- 综合排序
- 最热优先
- 最新优先
- 来自专栏运维之路
风险感知（二）场景设计5要素
本篇接《风险感知（一）》，将采用数字化运维场景设计方法梳理风险感知场景的一些思路。 分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 试运行分析非实时的感知异常，所以上述两个时点属于阶段性的分析。 隐性环境重点指风险感知评估配套的工作流程机制，流程机制是为了场景设计能够有效落地提供的约束与保障，是为了明确场景协同人员的责权利。
1.4K20编辑于 2022-11-16 Rokid 的AI场景操作解析：从感知到场景落地技术实现
Rokid作为AR领域的先行者，构建了一套覆盖“感知-决策-执行-优化”的全栈AI技术体系，可高效支撑多场景下的智能交互需求。 一、全链路技术架构概览Rokid AI的核心价值，在于打破单一模态的局限，实现“感知-理解-决策-反馈”的闭环。 其技术架构涵盖多模态感知、AI决策引擎、场景化执行、用户体验优化四大核心环节，各模块协同支撑从交互触发到服务落地的全流程。 接下来让我们逐帧分析，在真实硬件里这段语音是怎么出声、怎么算功耗、怎么被用户感知为“反应快”。代码拆析：/** * 1. 有能力为用户打造出更自然、更智能、更贯通的全场景交互体验。
64410编辑于 2025-10-14- 来自专栏好用神器发现
hiflow场景链接器-实时疫情动态感知
现在腾讯云推出了一款神器-hiflow场景连接器，可以轻松的解决上述我们每天需要的问题，接下来我们一起来看看如何使用hiflow来解决我们的问题吧 我们来到hiflow场景连接器的官网，在模板中心找到
1K20编辑于 2022-09-11 - 来自专栏AI科技评论
今日 Paper | 动态图像检索；实时场景文本定位；感知场景表示；双重网络等
：从未标记的图像中学习3D对象感知场景表示 用于行人重识别的交叉分辨对抗性双重网络 Sketch Less for More：基于细粒度草图的动态图像检索 论文名称：Sketch Less for BlockGAN：从未标记的图像中学习3D对象感知场景表示 论文名称：BlockGAN: Learning 3D Object-aware Scene Representations from Unlabelled 发表时间：2020/2/20 论文链接：https://arxiv.org/abs/2002.08988 推荐原因 这篇论文提出了一个名为BlockGAN的图像生成模型，可以直接从未标注的2D图像中学习对象感知的 3D场景表示。 考虑到真实场景中摄像机和目标人之间距离不同可能会带来分辨率不匹配的情况，会降低行人重识别算法的表现。
1.1K40发布于 2020-03-05 - 来自专栏媒矿工厂
CVPR 2023 | MIME: 人物感知的 3D 场景生成
实验表明，MIME 生成的 3D 场景支持人物接触和运动，并能够在自由空间中填充可信的物体。 引言 图 1：从人物运动估计 3D 场景。给定 3D 人物动作，我们可以重建运动可能发生的 3D 场景。 我们的生成模型能够生成多个逼真的场景，这些场景考虑了人物的位置和姿势，并具有合适的人物-场景交互。 人类与周围环境处于持续的互动之中，例如在房间里行走、触摸物体、在椅子上休息、在床上睡觉等。 生成式人物感知场景合成 我们将 3D 场景 \mathcal{S} 表示为物体的无序集合，包含与人物接触的物体 \mathcal{O}=\{o\}_{i=1}^N 和无接触的物体 \mathcal 穿模损失、2D IoU 和 3D IoU 用于评估生成场景中人物与场景的交互。FID 分数和类别 KL 散度用于评估生成场景相较真实场景的真实性与多样性。 更多的接触人物作为输入，生成场景中将包含更多接触物体。更多的自由空间人物将导致场景中更少的物体。
62110编辑于 2024-01-23 - 来自专栏运维之路
风险感知场景（一）之“监控、拨测、巡检、可观测性”
“感知”与“决策、执行”共同组成了我对数据智能思维框架的三要素，打造数字化IT风险管理的风险感知场景将是数字化运维体系的重要方向。 风险感知场景关键的三点是：影响风险的客观信息组合、专家知识的融入、扩展到决策与执行的闭环。 风险感知是场景，将整合上述监控、拨测、可观测、巡检的一些基本能力，并基于场景需要构建工具需要具备的功能、流程机制，配套组织角色。 风险感知之所以能成为场景，在于风险感知在运维体系中是一个既能独立运作，又能与其他场景相结合产生更全面与深度的效能。 今天先把场景可能会使用到的平台能力做个介绍，通过吸收成熟的工具解决方案，为风险感知场景的构建提供帮助。
4.7K10编辑于 2022-11-16 - 来自专栏京东技术
技术解析 | 线下门店消费场景中的感知和互动
当顾客拿起衣服时增强终端会通过拿起感知技术来增强该商品的信息（比如播放该商品的音视频介绍、显示好评度和促销信息等），因为线下服装吊牌上信息太少，像服装风格、适用场景、用户评价等这些数据线下是缺失的，我们需要增强商品信息 用户选了自己喜欢的衣服后会拿到试衣间试衣，衣服上身后，希望能场景化和360度试衣，而让产品身临其镜就是提供沉浸式试衣，根据服装风格切换场景（背景/前景），解决试衣痛点，实现风格场景化试衣；了解自己穿的这套衣服是否适合某个场合 技术原则 场景化产品下的小前台式快速迭代 统一语言与一体化架构 测试的可视性与实时质量评估 复杂场景下的算法自适应能力与硬件稳定性能力 复杂多变需求适应能力：模型抽象+组件化+快速配置化+减法 弱网络服务稳定性保障 ：产品场景化、场景数字化、运营自动化 智能化：场景化迎宾&导购、基于人脸属性或风格的“千人千面”互动 体验“所见即所得”：装修、布局、屏与商品一体化、试衣镜/间、体验实时反馈 体验连贯性：从用户经过、靠近 、屏反光/亮度/触控体验 千店千面：平台化模板、多样化营销场景 产品驱动而非需求驱动 能力输出OR产品输出OR解决方案输出OR场景化解决方案 总结 在时尚数字化门店方面，我们从引客入店、逛店体验、试衣体验
1.5K30发布于 2019-05-05 - 来自专栏人工智能前沿讲习
【他山之石】CVPR 2024 | 3D开放世界场景感知理解新SOTA！
摘要 · 看点 场景级别的 3D 开放世界感知一直是一个饱受关注的问题，是具身智能和机器人领域非常重要的一个能力。 而且无需额外训练，RegionPLC 就可以和大语言模型如 GPT4 结合进行一些场景级别的开放问答，并借助 RegionPLC 的 grounding 能力分割出相应的类别，相应的和大语言模型结合的版本 结论 我们提出了 RegionPLC，一个综合的区域点云-语言对比学习框架，用于识别和定位开放世界 3D 场景理解中的未知类别。 此外，我们的区域感知点云-语言对比损失有助于从区域性描述中学习出具有独特性和鲁棒性的特征。 大量实验证明，RegionPLC 在室内和室外场景中明显优于先前的开放世界方法，并在具有挑战性的长尾或无注释场景中表现出色。
92710编辑于 2024-05-22 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知 可行驶区域的检测目前的一种做法是采用深度神经网络直接对场景进行分割，即通过训练一个逐像素分类的深度神经网络，完成对图像中可行驶区域的切割。
65020发布于 2020-07-28 场景感知驱动的下一代黑盒渗透Agent实战解析
构建基于业务逻辑链路的渗透智能体架构 针对传统黑盒渗透的痛点，通过“像攻击者一样思考”的逻辑，设计了基于场景感知的黑盒漏洞挖掘整体架构。 场景塑造（从页面理解业务逻辑）：将漏洞与业务强关联，提供上下文指引。 Agent根据历史请求推导功能点，构建API间依赖图（包括控制流如“登录->后台操作”，以及数据流如“下订单->修改订单”），生成具有特定业务场景属性的检测思路池。 落地复杂漏洞场景的POC自动化迁移验证 在实际的CTF靶场与复杂漏洞环境验证中，该方案展示了处理多步依赖与复杂载荷逃逸的实际业务价值： 多步逻辑漏洞利用（XBEN-022/025）：在面对“文件上传-> 在注册场景（XBEN-025），成功识别并利用了处于注册控制流最后一步的SSTI渲染漏洞。
35110编辑于 2026-04-04- 来自专栏技术汇总专栏
面向多房间场景的分布式智能家居感知型 Agent 设计
面向多房间场景的分布式智能家居感知型Agent设计引言随着物联网(IoT)与人工智能技术的发展，智能家居已经从单一的语音控制或定时器自动化，逐渐演变为能够自主感知、智能决策并执行操作的系统。 本文将以一个示例智能家居系统为例，详细讲解感知型Agent的感知→决策→执行完整流程，并提供Python代码示例，展示其核心实现逻辑。 用户感知：通过摄像头或红外传感器识别用户动作或位置。事件感知：检测门窗状态、烟雾报警等异常事件。 分布式执行在大户型或多房间场景中，Agent可部署分布式执行模块，实现多设备协同控制。用户反馈循环通过记录用户手动操作反馈，优化决策模块的偏好参数，实现自适应系统。 总结本文展示了一个面向智能家居场景的感知型Agent的设计与实现。
21210编辑于 2026-01-10 - 来自专栏大数据-BigData
直播、游戏等全场景联防联控，B站精准流量感知风控实践
今天的介绍会围绕下面四点展开： 互联网风控概述 精准感知流量 全场景联防联控 总结 01 互联网风控的概述 首先从宏观上介绍风控。 1. 数据化感知黑产 图片 上图是一个如何感知黑产的示例。如左图所示，每日人数在2000左右，但在第五天，人数突破5000，如果没有做特别的宣推，那么就存在被攻击的可能。 分层级识别对抗黑灰产 图片 首先是感知风险，通过情报搜集、指标监控、异常检测等手段来感知风险。 第二是识别风险，可以通过策略算法召回。 第三步处置风险，包括实施拦截、用户封禁、提现拦截等等。 单场景和跨场景识别 图片 单场景指的是在单一活动中形成一套策略体系，识别风险。 图片 B站的场景非常多，有一些场景很相似，有些则互相影响，需要进行联防联控。 然后讲到了在真实的业务场景当中怎么根据一些指标和统计趋势来感知风险，监测流量的异常情况，当然还有一些第三方的情报也是很重要的。
2K10编辑于 2022-08-30 - 来自专栏机器之心
ECCV 2018 | 旷视科技提出统一感知解析网络UPerNet，优化场景理解
本文介绍了旷视科技被 ECCV 2018 所接收的一篇论文，该论文提出了一种用于场景理解的统一感知解析网络——UPerNet。 可见，从材质、纹理的视觉感知到物体及其部分的语义感知，我们对这一视觉场景的描述是多层次的。 ? 图 1：针对 UPP 训练的神经网络可一次性解析不同感知层次的视觉概念，比如场景、物体、部分、纹理、材质等。 比如，物体检测和场景识别已达到人类水平，解析和分割的精确度可至像素级；纹理和材质的感知与识别同样有着充分的研究。 比如 ADE20K 数据集用于场景解析，DTD 数据集用于纹理识别，OpenSurfaces 数据集用于材质和表面识别。其次，不同感知层面的注解也是混杂的。
2K20发布于 2018-09-20 - 来自专栏hotarugaliの技术分享
感知机
感知机学习由训练数据集求得模型参数 和 ；感知机预测则根据学 习到的模型对新的输入实例给出其对应的输出类别。 3. 策略 给出了感知机模型的定义后，下一步便是探究这个模型是否能够有效地实现分类目标。为此，我们先给出一个条件假设：数据集的线性可分性，然后基于此此假设验证感知机的有效性。 3.2 感知机的学习策略 假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面 ，即确定感知机模型参数 和 。 算法 上述学习策略验证了感知机在线性可分数据集上的有效性，下面就是要给出如何在训练数据集上具体实现感知机学习过程。感知机学习问题有两种形式，一种是最直观的原始形式，一种是原始形式的对偶形式。 算法：感知机学习算法的对偶形式 输入：训练数据集 ，其中 ， ；学 习率 ； 输出： ；感知机模型 。
96520编辑于 2022-04-25 - 来自专栏hotarugaliの技术分享
感知机
image.png
73920编辑于 2022-05-11 - 来自专栏全栈程序员必看
多层感知机实现(单层感知器和多层感知器)
前面利用了softmax来对图像进行分类，也可以使用多层感知机的方法对图像进行分类。 多层感知机从零开始实现方法 多层感知机（ multilayer perceptron ， MLP），在单层神经网络的基础上引入了一到多个隐藏层（hidden layer）。 因 此，多层感知机中的隐藏层和输出层都是全连接层。 我们将使用多层感知机对图像进行分类。 然后我们实现上一节中多层感知机的计算表达式。
1.5K10编辑于 2022-07-31 - 来自专栏全栈程序员必看
多层感知机理解(多层感知机原理)
一.网络的原理和结构 多层感知器(Muti-Layer Percetron)和卷积网络(Convolutional Neural Network)。 这两种网络都属于前馈型网络(Feedforward network)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础， 好在我对神经网络的了解是从卷积神经网络开始的 ，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型： 如何设计一个网络，输入代表像素的值，输出0-9之间的一个正确的数字 先把神经元当做数字
2K50编辑于 2022-07-26 - 来自专栏CVer
SegLink++：基于实例感知与组件组合的任意形状密集场景文本检测方法
该论文提出一种对文字实例敏感的自下而上的文字检测方法，解决了自然场景中密集文本和不规则文本的检测问题。 一、研究背景 近年来场景文字检测工作主要分为两大类：自上而下的方法和自下而上的方法。自上而下的方法主要借鉴的是通用物体检测的思路，并且根据文字的特点设计相应的检测模型。
2.2K10发布于 2019-12-27 - 来自专栏AI
基于 YOLOv8 的农业场景下的人与农机智能感知系统
农业场景下的人与农机智能感知实践：基于YOLOv8的视觉识别系统落地方案一、问题背景：为什么农业需要视觉AI？在农业生产与农村管理场景中，“人”和“农用车辆”是最核心、最频繁出现的两类目标。 然而，农业视觉场景通常具备以下特点：拍摄环境开放，光照变化剧烈人员姿态多样，遮挡情况复杂农用车辆外观差异大、尺度变化明显场景背景杂乱，干扰目标多传统基于规则或背景建模的方法在此类环境下稳定性不足，而深度学习目标检测模型在复杂视觉环境中表现出更强的鲁棒性 ，尤其是在远距离、小目标场景下。 四、YOLOv8在农业场景中的应用优势YOLOv8相比传统YOLO版本，在农业视觉任务中具备明显优势：Anchor-Free架构减少对先验框设计的依赖，更适合尺度变化大的农田场景。 七、典型应用场景分析该农业视觉AI系统可广泛应用于以下场景：农田作业过程监控农机运行统计与管理农村道路安全巡查农业智能化示范项目在此基础上，还可以进一步融合GPS、时间序列数据或物联网设备，构建更完整的智慧农业系统
13710编辑于 2026-02-27 AI驱动场景感知黑盒漏洞挖掘：腾讯云XBOW平台赋能高效渗透测试
企业面临渗透测试效率低、攻击链构建能力弱、多步骤复杂流程自动化完成度不足等问题，难以平衡漏洞检出率与误报率，且缺乏对真实场景中攻击链串联的支持。 部署XBOW解决方案 腾讯云推出XBOW应用安全平台，以“AI驱动+场景感知”为核心，提供下一代黑盒渗透方案： 架构设计：采用分布式Agent架构，任务管理与执行解耦，支持多平台多节点Agent统一调度 （来源：腾讯云安全众测）；集成场景感知Agent，覆盖URL攻击面发现、API漏洞批量测试、业务逻辑理解全流程。 Why Tencent：技术领先性与实战沉淀 技术架构：分布式Agent架构获腾讯云黑宫松挑战赛验证，支持多节点调度与任务解耦；场景感知黑盒漏洞挖掘方案通过“URL→攻击面→API→漏洞”数据流，提升侦查覆盖率 实战验证：方案落地腾讯安全众测、国家护网等场景，支撑520个Agent资源管理，降低运维成本（Ops Cost）与误报率，提升开发效率（来源：腾讯云安全众测Agent管理数据）。
28420编辑于 2026-04-06
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