这几天在开发这个锚点定位的需求本来感觉很简单，结果做起来发现很多坑，有的根本就注意不到，真的是很让人头大：下面是几个大坑1、scroll-view的坑 scroll-view要增加高度，有的时候计算高度赋值给scroll-view时，会不起效，这个时候直接给它赋值100VH就可以了scroll-view在使用的时候，如果需要使用禁止滑动，需要直接 scroll-y直接删掉或者定义成非布尔值类型2、wx.createSelectorQuery()获取值不正确的问题因为做的类似与京东的商品详情页，那么可定会出现图片以及富文本解析显示的。如果这个时候我们使用小程序自带的生命周期（onLoad、onS
这几天在开发这个锚点定位的需求本来感觉很简单，结果做起来发现很多坑，有的根本就注意不到，真的是很让人头大：下面是几个大坑1、scroll-view的坑 scroll-view要增加高度，有的时候计算高度赋值给scroll-view时，会不起效，这个时候直接给它赋值100VH就可以了scroll-view在使用的时候，如果需要使用禁止滑动，需要直接 scroll-y直接删掉或者定义成非布尔值类型2、wx.createSelectorQuery()获取值不正确的问题因为做的类似与京东的商品详情页，那么可定会出现图片以及富文本解析显示的。如果这个时候我们使用小程序自带的生命周期（onLoad、onS
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
java使用ElasticSearch的scroll查询，高效的解决es查询数量的限制。一、为什么要使用ES的scroll（1）首先我们要明白es的查询机制：ES的搜索是分2个阶段进行的，即Query阶段和Fetch阶段。Query阶段比较轻量级，通过查询倒排索引，获取满足查询结果的文档ID列表。Fetch阶段比较重，需要将每个分片的查询结果取回，在协调结点进行全局排序。通过From+size这种方式分批获取数据的时候，随着from加大，需要全局排序并丢弃的结果数量随之上升，性能越来越差。（2）es在进行普通的查询时，默认只给查询出来十条数据。通过设置size的值可以使查询结果从10增大到1
java使用ElasticSearch的scroll查询，高效的解决es查询数量的限制。一、为什么要使用ES的scroll（1）首先我们要明白es的查询机制：ES的搜索是分2个阶段进行的，即Query阶段和Fetch阶段。Query阶段比较轻量级，通过查询倒排索引，获取满足查询结果的文档ID列表。Fetch阶段比较重，需要将每个分片的查询结果取回，在协调结点进行全局排序。通过From+size这种方式分批获取数据的时候，随着from加大，需要全局排序并丢弃的结果数量随之上升，性能越来越差。（2）es在进行普通的查询时，默认只给查询出来十条数据。通过设置size的值可以使查询结果从10增大到1
目前测试一下最新的视频剪辑神器Auto-Editor，用于视频的初剪简直好用的不要不要的。其中有个最好用的功能就是剔除视频中的无声片段，功能和WondershareFilmora11的去除无声片段结果基本一致，可以设置参数，但是还有多了一个目标动作识别的功能。下图为WondershareFilmora11剔除视频中的无声片段，由于是软件无法批量化处理，自从有个了Auto-Editor可以实现批量化处理了。原视频长度1分38秒。我们看导入到时间线之后视频的长度是1分25秒。直接用Auto文章目录安装和使用常用功能剪辑掉无声片段视频切割--margin设置切割方式导出编辑文件其他功能介绍视频播放速
目前测试一下最新的视频剪辑神器Auto-Editor，用于视频的初剪简直好用的不要不要的。其中有个最好用的功能就是剔除视频中的无声片段，功能和WondershareFilmora11的去除无声片段结果基本一致，可以设置参数，但是还有多了一个目标动作识别的功能。下图为WondershareFilmora11剔除视频中的无声片段，由于是软件无法批量化处理，自从有个了Auto-Editor可以实现批量化处理了。原视频长度1分38秒。我们看导入到时间线之后视频的长度是1分25秒。直接用Auto文章目录安装和使用常用功能剪辑掉无声片段视频切割--margin设置切割方式导出编辑文件其他功能介绍视频播放速
对抗攻击的防御模型显著增长，但缺乏实用的评估方法阻碍了进展。评估可以定义为：在给定迭代次数和测试数据集的情况下寻找防御模型的鲁棒性下限。一种使用的评估方法应该是方便的（即无参数的）、高效的（更少的迭代）、可靠的（接近稳健性的下限），针对这个目标，我们提出了一种无参数自适应自动攻击（）。自适应自动攻击由自适应方向初始化（ADI）和在线统计丢弃策略（OSD）组成。ADI策略可以加快评估速度，DSD可以自动识别和丢弃难以攻击的图像。方法：预先知识：c-class分类器f，模型预测被计算为：本文主要考虑无目标攻击，约束优化问题定义为： PGD在迭代t次时的梯度为： 起点:PGD通过迭代生成对抗样本：
对抗攻击的防御模型显著增长，但缺乏实用的评估方法阻碍了进展。评估可以定义为：在给定迭代次数和测试数据集的情况下寻找防御模型的鲁棒性下限。一种使用的评估方法应该是方便的（即无参数的）、高效的（更少的迭代）、可靠的（接近稳健性的下限），针对这个目标，我们提出了一种无参数自适应自动攻击（）。自适应自动攻击由自适应方向初始化（ADI）和在线统计丢弃策略（OSD）组成。ADI策略可以加快评估速度，DSD可以自动识别和丢弃难以攻击的图像。方法：预先知识：c-class分类器f，模型预测被计算为：本文主要考虑无目标攻击，约束优化问题定义为： PGD在迭代t次时的梯度为： 起点:PGD通过迭代生成对抗样本：
