- 综合排序
- 最热优先
- 最新优先
打破数据孤岛：TCHouse-D如何助力企业实现多源用户行为数据的深度融合分析
然而，企业面临的最大挑战往往不是数据太少，而是数据太多且分散——订单交易数据沉睡在业务数据库，财务数据独立成册，用户在前端的每一次点击、停留（埋点数据）被记录在日志系统，销售与市场投放数据又散落在不同平台 它基于业内领先的 Apache Doris 内核构建，为企业提供了一个统一、高效、易用的实时数据分析平台，能够无缝整合上述多源异构数据。 一、 一站式数据整合，打破孤岛 TCHouse-D 支持从多种数据源进行数据抽取、清洗和导入。 其兼容 MySQL 协议的特性，意味着业务人员可以使用熟悉的 SQL 语言直接进行跨数据源的关联查询与分析，无需学习新的编程语言或理解底层复杂的数据构造，极大降低了数据使用的门槛。 腾讯云数据仓库 TCHouse-D 以其强大的多源数据融合能力、极致的实时分析性能、弹性灵活的资源配置以及企业级的安全可靠性，为企业构建了一站式的实时数据分析中枢。
14310编辑于 2026-03-20- 来自专栏联远智维
柔性传感器——多源信息融合
support_redirect=0&mmversion=false 附1、非常欣赏本论文的表达形式：把传感器与具体的应用场景糅合起来，通过视频的方式，让大众能够直观了解到该传感器的价值~ 附2、认同多源信息融合是传感器发展的方向
81220编辑于 2022-01-20 - 来自专栏腾讯高校合作
Wiztalk | 刘勇 《多源融合SLAM：现状与挑战》
多源融合SLAM：现状与挑战 简介：协同定位与建图（SLAM），相信大家对这个概念应该都很陌生，但在机器人身上，这可是一项重要的技术。
1.1K20发布于 2021-02-07 怎么处理多源异构数据？搞不清楚就别谈数据融合！
备选标题：从数据融合来看，多源异构数据怎么处理？多源异构数据怎么处理？当然是从数据融合开始！数据融合视角下，多源异构数据如何高效处理？想搞数据融合，第一步就卡壳？问题很可能出在“多源异构数据”上！ 先把多源异构数据的概念和分类搞明白，后面才好说怎么处理。1. 先搞懂概念：什么是多源异构数据？（1）先来说清楚“多源”：简单来说，“多源”就是数据来自不同地方。 二、处理多源异构数据时的问题了解了多源异构数据的基本情况和类型，接下来就得说说实际处理中会遇到的问题了。这些问题要是解决不了，后面的融合根本无从谈起，很多团队卡壳往往就是栽在这些地方。 三、怎么融合处理多源异构数据？处理多源异构数据，千万别一上来就想着“把所有数据都整成一样的”。说白了，融合不是为了融合而融合，得看你最终要解决什么问题，“以终为始”才是关键。 简单总结一下：不同融合深度怎么选？要注意：别一上来就追求深度融合，先想清楚要解决什么问题，够用就行。
80810编辑于 2025-08-15- 来自专栏CSDN 迁移文章
【机器学习】多模态AI——融合多种数据源的智能系统
多模态AI（Multimodal AI）通过结合多种数据源（如文本、图像、音频等）来提升模型的智能和表现，适用于多样化的应用场景，如自动驾驶、医疗诊断、跨语言翻译等。 通常，研究者会借助深度学习中的特征提取技术（如卷积神经网络用于图像、Transformer用于文本），为每种模态构建特征表示，再通过拼接、加权融合或注意力机制将它们结合在一起。 因此，多模态AI不仅需要处理异构数据的融合问题，还要具备鲁棒性，以应对现实中可能出现的数据缺失和不一致情况。 二、多模态AI的应用场景 多模态AI通过整合多种数据源，提升了AI系统对复杂任务的理解和处理能力，在各类行业中展现出了广泛的应用前景。 自动驾驶 自动驾驶技术高度依赖多模态数据的融合。 六、总结 多模态AI是未来智能系统的发展方向之一，通过融合不同类型的数据源，它让模型能够从多个维度理解和解决复杂问题，大幅提升了性能与智能化水平。
2.6K10编辑于 2024-10-15 - 来自专栏点云PCL
多帧数据融合思路
一.对数据的输入 A、如何获取你的点云数据（使用什么设备，查找相应设备的介绍，设备的精度、稳定度、抗噪能力、数据的可视深度范围等，采用无标记点融合，或标记点融合；要考虑多帧数据之间的旋转角度）； B、如何将你的数据对象从环境中分割出来 （识别分割、手动分割CC），深度学习若能做分割，并且针对特定对象的效果还行的话，再结合PCL做多帧数据的融合，是一个创新点（前提是提高效率）； C、对数据的输入输出要掌握，一般程序都是一样的，复制粘贴即可 二、对数据的预处理（融合肯定至少两帧数据） A、数据是否有噪声：根据噪声的类别，选择合适的算法进行去除（直通滤波、条件滤波、统计滤波、双边滤波等等）； B、数据是否需要下采样：体素栅格滤波（参数的设置， 根据自己的目的，参考北航出的国内唯一一本PCL的书，同时兼顾PCL官网的更新内容）； B、精配准执行前的准备：是否建立空间拓扑关系（一般需要建立，加快计算速度）； C、是否需要剔除错误点对（一般需要剔除，提高融合精度 书以及官网都可查阅）； D、执行计算，并输出精配准融合点云对象，输出精配R和T，输出精配时间，并可视化（保存或可视化都行）。
2.5K20发布于 2019-07-30 - 来自专栏气象杂货铺
利用AI自动融合多源数据并实时更新极端自然灾害信息
以前发现和处理与事件相关的卫星图像至少需要几个小时的工作，并且需要对遥感数据有很好的理解，以自动化的方式开箱即用是向前迈出的一大步。 每个事件都带有一个摘要、元数据和相关文章列表。这些数据既可以直接被DToN(摘要、相关文章、新闻来源)使用，也可以作为进一步处理步骤(大致位置、日期、关键字)的输入，以找到最相关的卫星图像。 确切的地点和时间 为了在应用程序中表示事件，我们需要将其链接到卫星数据。为此，有两项信息很重要——(确切的)地点和日期。 目前，很多问题都是采用机器学习来解决，比如深度学习甚至生成对抗网络(GAN)等。然而，在我们的团队中，我们总是试图为挑战找到最简单的解决方案，而不一定是最新的技术，我们只在必要时才使用AI方法。 DToN利用来自全球的多源数据，通过AI分析和自动链接，可以为记者、决策者、分析师、保护组织以及感兴趣的公众提供附加价值。 DToN目前正处于测试阶段，但已对外发布，可以访问探索。
98110编辑于 2022-09-23 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
基于多源数据融合方法的中国1公里土地覆盖图（2000）
简介： 基于多源数据融合方法的中国1公里土地覆盖图（2000）在评价已经有土地覆盖数据的基础上，将2000年中国1:10万土地利用数据、中国植被图集(1:100万)的植被型分类、中国1:10万冰川图、中国 1.0 * @Contact : 400-890-0662 * @License : (C)Copyright 航天宏图信息技术股份有限公司 * @Desc : 加载基于多源数据融合方法的中国 1公里土地覆盖图（2000） */ // 加载基于多源数据融合方法的中国1公里土地覆盖图（2000） var images = pie.ImageCollection("TPDC/MICLCOVER2000 基于多源数据融合方法的中国1公里土地覆盖图（2000）. 国家青藏高原科学数据中心, DOI: 10.11888/Socioeco.tpdc.270467. 基于多源数据融合方法的中国1 km土地覆盖分类制图. 地球科学进展, Issue(2), 192-203. 2.Ran, Y. H. , Li, X. , Lu, L. , & Li, Z.
33910编辑于 2024-02-02 数据湖技术深度分析：Serverless 计算与多引擎查询的融合
在数据湖技术的快速发展中，Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速能力成为衡量数据湖解决方案的关键指标 腾讯云数据湖计算 DLC 功能亮点 腾讯云数据湖计算 DLC 提供了 Serverless 计算能力，用户无需管理底层资源即可进行大数据处理。 同时，它提供了统一的元数据管理和权限控制，简化了数据治理流程。 其他功能 DLC 还支持数据目录功能，帮助用户更好地组织和管理数据。其数据加速能力，通过智能缓存和数据预处理，提升了查询性能。 技术实现 DLI 通过统一的元数据管理和权限控制，实现了数据湖的集中管理。它还支持湖仓一体架构，简化了数据存储和计算的复杂性。 总结 Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速能力是现代数据湖解决方案的核心。
29010编辑于 2025-07-28数据湖技术深度分析：Serverless 计算与多引擎查询的融合
本文将对数据湖计算、Serverless 计算、大数据分析、数据湖管理、统一数据分析等领域的关键技术进行深度分析和对比，旨在为企业提供全面的技术选型参考。 多引擎查询（Spark/Presto/Flink） 多引擎查询能力使得数据湖可以支持多种计算引擎，以适应不同的数据处理需求。 统一元数据 统一元数据管理可以简化数据湖中的数据管理，提高数据的可发现性和一致性。 腾讯云数据湖计算 DLC：提供了统一的元数据管理，支持跨多种数据源的数据发现和查询^1。 数据目录 数据目录可以提高数据湖中数据的可发现性和可管理性。 腾讯云数据湖计算 DLC：提供了数据目录服务，支持数据资产的统一管理和发现^1。 总结 本文对数据湖技术的关键领域进行了深度分析和对比，包括Serverless计算、多引擎查询、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速等功能。
21110编辑于 2025-07-28数据湖技术深度分析：Serverless 与多引擎查询的融合之道
Serverless 计算、多引擎查询（如 Spark、Presto、Flink）、统一元数据管理、统一权限控制、湖仓一体架构、数据目录、弹性伸缩能力和数据加速能力，这些技术点共同构成了现代数据湖的核心竞争力 本文将对市场上主流的数据湖产品进行深度分析和对比，探讨它们如何在这些关键技术上实现突破和创新。 支持多引擎查询，包括 Spark 和 Flink，方便用户进行复杂的数据分析。 技术实现： 通过统一元数据和统一权限管理，Data Lake Analytics 提供了数据湖的安全管理。 多引擎查询能力包括 Spark、Flink 和 Presto，满足了多样化的数据处理需求。 技术实现： DLI 通过统一元数据管理简化了数据湖的构建和管理。 总结 Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速能力，这些技术点共同塑造了现代数据湖的核心竞争力。
23110编辑于 2025-07-28- 来自专栏深度学习和计算机视觉
多模态深度学习：用深度学习的方式融合各种信息
重磅干货，第一时间送达本文转自|视觉算法 导读 使用深度学习融合各种来源的信息。 ? 多模态数据 我们对世界的体验是多模态的 —— 我们看到物体，听到声音，感觉到质地，闻到气味，尝到味道。 模态是指某件事发生或经历的方式，当一个研究问题包含多个模态时，它就具有多模态的特征。为了让人工智能在理解我们周围的世界方面取得进展，它需要能够同时解释这些多模态的信号。 多模态深度学习 虽然结合不同的模态或信息类型来提高效果从直观上看是一项很有吸引力的任务，但在实践中，如何结合不同的噪声水平和模态之间的冲突是一个挑战。此外，模型对预测结果有不同的定量影响。 多模态深度学习的例子，其中使用不同类型的神经网络提取特征 这种方法的问题是，它将给予所有子网络/模式同等的重要性，这在现实情况中是非常不可能的。 ? 准确性和可解释性 我们在两个现实多模态数据集上得到了SOTA： Multimodal Corpus of Sentiment Intensity(MOSI) 数据集 —— 有417个标注过的视频，每毫秒标注的音频特征
1.9K20发布于 2021-08-06 - 来自专栏算法进阶
多模态深度学习：用深度学习的方式融合各种信息
作者：Purvanshi Mehta 编译：ronghuaiyang 导读 使用深度学习融合各种形式的信息。 多模态数据 我们对世界的体验是多模态的 —— 我们看到物体，听到声音，感觉到质地，闻到气味，尝到味道。模态是指某件事发生或经历的方式，当一个研究问题包含多个模态时，它就具有多模态的特征。 多模态深度学习 虽然结合不同的模态或信息类型来提高效果从直观上看是一项很有吸引力的任务，但在实践中，如何结合不同的噪声水平和模态之间的冲突是一个挑战。此外，模型对预测结果有不同的定量影响。 多模态深度学习的例子，其中使用不同类型的神经网络提取特征 这种方法的问题是，它将给予所有子网络/模式同等的重要性，这在现实情况中是非常不可能的。 准确性和可解释性 我们在两个现实多模态数据集上得到了SOTA： Multimodal Corpus of Sentiment Intensity(MOSI) 数据集 —— 有417个标注过的视频，每毫秒标注的音频特征
41510编辑于 2023-08-28 - 来自专栏AI SPPECH
019_具身人工智能的跨模态感知与安全融合：从多源数据到协同防御的深度解析
然而，这种多源数据融合也带来了复杂的安全挑战。本章将深入探讨具身AI的跨模态感知原理、技术实现以及安全融合机制，从多源数据采集到协同防御策略，全面解析这一前沿领域的技术发展与安全保障。 具身AI中的模态类型 现代具身AI系统集成的主要感知模态： 感知模态 传感器类型 数据特征 主要挑战 安全考量 视觉 摄像头、深度相机、红外相机 图像、视频、深度图 光照变化、遮挡、欺骗 图像对抗样本、 多视图学习：将不同模态视为数据的不同视图 2. 安全培训与模拟：基于多模态数据的安全培训 3. 隐私保护措施：保护患者隐私的多模态数据处理 4.
50910编辑于 2025-11-19 数据孤岛终结者：这5款BI工具让多源数据无缝融合，首选竟是它！
##摘要 在数据驱动的商业环境中，支持多源数据接入的BI工具已成为企业打破信息孤岛的关键。本文深入对比了5款主流BI产品的数据连接能力、功能特点及适用场景，并重点推荐了腾讯云BI的全面数据集成方案。 据IDC最新统计，2024年中国本土BI软件市场规模已突破150亿元，但能真正让数据深度服务于业务决策的企业仍不足四成。 选择一款支持多数据源接入的BI工具，已成为企业实现数据驱动的首要任务。 BI工具的多源数据支持能力直接决定了企业能否快速整合这些分散的数据资源，形成统一的分析视图。 应用，Excel等近50种 自然语言交互、多源数据快速集成 深度适配 云端、本地混合部署 Superset MySQL、Oracle、Redshift、Drill、Hive、Impala、Elasticsearch 选择一款真正支持多源数据融合的BI工具，无疑是迈向这一未来的关键一步。
39010编辑于 2025-12-01- 来自专栏WeOps
嘉为蓝鲸WeOpsV5.21&V4.21：AI融合多源数据，智能问答精准解答
：提供更专业的主机/数据库/中间件监控详情视图拓扑图拓展：点击网口信息展示专线监控指标详情等优化拓展那就具体看看这些新功能吧~02.AI-智能问答经过长期使用，WeOps平台已沉淀海量运维数据，如何通过 AI释放这些数据的深层价值是我们一直在思考的问题。 WeOps V5.21推出AI智能问答功能，通过分析平台积累的运维数据，为企业提供更精准、更贴合实际业务场景的智能解答。 目前已完成知识库问答功能，其他数据源（包括知识库、资产配置、监控告警等信息）的接入正在持续推进中。 WeOpsV4.21版本通过整合监控视图与仪表盘，用户可以直接在详情页查看关键指标，并以更直观的视图呈现数据，彻底改变以往单一折线图的展示方式。
30210编辑于 2025-04-21 水利调度“智慧脑”：融合多源感知数据与洪涝预报模型的实时决策平台
本文将聚焦三个高价值核心场景，深入剖析如何通过融合多源感知数据与智能预报模型，构建一个能真正实现实时、精准、可解释辅助决策的"水利调度智慧脑"。 随后，训练轻量级机器学习模型（如梯度提升树、图神经网络），使其能在秒级内，根据实时雷达反演与短临预报降雨数据，直接预测未来1-3小时内城区网格化积水深度、范围和演进过程。 技术架构核心：支撑三大场景的"智慧脑"引擎上述三大高价值场景的实现，依赖于平台底层统一的强大引擎，即"智慧脑"的核心构成：1.多源异构数据融合中心：具备强大的数据接入、治理和实时处理能力，能够统一纳管物联网监测数据 、遥感数据、气象网格预报、业务系统数据等，为上层应用提供高质量、标准化的数据服务。 通过在城市内涝应急、流域防洪调度、水生态管理等核心场景的深度融合应用，这个融合了多源感知数据与智能预报模型的实时决策平台，正在证明其价值：它让水利调度从依赖个人经验的"艺术"，转变为融合集体知识与先进算法的
23010编辑于 2026-03-03- 来自专栏灯塔大数据
深度|大数据助推媒体融合
现在，媒体融合不仅仅要在公路建设、平台开辟方面发力，大数据能够创造更加优质的内容，这才是大数据与媒体融合的关键。 传播行业多少年来都因技术而发生转折，这一规律在新闻媒体上尤为突显。 新媒体形成了新的时代特点——多点并发，特别是微传播，用户随时随地可以获得信息，这就要求传统媒体多生产短小精干、引人注目的信息，在传播中抢占先机，形成自己的新发展优势，抢占制高点。 准确地说，数据媒体时代已经到来，根据目前的发展势头，预计今年年底数字媒体可以占比50%以上。 大数据技术是互联网数字化、云计算日益普及的条件下，融合发展的一个技术突破。 形象地说，大数据已经进入到互联网传播的内容层次上，大数据不是一般的技术，它已经能自己生产，它已经是内容的时代。 二、大数据改变了传播的思路。 以大数据为核心的媒体融合，关注的是内容生产。 从中央两年来所出台的系列媒体融合的政策，可见大数据背景下媒体融合问题摆在中央的议事日程和重要位置。 内容来源：大数据观察
875100发布于 2018-04-09 数据湖技术深度分析：Serverless 计算与多引擎查询的融合之道
Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩以及数据加速能力成为衡量数据湖解决方案的关键指标。 本文将对腾讯云数据湖计算 DLC、Serverless 数据湖、云原生数据湖阿里云Data Lake Analytics、AWS Athena、华为云DLI、Databricks Lakehouse 等主流产品进行深度分析和对比 其他功能：支持多种数据源接入，如对象存储 COS、云数据库等。 湖仓一体 功能亮点：实现数据湖和数据仓库的无缝集成。 技术实现：通过数据湖计算 DLC 与腾讯云数据仓库服务的深度集成。 其他功能：支持数据的冷热分层存储，优化存储成本。 这些技术不仅提高了数据处理的灵活性和效率，还为企业提供了更好的数据管理和分析能力。随着云计算技术的不断进步，我们期待这些技术能够进一步融合和发展，为企业数字化转型提供更强大的支持。
28910编辑于 2025-07-28数据湖技术深度分析：Serverless 计算与多引擎查询的融合之道
Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速能力，这些特性共同构成了现代数据湖解决方案的核心。 本文将对市场上主流的数据湖产品进行深度分析和对比，探讨它们如何助力企业实现数据价值的最大化。 多引擎查询 支持Spark、Presto和Flink等多种计算引擎，实现对Hadoop、Hive等数据源的无缝查询。 统一元数据 提供了统一的元数据管理，简化了跨不同数据源的数据访问和分析。 多引擎查询 Athena主要基于Presto引擎，支持SQL查询，但不支持Spark或Flink。 统一元数据 与AWS Glue元数据服务集成，实现元数据的统一管理。 总结 Serverless 计算、多引擎查询（Spark/Presto/Flink）、统一元数据、统一权限、湖仓一体、数据目录、弹性伸缩和数据加速能力，这些特性共同定义了现代数据湖解决方案的能力边界。
24110编辑于 2025-07-28
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