远距离RFID标签读卡器模块是一款非接触式超高频远距离IC卡读写模块。广泛地运用于车辆监控、遥控、家庭防盗系统、无线抄表、门禁系统、小区传呼、工业数据采集系统、无线标签、身份识别、非接触RF智能卡、小型无线数据终端、安全防火系统、无线遥控系统、生物信号采集、水文气象监控、机器人控制、等领域中。 用户还可以搭配DFRobot另一款低功耗RFID设备（NFC模块）使用，通过与Arduino和RS485网络的连接，快速搭建项目原型。 RFID标签读卡器模块参数: 模块接口:UART 工作电流:最大200mA 输出功率:最大24dBm 读卡距离: >30cm（有效距离与天线、电子标签及工作环境有关） 灵 敏 度:典型-102dBm最差-98dBm 支持波特率:9600、19200、38400、57600、115200（单位kbps） 支持协议:ISO18000-6C（EPC G2） 识别时间:读每8字节小于10ms，写每字节小于20ms 环境温度:-20℃~+65℃ 模块尺寸:155mm*100mm 连接示意图:（由arduino控制激活读卡器的关闭读取功能与重置配置之间的来回切换） 实物购买链接:https://item.taobao.com/item.htm?spm=a1z10.5-c.w4002-3141879741.50.NJewrW&id=521340309067

摔倒检测数据集 5000+图片 xml和txt标签

寺冈GP-460标签打印机驱动（网上几乎没有，也没有官网）

爬网微博 新浪微博的数据采集主要有两种方法，基于新浪微博API和基于网络爬虫的页面解析。本系统采用基于网络爬虫的页面解析方法，基于网络爬虫的微博信息采集可以突破API开放接口限制，不间断地爬取信息。网络爬虫根据顺序URL列队获取URL地址，并下载其指向页面至本地，再利用DOM树进行网页解析。利用XPath可以定位放置关键信息的DOM位置，最后取下XPath特征官方中的内容。 政务微博分析 根据需求说明需要采集的数据属性如下： 微博内容 是否原创 转发内容 发布时间 转发数 评论数 点赞数 设备源 微博ID 对于抓取到的页面原始代码分析不同属性对应的标签分别提取数据。最后将采集到的数据保存为csv格式，供数据分析使用。 人工选择微博账号 根据事件发生的时间爬取事件发生前后一个月全部三个月的微博，以实现自动采集数据，根据微博账号爬取PageId，将PageId作为爬取数据的URL的一个分段拼接

随着大数据时代的到来,能够牢牢的抓住老客户、吸引新客户、读懂用户的偏好兴趣以及挖掘用户的潜在价值,这些对于运营商的的发展至关重要。而达成这一目标需要对用户市场进行细分实现精细化营销,应用数据挖掘技术对用户进行画像,实现用户细分,其研究和发展在实现运营商精确营销、提高工作效率、减少经营成本方面具有重要的指导意义和实用价值。本文以移动互联网用户行为作为研究对象,以用户画像理论作为理论依据,提出了用户画像系统的建设思路,采用标签化方法对用户行为以及用户偏好特征进行描述。本文首先对用户画像系统进行整体的阐述,分别从具象的语义化以及抽象的数学模型来对用户画像系统进行概述,再者从动态性以及时空局限性对用户画像的特性进行描述,最后从建模的角度,将用户画像系统分为静态信息画像以及动态信息画像,对其中的用到的建模方法以及所使用的数据挖掘算法进行了详细的介绍。其次对用户画像的整体架构上进行了描述。分别从系统的总体设计和功能架构,以及业务架构方面将用户画像系统的设计思路进行详细的描述。再者文中结合运营商的经营特点以及业务经验,将用户画像系统分别从基础属性、业务属性、产品属性、渠道属性详细的阐述了用户静态信息标签构建的方法以及具体的分类。然后通过数据挖掘方法的方法实现中文分词,利用LDA聚类模型获得分词向量化从而获得用户文本的特征向量,接着利用改进的TF-IDF分类方法实现对用户不同维度信息的预测,从而构建了用户的互联网基础属性特征。其次通过对用户上网日志的解析和网络爬虫数据的匹配,构建内容的评分模型,实现对移动客户的特征、偏好等信息进行高度总结,从而生成用户移动互联网偏好特征标签,全面丰富了用户动态信息标签的构建。在此基础上,提出了用户画像系统运用列数据库对画像数据进行存储,标签元数据管理以及标签生命周期管理、查询机制和更新机制一系列完整的规范化的用户画像系统管理流程,从而构建一个完整闭环的用户画像系统。最后以营销过程中流量提升以及手机阅读软件用户量提升为例描述了用户画像系统在移动营销业务中的应用。

两篇文档：Part_E1_SDIO_Speciifcation_Ver2.0、SD Physical Layer Specification Ver3.0。英文pdf档，带目录标签方便阅读

scn2pointcloud_tool文档 该工具的目的是实现从CAD模型的格式（例如.obj / .off文件）到具有RGB和标签的点云格式的数据转换。 该工具的转换结果如下。 OBJ文件的可视化： 相应输出的可视化： 该工具是为SUNCG数据集设计的，并且基于SUNCG数据集的数据组织，因此，对于其他CAD模型数据集，该工具可能不完全兼容。 您可以查看此和以获取有关SUNCG数据集的更多详细信息。 该工具是从修改而来的，而是从GAPS修改而来的。 原始GAPS自述文件位于底部。 比比克斯 如果您发现此工具对您的研究有用，请考虑引用我们的。 @InProceedings{Liu_2017_ICCV, author = {Liu, Fangyu and Li, Shuaipeng and Zhang, Liqiang and Zhou, Chenghu and Ye, Rongt

带标签短信实战源码分享

这个是DOYOCMS标签生成器，可以帮助你快速建站。当然这款软件是使用E语言编写，给他套了一款皮肤，可恶的杀毒软件会报毒，如果你在意的话就不用下载了。

Multi-label-Classification Multi-label attributes Classification and CAM& grad-cam （6.26 晚补充部分）之前一直放着grad-cam没有看懂，现在首先对这一部分做补充。 CAM算法简单而且很好用，但是它修改了原本的网络，对于这个问题，Grad-cam在不修改原网络的情况下也可以实现一样的效果，两者等价的理论推导在论文中有证明。 原理简单理解在这里做个记录： 用输出类别的权重对特征图求梯度，取均值 (14, 14, 512)->( 512,) 后分别乘以特征图的每一层相加得到cam 导向反向传播，用到了注册梯度函数，定义一个新的op类型，只反向传播梯度为正的值。对(14,14,512)求最大值(14,14)后的和对输入求梯度。（6.26 晚补充部分） 训练的分类准确率达到0.8 准确率和loss如图所示：