这个小项目利用了 CasADi 的一些特性（自动微分、求解器耦合、代码生成），以提供一个简单的界面来解决大规模 NLP。 一些硕士论文的学生已经成功地使用它来快速探索非线性最优控制问题。
2021-09-22 14:12:00
17KB
1
一种高效的大规模图数据频繁子图挖掘算法，靳思萌，李仲伟，随着计算机技术的发展和互联网应用的普及，各个领域可获取的数据呈爆炸式增长的趋势。图作为一种常用的数据表示模型，能够表达更
2021-09-17 13:49:02
1.01MB
1
阿基米
Arkime（以前称为Moloch）是一个大型的，开源的，索引化的数据包捕获和搜索系统。
Arkime增强了您当前的安全基础架构，以标准PCAP格式存储和索引网络流量，从而提供了快速的索引访问。 提供了直观，简单的Web界面，用于PCAP浏览，搜索和导出。 Arkime公开了API，这些API允许直接下载和使用PCAP数据和JSON格式的会话数据。 Arkime以标准PCAP格式存储和导出所有数据包，使您还可以在分析工作流程中使用自己喜欢的PCAP提取工具，例如Wireshark。
Arkime构建为可以跨许多系统部署，并且可以扩展以处理数十吉比特/秒的流量。 PCAP保留时间取决于可用的传感器磁盘空间。 元数据保留基于Elasticsearch集群规模。 两者都可以随时增加，并且完全由您控制。
目录
背景
Arkime的创建是为了替代AOL于2012年的商用全包系统。通过完全控制硬件和成本，我们发现我们可以在所有网络上部署全包捕获，而使用商用工具只需一个网络即可获得相同的成本。
Arkime系统由3个组件组成：
捕获-一个线程化的C应用程序，用于监视网络流量，将PCA
2021-09-16 15:56:00
3.56MB
1
1. 简介......................................................................................................................... 1
2. 测试环境................................................................................................................. 2
2.1. 场地环境 ..................................................................................................... 2
2.2. 设备部署 ..................................................................................................... 2
2.2.1. OBU 部署 ......................................................................................... 2
2.2.2. RSU 部署 ......................................................................................... 3
2.2.3. 设备摆放 .......................................................................................... 3
3. 测试参数配置......................................................................................................... 6
3.1. 接入层参数 ................................................................................................. 6
3.1.1. 发射功率 .......................................................................................... 6
3.1.2. 信道配置 .......................................................................................... 6
3.2. 网络层参数 ................................................................................................. 6
3.3. 应用层参数 ................................................................................................. 6
3.3.1. 消息格式 .......................................................................................... 6
3.3.2. 消息大小与频率 .............................................................................. 6
3.3.3. 消息发送方式 .................................................................................. 6
3.3.4. 应用层拥塞控制 .............................................................................. 7
3.4. 通信安全参数 ............................................................................................. 7
3.5. 其他参数 .............................
2021-09-15 19:01:52
4.93MB
Ongoing research training transformer language models at scale, including: BERT
2021-09-13 11:27:35
85KB
1
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020）
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。
技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。
[Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。
克隆仓库 git clone --depth=1 http
2021-09-11 21:18:13
73.76MB
1