23 VR扫描：SPECTRA7获792万美元私募融资；苹果又出VRMR新专利
AR/VR芯片供应商SPECTRA7获792万美元私募融资 近日，AR/VR芯片供应商SPECTRA7宣布其已完成共计792万美元的私募融资。
70020发布于 2019-08-26 OmicVerse---bulk、单细胞、空间基础分析框架（重点是cNMF）
width_ratios, wspace=0, hspace=0) D = cnmf_obj.topic_dist[cnmf_obj.spectra_order , :][:, cnmf_obj.spectra_order]dist_ax = fig.add_subplot(gs[1,1], xscale='linear', yscale='linear', xlabel='', ylabel='', frameon=True)left_ax.imshow(cnmf_obj.kmeans_cluster_labels.values[cnmf_obj.spectra_order xlabel='', ylabel='', frameon=True)top_ax.imshow(cnmf_obj.kmeans_cluster_labels.values[cnmf_obj.spectra_order top')hist_ax.set_xlim(xlim)hist_ax.set_xlabel('Mean distance to k nearest neighbors\n\n%d/%d (%.0f%%) spectra
48820编辑于 2025-04-24- 来自专栏杨丝儿的小站
SP Module 6 Speech Synthesis – Waveform Generation and Connected Speech
non-mathematical illustration of the equivalence of convolution (in the time domain), multiplication of magnitude spectra , and addition of log magnitude spectra.
56020编辑于 2022-11-24 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA：GES DISC 的 ATMOS L1 光谱和运行日志 V3 (ATMOSL1)大气痕量分子光谱（ATMOS）1 级产品
ATMOS L1 Spectra and Runlogs V3 (ATMOSL1) at GES DISC 简介 这是第三版大气痕量分子光谱（ATMOS）1 级产品，包含 netCDF 格式的光谱和运行日志 ATMOS L1 Spectra and Runlogs V3. Greenbelt, MD, USA. ATMOS L1 Spectra and Runlogs V3. Greenbelt, MD, USA.
25710编辑于 2024-10-10 - 来自专栏大数据文摘
NEON“人造人”值得期待？借助三星炒作，没什么技术突破
Neon既是公司名称，又是这些“人工制造人”的称谓，它的技术核心可以分为两部分：Core R3和Spectra。 Spectra：真正值得期待的新技术 然后是Spectra：这个平台代表了这里真正的新技术。这是令人兴奋的科幻部分，旨在处理这些“人工制造人”的学习和情绪反应。 Spectra将从智力、学习、情感和记忆等方面，与CORE R3平台互补，给NEON赋能。不出所料，这是最难理解和得到直接答案的部分，也是这次发布中几乎缺失的部分。(这将成为公司今年的重点。) 如果公司的Spectra平台得以实现，他们将能够从经验中学习，并与人类交流和产生共鸣。 Mistry向Mat提到，他想像一个老人一样，“不想把事实公布于众，他们想要进行一次谈话”。
63510发布于 2020-02-14 - 来自专栏量子位
每秒超百万亿次运算，高通发布边缘推理芯片Cloud AI 100，骁龙730&665算力翻倍
骁龙730 & 730G：算力翻倍 骁龙730是高通骁龙700系列的第二款芯片，基于8纳米制程，内置Kryo 470 CPU，搭配Hexagon 688 DSP，Spectra 350图像信号处理器，Adreno 在图像处理方面，骁龙730是骁龙700系列中首个采用高通Spectra 350的移动平台，它支持独立设计的计算机视觉ISP（CV-ISP），与710相比在计算机视觉方面的整体功耗降低4倍，可以拍摄背景虚化的 骁龙665的Qualcomm Spectra 165 ISP面向AI而增强，可以支持直观的场景识别和HDR等自动调整功能。
1.5K10发布于 2019-04-22 - 来自专栏气python风雨
气候统计界的瑞士军刀——sacpy
它封装了一系列方法用于计算和分析一个时间序列的频谱特性，如计算功率谱(get_spectra)，拟合红噪声(get_red_noise)，以及获取基于红噪声理论的统计显著性曲线(get_rs_sig)。 它提供了额外的方法，如 get_cross_spectra 来获取两个信号的互相关性在频率域的表现，包括协方差、相位和相干度。此外，它也可以计算相干度的显著性(get_coh_sig)。 Spectral 分析器实例 spectral_analyzer = Spectral(x=x, M_length=256) # 计算功率谱 freq, Pxx = spectral_analyzer.get_spectra cross_spectral_analyzer = CrossSpectral(x=x, y=y, M_length=256) # 获取频率向量 freq, _, _ = cross_spectral_analyzer.get_spectra () # 计算交叉谱 covariance, phase, coherence = cross_spectral_analyzer.get_cross_spectra() # 绘制相干度 plt.figure
41610编辑于 2024-08-14 - 来自专栏气象学家
世界上首次用实测数据反演W和Ka波段的融化层衰减
本文相关文章“Melting Layer Attenuation at Ka- and W-Bands as Derived From Multifrequency Radar Doppler Spectra 334824089_Melting_Layer_Attenuation_at_Ka-_and_W-Bands_as_Derived_From_Multifrequency_Radar_Doppler_Spectra_Observations
1.3K30发布于 2021-02-07 - 来自专栏量子化学
红外光谱的理论计算
1266 1224 1280 1530 1480 1503 1864 1803 1744 2867 2773 2780 2927 2830 2874 四、谱图的绘制 点击Vibrations界面下方的Spectra Herzberg, Molecular Spectra and Molecular Structure II. Infrared and Raman Spectra of Polyatomic Molecules
6.7K10发布于 2020-07-27 - 来自专栏安智客
Meltdown、Spectre攻击---CPU乱序执行和预测执行导致的安全问题
攻击的危害 本质上讲Meltdown和Spectra都是基于侧信道的攻击，主要用于信息泄露，并不能对目标内存地址进行任意修改。 而Spectra攻击则利用目标程序的特殊结构，通过系统调用或者函数调用的方式控制其中的某个变量来达到泄漏目标程序（或内核）地址空间中内存内容的目的。 而文献[10]提出了利用内核即时编译(Just-in-time compilation)的特性进行提权攻击，正是由于即时编译出得代码具有Spectra攻击所需要的特殊结构。 而Spectra的防御就更加困难，借助编译器做程序分析，添加顺序执行指令（比如lfence，cpuid）是一种可能的方案。我们也会继续跟踪重要厂商对漏洞的修补，并对这些修补方式进行测试。 对于一般用户，只要不被执行恶意代码，比如不去访问恶意网站，就不会有不可信代码进入内存执行，就不会被Spectra和Meltdown攻击。
2.7K90发布于 2018-02-24 - 来自专栏脑机接口
eeglab教程系列(4)-绘制通道光谱图
绘制通道光谱图 在eeglab界面进行如下操作：Plot > Channel spectra and maps，会打开pop_spectopo.m界面。
74320编辑于 2022-08-17 - 来自专栏芯智讯
高通发布骁龙6 Gen1芯片：4nm制程，AI性能增加3倍
骁龙6 Gen1的CPU部分仍基于ARM v8指令集开发，8核定制Kryo（4xA78 4xA55），最高频率2.2~2.3GHz，GPU具体细节未知；显示单元支持1080P分辨率120Hz屏幕；3核Spectra
2.8K20编辑于 2022-09-07 - 来自专栏一臻AI
读完清华发布的104页DeepSeek，我悟出了6个真相（附下载）
真相四：深藏在提示语背后的SPECTRA模型 清华大学的研究团队提出了一个非常实用的SPECTRA模型，用于任务分解： Segmentation（分割） Prioritization（优先级） Elaboration
23700编辑于 2025-03-06 - 来自专栏脑机接口
eeglab中文教程系列(3)-绘制通道光谱图
绘制通道光谱图 在eeglab界面进行如下操作：Plot > Channel spectra and maps，会打开pop_spectopo.m界面。
1.3K00发布于 2019-10-14 - 来自专栏ADAS性能优化
Snapdragon 855 performance view
16-bit CH @ 1866MHz LPDDR4x 29.9GB/s 3MB system level cache ISP/Camera Dual 14-bit Spectra 380 ISP 1x 48MP or 2x 22MP Dual 14-bit Spectra 280 ISP 1x 32MP or 2x 16MP Encode/ Decode
50140编辑于 2022-05-13 - 来自专栏数据派THU
2022 年 5 篇与降维方法的有关的论文推荐
2、Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra Konstantin 2201.01919.pdf Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra
46510编辑于 2022-05-12
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