- 综合排序
- 最热优先
- 最新优先
- 来自专栏PostGIS
PostGIS空间数据库之空间数据融合实践
前言 众所周知，熟悉GIS桌面软件的同学一定都知道，想要对空间中的两个或者多个地理数据进行融合，可以使用融合的工具。 比如在实际需求中，需要将某几个城市的空间数据进行融合形成新的数据以供查询分析。 第一种情况是空间不重叠融合，第二种是空间重叠融合，通过实际的例子来看一下在不同的空间关系中，两个函数的融合结果是什么样的。 1、不重叠融合 空间不重叠融合中，我们采用保存在PostGIS数据库中的城市信息进行实例开展，对长株潭三个城市进行融合。 2、空间重叠融合 首先我们准备两份空间上重叠的数据，我们可以采用一下的模拟数据进行展示。
12010编辑于 2026-05-30 基于视频孪生与空间智能深度融合的智慧城市解决方案
，打造 “1+1+1+N” 的视频孪生智慧城市一张图的视频孪生智能体，凭借空间智能对全空间要素的精准解析能力，赋能城市场景全空间要素时空一体感知、分析、预测、管控，辅助管理者开展科学决策与应急处置。 系统方案功能1、构建视频孪生城市一张图依托实景孪生平台，融合空间智能技术能力，综合运用城市 GIS 数据、三维模型数据、监控视频数据、物联感知数据、智能分析数据等多源数据，打造智慧城市指挥舱，实现城市的实景孪生一张图管理 3、城市事件风险预警识别处置系统与 AI 识别、周界告警、定位系统等子系统对接，借助空间智能的空间定位与态势研判能力，将各类风险预警事件与三维场景和视频监控等相关系统联动，实现在城市实景三维场景中对防区分布 5、城市道路交通数智化管理接入了城市双智交通数据，依托空间智能的多源数据融合分析能力，对最大车流量和最大排队长度进行实时感知。 6、城市态势分析系统通过接入实时热力数据，运用空间智能的空间分布与趋势预测算法，实现了片区内实时热力图和人员密度热力信息的展示。
26710编辑于 2026-01-13数字孪生交通方案|空间智能与视频孪生融合的智慧高速建设方案
作为空间智能应用的先行者与视频孪生技术的首倡者智汇云舟的视频孪生智慧高速解决方案，综合运用三维地理信息、人工智能、视频融合及空间智能等技术，实现高速公路路网数字化的全面升级。 利用三维视频融合与空间智能感知技术，将重点区域视频监控完全融入三维场景，全景、连贯、直观、立体掌控现场实景态势，提升监控查询和调阅效率，快速定位拥堵源头，研判现场态势，辅助指挥调度，降低工作压力。 四、安全应急管理：预警信息管理、应急指挥调度系统对接整合气象预报、高速水位监测、气象监测、拥堵事件监测、能见度监测、降雨量监测、降雪量监测、预警发布等高速预警信息，通过空间智能数据融合分析技术对数据进行统计分析 利用三维视频融合技术，实现服务区停车场区域的全景融合，帮助工作人员一张图整体掌控服务区实景态势，提升对服务区停车态势的管理能力。 本智慧高速方案基于3D-GIS+BIM+Video+AI+IOT+LI的技术路线，以三维地理信息引擎为核心，应用创新性的视频孪生融合空间智能技术，打造1+6+N的高速公路智慧化管控平台，实现运行管理、路产管理
43910编辑于 2025-12-26- 来自专栏3D视觉从入门到精通
MSFNet:多重空间融合网络进行实时语义分割（北航和旷视联合提出）
针对这一复杂的任务，论文提出了一种高效的卷积网络结构：多重空间融合网络（MSFNet）来完成快速和准确的感知。 MSFNet在多特征融合模块的基础上，利用类边界监督来处理相关的边界信息，从而获得空间信息，扩大接收范围。网络最后对原始图像1/8大小的特征图进行上采样，在保持较高速度的同时，可以获得良好的分割结果。 创新和改进点 1、论文提出了一种新的多特征融合模块（MFM），利用精心设计的空间感知池（SAP），在保持较小计算开销的同时，扩大接收范围，恢复空间信息的丢失 2、为了解决边缘相关空间信息的丢失问题，论文提出了一种新的类边界监控方法 MSFNet网络结构 MSFNet的这种结构扩大了感受野并重新弥补空间信息损失，同时保持较小的计算成本。MSFNet中的两个核心：MFM（多特征融合）和SAP（空间感知池化）。 ? ? 2、使用3x3的深度可分离卷积进行特征融合，由于聚合后通道数量很多，使用深度可分离卷积可以显著降低成本。
1.1K20发布于 2020-12-11 - 来自专栏技术汇总专栏
智能体动作空间的统一表征离散与连续动作融合策略
智能体动作空间的统一表征离散与连续动作融合策略一、引言在人工智能蓬勃发展的当下，智能体作为能够感知环境并执行动作以实现目标的实体，其性能的优劣直接关乎人工智能系统的成败。 而智能体动作空间建模，作为智能体决策与行为生成的基础，无疑处于人工智能技术体系的核心位置。动作空间，简单来说，就是智能体在特定环境中能够执行的所有动作的集合。 根据动作取值的特性，动作空间可分为离散动作空间和连续动作空间。 三、统一表示方法的技术原理3.1常见技术框架在智能体动作空间建模中，实现离散与连续动作统一表示的常见技术框架为混合框架，它有机地融合了离散模型和连续模型的优点。 在技术原理方面，基于常见的混合框架，如基于Actor-Critic的架构，在马尔可夫决策过程的数学框架下，融合了离散模型和连续模型的优势，实现了对离散动作和连续动作的统一处理。
33610编辑于 2025-10-25 视频孪生融合空间智能，赋能工业能源典型应用场景全景展示
视频孪生以“实时视频流+三维数字模型”为核心，实现物理世界与数字世界的动态同步；空间智能则凭借精准的空间定位、多维地理信息融合与智能分析能力，为数字孪生赋予“空间语义理解”的内核。 系统依托空间智能的多源数据融合与空间关联能力，联动产线设备监测数据、生产订单数据、能耗监测数据、人员定位数据等，帮助用户在孪生空间中直观掌控产线整体运行态势、各设备运行状态、生产订单详情、工作人员定位等 同时，融合空间智能与视频拼接融合技术，实现一张图浏览产线整体实景画面，设备位置精准标注、人员行为智能识别管理等，辅助用户实现精准高效的生产管理、运维管理、人员管理、能耗管理等，全面提升产线的数智化管理水平 四、核电基地场景的应用智汇云舟视频孪生核电一体智能化平台深度融合空间智能技术，以国产自主可控的三维地理信息系统（3DGIS）为核心，实现按经度、纬度、海拔等空间真实精准坐标位置，融合监控视频等多源异构数据 技术融合赋能价值：重构工业能源管理新范式视频孪生与空间智能的融合，不仅解决了工业能源领域传统运维的诸多痛点，更重构了行业管理的新范式。
36810编辑于 2026-01-06- 来自专栏脑电信号科研科普
EEGMEG-fMRI融合初识:在空间和时间上解析人脑反应
RSA的目标是通过将信号抽象到一个共同的相似性空间中，将不可公度的多元测量空间(如MEG传感器空间、fMRI体素空间或模型单元空间)联系起来。 总之，M/EEG和fMRI数据可以在共同的表征结构基础上相互关联(融合)，尽管信号源空间不适应。 下面，我们将详细介绍如何使用M/EEG-fMRI融合来揭示认知功能的时空动态性。 图1 识别空间和时间上的大脑反应 3. 视觉加工的时空动力学 M/EEG-fMRI融合的首次应用使用感兴趣区域(ROI)方法研究了视觉对象处理期间的时空处理级联。 该结果与腹侧视觉流作为分层处理级联，并证明了M/EEG-fMRI融合方法评估人脑在空间和时间上的反应模式的适用性。 图2 用于理解视觉处理的基于ROI的M/EEG-fMRI融合方法 第二个基本步骤是使用探照灯方法扩展到空间无偏分析（图3A）。
1.2K40编辑于 2021-11-29 - 来自专栏DeepHub IMBA
贝叶斯状态空间神经网络：融合概率推理和状态空间实现高精度预测和可解释性
条件路径将联合路径和边际路径的输出进行整合，通过对数空间的减法运算来计算最终的条件概率P(y∣X)。 BSSNN与现代状态空间模型（如Mamba架构）在理论层面具有深刻的概念联系。 在隐藏状态表示方面，联合路径和边际路径中的隐藏层可以被理解为对传统状态空间模型中潜在状态的神经网络近似。 正向预测实验：Y∣X建模与性能评估 本节详细展示了使用贝叶斯状态空间神经网络进行Y∣X预测的完整实现过程。 在反向推理任务中观察到的预测收敛现象也提示我们需要进一步研究更适合高维特征空间建模的网络架构。
37710编辑于 2025-08-20 - 来自专栏腾讯专有云
招联与腾讯达成合作，共同探讨未来数字金融合作新空间
十年来，双方共同见证了金融科技从基础架构到生态融合的跨越式发展。此次合作深化不仅是技术能力的叠加，更是双方对数字金融高质量发展路径达成的共识。 面向未来，腾讯与招联将聚焦形成云原生、融合创新、大数据、AI“四位一体”的能力象限，不断推动金融与科技的深度融合，共同探讨消费金融行业新一代的数智化创新架构体系，以数智化能力推动服务效率与用户体验提升，
44410编辑于 2025-04-02 - 来自专栏MixLab科技+设计实验室
建筑师跨界无人驾驶技术，探索空间设计与智能技术的融合
春芳：看官网介绍，反复出现的 “模块化移动空间” 具体是怎样的场景？ 喻川：汽车已经成为家和办公室之外的第三空间。 无人驾驶技术的出现，会进一步解放驾驶者，自主移动的第三空间在应用场景上充满想象，比如移动办公室、移动咖啡吧，移动酒店，移动的商店等等，这种空间的使用频率极有可能超过家和办公室。 PIX试图摆脱“汽车”的定义，把自动驾驶视为一种自主移动能力，这种能力将带给我们Robo-Space——“智能移动空间”，不仅仅是载客和物流，更多行业可以基于“智能移动空间”进行商业模式创新，这就像智能手机和功能手机 喻川：说服别人相信“智能移动空间”的未来，而又不至于让别人觉得你是“贾老板”可能是最大的困难。 春芳：无人驾驶的过程中，如何获得并处理行驶过程中的反馈数据？处理的算法是自己开发的吗，有什么相对优势？ 喻川：我的感觉仍然是在做本行，首先我们从城市和空间的角度来构建产品，我们官网的愿景也是“重构城市”，其次，我们在市场上也会和地产商、建筑师事务所合作。
1K20发布于 2019-03-14 - 来自专栏DrugAI
. | 融合跨样本多模态的空间转录组与代谢组整合
SpatialMETA 通过特定解码器与损失函数设计，实现模态融合、批次效应校正与生物学信息保持，从而获得可解释的 ST–SM 空间模式整合结果。 SpatialMETA 既支持单样本的 ST–SM 垂直整合，也支持多样本的联合整合，兼顾模态融合与批次效应校正。 其共享解码器与高斯损失设计显著增强了模态融合效果。 下游空间分析 SpatialMETA 能定量分析每个空间簇中 ST 与 SM 的贡献，从而揭示不同模态驱动的功能特征。 通过定制解码器与损失函数设计，模型在模态融合、批次校正与生物保持之间实现最佳平衡，为解析组织代谢异质性与空间微环境结构提供了新思路。 等结构，进一步融合空间与影像特征。
39220编辑于 2026-01-06 - 来自专栏软硬件融合
融合的系统，融合的计算
欢迎关注软硬件融合： 编者按 之前文章中，我们介绍过复杂计算的概念，今天又给出了一个新的概念：融合计算。两者的区别在哪里？复杂计算是对需求的描述，而融合计算是对解决方案的描述。 综合这三类虚拟化的共性价值： 虚拟化按照一定时间或空间的粒度，把资源切分和组合； 虚拟化屏蔽硬件架构/软件接口的差异性，为上层软件提供一致性的硬件/软件； 虚拟化为上层软件系统提供多种下层资源不同比例组合的运行平台 系统架构：比如开放精简的RISC-v，异构计算逐渐走向异构融合计算，以及驾驭复杂计算的软硬件融合等。 融合计算 = 异构融合 x 软硬件融合 x 云边端融合 融合计算是在三个维度融合基础上的再融合： X轴，异构融合。通过异构融合计算，把各类异构算力的价值发挥到极致。 Y轴，软硬件融合。 Z轴，云边端融合。跨算力中心、跨不同云运营商、跨云边端融合的计算。
62110编辑于 2024-05-13 空间智能与视频孪生的深度融合，将成AI攀登的下一座高峰
斯坦福大学教授李飞飞指出，当前以大型语言模型为核心的AI系统虽能熟练生成文字与图像，却困于“纸上谈兵”，缺乏对物理空间、因果关系和动态规律的真正理解。 然而而空间智能与视频孪生技术的深度融合，则正在打破“数字与物理”的世界边界，为AI构建起感知、理解、干预现实世界的全新能力维度，成为人工智能发展史上亟待攀登的下一座高峰。 空间智能，核心是让AI具备“空间感知与决策”的智慧，它通过融合传感器数据、地理信息、三维建模等技术，使机器能够精准定位、识别空间关系、预判空间变化；由智汇云舟首倡的视频孪生通过AI识别，精准捕捉视频图像中的静态环境与动态目标 这些技术的协同演进，让空间智能与视频孪生的融合从“理论可能”变为“工程可行”。人工智能的发展始终是在突破边界中前行——从感知世界到理解世界，从处理数据到干预现实。 空间智能与视频孪生的融合，让AI第一次真正“走进”物理空间，实现了数字世界与现实世界的精准对接。
24210编辑于 2025-12-03- 来自专栏MixLab科技+设计实验室
建筑师跨界无人驾驶技术，探索空间设计与智能技术的融合
春芳：看官网介绍，反复出现的 “模块化移动空间” 具体是怎样的场景？ 喻川：汽车已经成为家和办公室之外的第三空间。 无人驾驶技术的出现，会进一步解放驾驶者，自主移动的第三空间在应用场景上充满想象，比如移动办公室、移动咖啡吧，移动酒店，移动的商店等等，这种空间的使用频率极有可能超过家和办公室。 PIX试图摆脱“汽车”的定义，把自动驾驶视为一种自主移动能力，这种能力将带给我们Robo-Space——“智能移动空间”，不仅仅是载客和物流，更多行业可以基于“智能移动空间”进行商业模式创新，这就像智能手机和功能手机 喻川：说服别人相信“智能移动空间”的未来，而又不至于让别人觉得你是“贾老板”可能是最大的困难。 春芳：无人驾驶的过程中，如何获得并处理行驶过程中的反馈数据？处理的算法是自己开发的吗，有什么相对优势？ 喻川：我的感觉仍然是在做本行，首先我们从城市和空间的角度来构建产品，我们官网的愿景也是“重构城市”，其次，我们在市场上也会和地产商、建筑师事务所合作。
1.1K30发布于 2019-05-05 - 来自专栏AI科技评论
CVPR 2019 | 智能体张量融合，一种保持空间结构信息的轨迹预测
该论文主要提出了一种基于深度学习的车辆和行人轨迹预测方法，提出了一个可以保持空间结构信息的多智能体张量融合网络，在机动车驾驶和行人轨迹数据集中对模型的性能进行了验证。 ? 而多智能体张量融合（Multi-Agent Tensor Fusion, MATF）则提出了一种创新的多智能体张量融合编码器-解码器（Encoder-Decoder）网络架构。 这种编码方式一方面可以像面向空间结构的方法那样很自然地保持多智能体张量中的所有智能体和静态场景的空间结构以捕捉空间信息，另一方面也可以像面向智能体的方法那样敏感捕捉多智能体间的微妙社会互动。 ? ，同时始终保持空间结构和空间局部性特征，该全卷积网络最终输出融合的多智能体张量（上方）。 例如，实心蓝框（上方）所表示的智能体融合向量融合了来自卷积层感受野内的该智能体附近的所有智能体和场景特征的综合推断信息。
59840发布于 2019-06-15 - 来自专栏机器之心
CVPR 2019 | 智能体张量融合，一种保持空间结构信息的轨迹预测方法
该论文主要提出了一种基于深度学习的车辆和行人轨迹预测方法，提出了一个可以保持空间结构信息的多智能体张量融合网络，在机动车驾驶和行人轨迹数据集中对模型的性能进行了验证。 ? 而多智能体张量融合（Multi-Agent Tensor Fusion, MATF）则提出了一种创新的多智能体张量融合编码器-解码器（Encoder-Decoder）网络架构。 这种编码方式一方面可以像面向空间结构的方法那样很自然地保持多智能体张量中的所有智能体和静态场景的空间结构以捕捉空间信息，另一方面也可以像面向智能体的方法那样敏感捕捉多智能体间的微妙社会互动。 ? ，同时始终保持空间结构和空间局部性特征，该全卷积网络最终输出融合的多智能体张量（上方）。 例如，实心蓝框（上方）所表示的智能体融合向量融合了来自卷积层感受野内的该智能体附近的所有智能体和场景特征的综合推断信息。
1.1K20发布于 2019-06-03 - 来自专栏宜达数字
投影融合
一、设置投影仪位置，两个投影仪之间必须保证有重叠融合带，方便设置投影 二、设置桌面屏幕的顺序，确保能让窗口从左到右按实际投影在墙面的顺序连成一线 ? 五、设置显卡融合，以NVIDIA为例： ? 六、设置桌面融合软件，请看视频 七、雷达检测 https://blog.csdn.net/lmg2015/article/details/53522879 https://blog.csdn.net
1.3K10发布于 2020-06-02 - 来自专栏笔记本
用户空间和内核空间
用户空间和内核空间服务器大多都采用Linux系统，所以主要研究Linux系统。用户应用如果要使用硬件资源，必须要经过Linux内核，通过内核去与硬件交互。 所以 用户应用 和 内核 要隔离开，避免硬件使用的冲突：进程的寻址空间会划分为两部分： 内核空间 、 用户空间 。 用户空间 只能执行受限的命令（Ring3），而且不能直接调用系统资源，必须通过内核提供的接口来访问。内核空间 可以执行特权命令（Ring0） ，调用一切系统资源。 Linux系统为了提高IO效率，会在用户空间和内核空间都加入缓冲区：写数据时，要把用户缓冲数据从 用户缓冲区 拷贝到 内核缓冲区 ，再写入设备。 用户空间缓冲区 会向 内核空间 发起读请求，内核空间会等待网卡的数据准备完成，完成后会把数据 拷贝 到 内核缓冲区 ，然后会将数据从 内核缓冲区 拷贝到 用户缓冲区 。至此，读数据完成。
44110编辑于 2025-08-13 - 来自专栏瓜大三哥
图像融合
像素级图像融合属于较低层次的融合,大部分研究集中在该层次上。 经过特征级融合处理后的结果是一个特征空间,数据量相比于原来的图像数据将大为减少,该处理进程将极大地提高数据处理和传输效率,有效地推动数据自动实时处理。 特征级图像融合是中间层次上的融合,为决策级融合做准备。特征级融合对传感器对准要求不如像素级要求严格,因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩,便于实时处理。 决策级图像融合:是对来自多幅图像的信息进行逻辑推理或统计推理的过程。如果传感器信号表示形式差异很大或者涉及图像的不同区域,那么决策级融合也许是融合多图像信息的唯一方法。 因而,决策级融合是图像融合的最高层次,其最直接的体现就是经过决策级融合的结果可以直接作为决策要素来做出相应的行为,以及直接为决策者提供决策参考。
1.5K111发布于 2018-02-24 - 来自专栏pydata
模型融合
gbdt通过经验风险极小化来确定下一个弱分类器的参数。具体到损失函数本身的选择，如果选择平方损失函数，差值就是所说的残差 让损失函数沿着梯度方向下降，就是gbdt的gb的核心，利用损失函数的负梯度在当前模型的值作为回归问题提升树算法中的残差的近似值去拟合一个回归树。 gbdt每轮迭代的时候，都去拟合损失函数在当前模型下的负梯度。 每轮训练的时候都能够让损失函数尽可能快的减小，尽快的收敛达到局部最优解或者全局最优解 gbdt的弱分类器默认选择的是CART TREE，其实也可以选择其他弱分类器，选择的前提是低方差和高偏差。框架服从boosting框架即可。
62130发布于 2018-08-02
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