草庐IT

point_normal

全部标签

SAP QM高阶之检验点(Inspection Point)

SAPQM高阶之检验点(InspectionPoint) 检验点是一个很好的工具,可用于基于多个因素进行检验,即Timeframe、基于数量、样本管理、校准或任何其他被称为点的因素。简单地说,检验点可以应用于任何场景,在这种场景中,一个检验批可以捕获多个结果。 SAP在标准中定义了不同的检查点,并且允许定义我们自己的检验点。 场景:对于某个采购物料的检验,业务部门需要根据实验室名称、班次名称和样本序列记录单个检验批的多个结果。目前QC部门有多个实验室,日以继夜地分析样本。通过检验点功能可以记录每个样本/实验室/班次的检验结果。 1,在后台配置里定义检验点。   增加一个新条目:Z01.  保存

SAP QM高阶之检验点(Inspection Point)

SAPQM高阶之检验点(InspectionPoint) 检验点是一个很好的工具,可用于基于多个因素进行检验,即Timeframe、基于数量、样本管理、校准或任何其他被称为点的因素。简单地说,检验点可以应用于任何场景,在这种场景中,一个检验批可以捕获多个结果。 SAP在标准中定义了不同的检查点,并且允许定义我们自己的检验点。 场景:对于某个采购物料的检验,业务部门需要根据实验室名称、班次名称和样本序列记录单个检验批的多个结果。目前QC部门有多个实验室,日以继夜地分析样本。通过检验点功能可以记录每个样本/实验室/班次的检验结果。 1,在后台配置里定义检验点。   增加一个新条目:Z01.  保存

python 对unicode字符进行normalized

参考:https://blog.csdn.net/weixin_42401159/article/details/112187778  https://cloud.tencent.com/developer/article/1406445在处理一些自然语言文字的过程中,会遇到一些表面很奇怪的现象。比如两个单词人肉眼看着一模一样,但是在计算机中读取出来却表示两者不相等。当查看它们的的编码字符的时候,发现两者确实也不一样。例如:text_a="ज़म्पा"text_b="ज़म्पा"print(text_a==text_b)#Falseprint(unicodedata.normalize("N

python 对unicode字符进行normalized

参考:https://blog.csdn.net/weixin_42401159/article/details/112187778  https://cloud.tencent.com/developer/article/1406445在处理一些自然语言文字的过程中,会遇到一些表面很奇怪的现象。比如两个单词人肉眼看着一模一样,但是在计算机中读取出来却表示两者不相等。当查看它们的的编码字符的时候,发现两者确实也不一样。例如:text_a="ज़म्पा"text_b="ज़म्पा"print(text_a==text_b)#Falseprint(unicodedata.normalize("N

从SAP ECC升级到SAP S4HANA, 几个Key Points

从SAPECC升级到SAPS4HANA,几个KeyPoints  自从SAP公司的拳头产品S/4HANA横空出世以来,就引起了世界范围内的众多客户以及ERP咨询业界的强烈关注。 笔者发现很多早些年就实施了SAPECC老版本的跨国企业,依旧在使用这些老版本的SAP系统,对于它们而言SAPERP系统早已成为企业供应链管理的战略平台,升级SAP系统是一个大动作,不到万不得已不好轻易实行。 而对于众多第一次实施SAP系统的企业而言,直接实施SAP的比较新的S4/HANA系统,完全回避了SAP系统升级的问题。 关于SAP系统从ECC到S4HANA的升级项目,将会是未来很多年里SAP咨询行业里的重要项目机

从SAP ECC升级到SAP S4HANA, 几个Key Points

从SAPECC升级到SAPS4HANA,几个KeyPoints  自从SAP公司的拳头产品S/4HANA横空出世以来,就引起了世界范围内的众多客户以及ERP咨询业界的强烈关注。 笔者发现很多早些年就实施了SAPECC老版本的跨国企业,依旧在使用这些老版本的SAP系统,对于它们而言SAPERP系统早已成为企业供应链管理的战略平台,升级SAP系统是一个大动作,不到万不得已不好轻易实行。 而对于众多第一次实施SAP系统的企业而言,直接实施SAP的比较新的S4/HANA系统,完全回避了SAP系统升级的问题。 关于SAP系统从ECC到S4HANA的升级项目,将会是未来很多年里SAP咨询行业里的重要项目机

[CVPR2020] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds论文浅析

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

[CVPR2020] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds论文浅析

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

研究光度立体法阶段性小结和优化(可20ms获取4个2500*2000灰度图的Normal Map)。

 这个东西是我接触的第一个非2D方面的算法,到目前为止其实也没有完全搞定,不过可能短时间内也无法突破。先把能搞定的搞定吧。 这个东西也有一大堆参考资料,不过呢,搜来搜去其实也就那些同样的东西,个人觉得就属这个文章最经典,既有说明,也有图片,还有代码:   PhotometricStereo    ChamanSinghVermaandMon-JuWu     https://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/stereo.html  另外,github上也应该有一些参考的资料吧,我主要参考的是  https://github.com/chao

研究光度立体法阶段性小结和优化(可20ms获取4个2500*2000灰度图的Normal Map)。

 这个东西是我接触的第一个非2D方面的算法,到目前为止其实也没有完全搞定,不过可能短时间内也无法突破。先把能搞定的搞定吧。 这个东西也有一大堆参考资料,不过呢,搜来搜去其实也就那些同样的东西,个人觉得就属这个文章最经典,既有说明,也有图片,还有代码:   PhotometricStereo    ChamanSinghVermaandMon-JuWu     https://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/stereo.html  另外,github上也应该有一些参考的资料吧,我主要参考的是  https://github.com/chao