大佬的TensorFlow代码：here另一个大佬的Pytorch代码：here注：Pytorch代码只有semanticKITTI的训练，TensorFlow作者本人的代码比较全。keywords高分辨率点云——约\(10^5\)点云语义分割多层次特征在正式开始讲论文之前，我们先看看效果，0.04s的inferencetime那么咱们正式开始相关工作\(_{*篇幅有限，此处不再介绍其他基于投影或基于体素的工作}\)PointNet++网络结构关键组件Samping——FPS(最远点采样)顾名思义，每次在点云中采样的点都应该距其他点的距离最远举个例子，下图，一个二维欧式空间中，我们需要使用FP
本文是阅读LinkedIn公司2020年发表的论文Magnet:Push-basedShuffleServiceforLarge-scaleDataProcessing一点笔记。什么是Shuffle以上图为例，在一个DAG的执行图中，节点与节点之间的数据交换就是Shuffle的过程。虽然Shuffle的过程很简单，但是不同的引擎有不同的实现。以shuffle数据传输的介质来看有基于磁盘的shuffle，例如Map/Reduce，Spark，FlinkBatch中，上下游之前的数据都是需要落盘后来进行传输，这类通常是离线处理框架，对延迟不敏感，基于磁盘更加可靠稳定。有基于内存的pipeline模
本文是阅读LinkedIn公司2020年发表的论文Magnet:Push-basedShuffleServiceforLarge-scaleDataProcessing一点笔记。什么是Shuffle以上图为例，在一个DAG的执行图中，节点与节点之间的数据交换就是Shuffle的过程。虽然Shuffle的过程很简单，但是不同的引擎有不同的实现。以shuffle数据传输的介质来看有基于磁盘的shuffle，例如Map/Reduce，Spark，FlinkBatch中，上下游之前的数据都是需要落盘后来进行传输，这类通常是离线处理框架，对延迟不敏感，基于磁盘更加可靠稳定。有基于内存的pipeline模
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
0、关键词annotatedvideos,3Dobjectdetection,object-centricvideos,poseannotations,Objectrondataset,3Dobjecttracking,3Dshaperepresentation,object-centricshortvideos,annotatedimages,robotics,imageretrieval,augmentedreality1、链接该论文来自谷歌研究院（GoogleResearch It'sGoogle:-(内地需要VPN才能访问）。秉承其形成技术壁垒的一贯作风，要么“力大砖飞”，使用大规模集
0、关键词annotatedvideos,3Dobjectdetection,object-centricvideos,poseannotations,Objectrondataset,3Dobjecttracking,3Dshaperepresentation,object-centricshortvideos,annotatedimages,robotics,imageretrieval,augmentedreality1、链接该论文来自谷歌研究院（GoogleResearch It'sGoogle:-(内地需要VPN才能访问）。秉承其形成技术壁垒的一贯作风，要么“力大砖飞”，使用大规模集
数据可视化将数据通过各种视觉通道映射成图形，可以使得用户更快、更准确的理解数据。大屏用途用于公司展厅、日常经营监控，还有些特殊行业如交通、运输、工厂制造。大屏效果展示image.png1.固定尺寸的“真实”大屏一般使用在企业的巨大的显示器上用来展示、监测数据情况，一般是不需要频繁操作的。这种只在固定大的屏幕上的大屏，完全可以不使用自适应方案。2.大屏宽高等比例适应（1）使用felx布局要点：使用flex各种布局，结合元素使用百分比使用场景：H5页面、简单后台业务系统页面大神笔记（2）使用rem单位参考链接：前端自适应实现方法前端学习笔记-DS的博客-CSDN博客前端自适应3.大屏自适应最优解决
