1.获取和设置父对象子对象在世界坐标系下的位置是加法运算：子对象在世界坐标系下的位置=子对象的位置+父对象的位置子对象在世界坐标系下的缩放是乘法运算：子对象在世界坐标系下的位置=子对象的位置+父对象的位置现有：Lesson9脚本中的代码：usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;publicclassLesson9:MonoBehaviour{voidStart(){//获取父对象//可以通过Transform获取我自己的父对象是谁print(this.transform.parent.na
1.获取和设置父对象子对象在世界坐标系下的位置是加法运算：子对象在世界坐标系下的位置=子对象的位置+父对象的位置子对象在世界坐标系下的缩放是乘法运算：子对象在世界坐标系下的位置=子对象的位置+父对象的位置现有：Lesson9脚本中的代码：usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;publicclassLesson9:MonoBehaviour{voidStart(){//获取父对象//可以通过Transform获取我自己的父对象是谁print(this.transform.parent.na
一、必备知识点Vector3基础Vector3主要用来标识三维坐标系中的一个点或一个向量Vector3的本质是一个Unity提供好的结构体现有：Lesson6脚本的代码：usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;publicclassLesson6:MonoBehaviour{voidStart(){//Vector3的声明//方法一：不new（它是一个值类型，可以不new）Vector3v;v.x=10;v.y=10;v.z=10;//方法二：用无参构造声明Vector3v2=newVec
一、必备知识点Vector3基础Vector3主要用来标识三维坐标系中的一个点或一个向量Vector3的本质是一个Unity提供好的结构体现有：Lesson6脚本的代码：usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;publicclassLesson6:MonoBehaviour{voidStart(){//Vector3的声明//方法一：不new（它是一个值类型，可以不new）Vector3v;v.x=10;v.y=10;v.z=10;//方法二：用无参构造声明Vector3v2=newVec
作者：京东探索研究院深度学习在很大程度上影响了遥感影像分析领域的研究。然而，大多数现有的遥感深度模型都是用ImageNet预训练权重初始化的，其中自然图像不可避免地与航拍图像相比存在较大的域差距，这可能会限制下游遥感场景任务上的微调性能。为此，京东探索研究院联合武汉大学、悉尼大学借助迄今为止最大的遥感场景标注数据集MillionAID，从头开始训练包括卷积神经网络（CNN）和已经在自然图像计算机视觉任务中表现出了良好性能的视觉Transformer（VisionTransformer）网络，首次获得了一系列基于监督学习的遥感预训练基础骨干模型。并进一步研究了ImageNet预训练（IMP）和遥
作者：京东探索研究院深度学习在很大程度上影响了遥感影像分析领域的研究。然而，大多数现有的遥感深度模型都是用ImageNet预训练权重初始化的，其中自然图像不可避免地与航拍图像相比存在较大的域差距，这可能会限制下游遥感场景任务上的微调性能。为此，京东探索研究院联合武汉大学、悉尼大学借助迄今为止最大的遥感场景标注数据集MillionAID，从头开始训练包括卷积神经网络（CNN）和已经在自然图像计算机视觉任务中表现出了良好性能的视觉Transformer（VisionTransformer）网络，首次获得了一系列基于监督学习的遥感预训练基础骨干模型。并进一步研究了ImageNet预训练（IMP）和遥
目录TransformerAttention结构Self-Attention结构Multi-headSelf-AttentionBERT：BidirectionalEncoderRepresentationsfromTransformersSummaryReferenceTransformerTransformer是完全由Attention和Self-Attention结构搭建的深度神经网络结构。其中最为重要的就是Attention和Self-Attention结构。Attention结构AttentionLayer接收两个输入\(X=[x_1,x_2,x_3,...,x_m]\)，Decod
目录TransformerAttention结构Self-Attention结构Multi-headSelf-AttentionBERT：BidirectionalEncoderRepresentationsfromTransformersSummaryReferenceTransformerTransformer是完全由Attention和Self-Attention结构搭建的深度神经网络结构。其中最为重要的就是Attention和Self-Attention结构。Attention结构AttentionLayer接收两个输入\(X=[x_1,x_2,x_3,...,x_m]\)，Decod
#operational-transformation算法源码分析OperationalTransformation算法解决的问题是如何merge基于相同的状态产生的不同的操作序列。首先ot算法解决了什么问题呢？我们来先看看产生的问题##举个栗子服务器内容是abc，用户A输入xabc，用户B输入ab，这个个时候恰好发给服务器，那么，服务应该要怎么做？其实我们最终想要的结果是xab。###解决方案一：丢了丢了这可能是最简单粗暴的方法了，我发现有冲突，就告诉用户，主子，咱这里有冲突了，臣妾解决不了啊。但是显然这会经常出现，然后主子就把你打入冷宫了。然后按照优先顺序排列需要丢失了A用户输入的x，最后
#operational-transformation算法源码分析OperationalTransformation算法解决的问题是如何merge基于相同的状态产生的不同的操作序列。首先ot算法解决了什么问题呢？我们来先看看产生的问题##举个栗子服务器内容是abc，用户A输入xabc，用户B输入ab，这个个时候恰好发给服务器，那么，服务应该要怎么做？其实我们最终想要的结果是xab。###解决方案一：丢了丢了这可能是最简单粗暴的方法了，我发现有冲突，就告诉用户，主子，咱这里有冲突了，臣妾解决不了啊。但是显然这会经常出现，然后主子就把你打入冷宫了。然后按照优先顺序排列需要丢失了A用户输入的x，最后
