surface

ASP.NET Core3.1 Ocelot路由

亡梦爱人 提交于 2020-11-06 23:57:03
  1.路由前一个章节我们已经介绍过Ocelot,相信大家也了解到,Ocelot的主要功能是接收客户端等传入的HTTP请求,并将其转发到下游服务。Ocelot当前仅以另一个http请求的形式支持此功能(将来可能是任何传输机制)。   Ocelot将一个请求路由到另一个请求。为了让Ocelot正常工作,您需要在配置中设置一个Route。下面我们就Ocelot基础项目构建简单介绍下路由功能。   2.Ocelot基础项目构建(APIGatewayBasicDemo)现在我们根据GitHub贡献者开源项目来学习Ocelot,根据下载下来Ocelot基础项目结构来看,我们能看到有一个网关项目(APIGateway),一个客户API项目(CustomersAPIServices),一个产品API项目(ProductsAPIServices)。如下图所示:      2.1Ocelot网关配置APIGateway网关项目根目录下面有一个configuration.json配置文件,内容如下:      {   //ReRoutes:处理上游请求的对象(客户端),每个数组{}就是配置:上游地址和对应下游地址   "ReRoutes": [   {   //以Downstream开头的,是要转发到下游服务器的地址(CustomersAPIServices),与nginx转发类似   /

如何获取物体表面的法向量?

两盒软妹~` 提交于 2020-11-03 11:33:12
点击上方 “ 小白学视觉 ”,选择加" 星标 "或“ 置顶 ” 重磅干货,第一时间送达 相信小伙伴们都会对Light Stage的惊人效果印象深刻。 这种逼真的效果,一个很重要的原因是获取到了人脸表面的法向量。在文章中我还提到,当需要在不同的视角下重建反射场时,是“通过表面的漫反射分量”来完成的,但这是如何做到的呢? 这就引入了我们今天想要讲的主题: 光度立体法 一、光度立体法原理 光度立体法,即Photometric Stereo, 最早是由当时在MIT的人工智能实验室的Robert J. Woodham教授在1978年左右提出,比较系统的阐述可以看他在1979年的论文《Photometric stereo: A reflectance map technique for determining surface orientation from image intensity》,以及1980年的论文《Photometric Method for Determining Surface Orientation from Multiple Images》。 这种方法的用途是可以重建出物体表面的法向量,以及物体不同表面点的反射率,最关键的是它不像传统的几何重建(例如立体匹配)方法那样需要去考虑图像的匹配问题,因为所需要做的只是采集三张以上,由不同方向的光照射物体的图像。这个过程中

【讲解清晰生动,深入浅出,通俗易懂】什么是测地线(geodesic)?

ぃ、小莉子 提交于 2020-11-02 09:45:12
测地线就是在一个三维物体的表面上找出两个点的最短距离。测地线的具体应用挺广的,比如说飞机船只的航道设计。首先我们知道在二维平面上两点之间线段最短,但若是换到三维这就没办法实现了,因为你无法穿透这个物体以寻求最短距离。所以,我们就得想办法在曲面上面寻求最短距离。因为曲面略微抽象而且路径很多让人感觉无从下手,所以看似很难找。 其实不然,想象一张纸(假设它的厚度是忽略不计的),你既可以平铺让它处于绝对二维状态,又可以将其折叠成不同形状使其处于三维状态。如果这样想,事情就变简单了。假设你的那张不计厚度的纸处于平面状态,纸上有两个位置不同的点,你可以很容易找到两点之间最短距离。然后,你再将纸折叠成不同形状,尽管此时面不同了,但是两点的最短距离依然还是原先那条线:因为面不管被如何折面积都是不变的。 所以要找到测地线的关键就是把曲面转化成平面的这一步。微积分里面的术语叫parametrization(参数化),先不做过多讲解。当把曲面参数化成二维面之后,我们可以通过微积分求导,最后把二维重新转回三维。 数学语言表达 The geodesic equation In a Riemannian manifold M with metric tensor g , the length L of a continuously differentiable curve γ : [ a , b ] → M

About Thermal Models

心已入冬 提交于 2020-10-27 18:27:24
Among SPICE models, there are what are called thermal models and thermal dynamic models, which are used to perform simulations relating to heat. We first describe thermal models. We hope the reader will acquire a conceptual image of the general nature of thermal models. What is Thermal Model? A thermal model is a model of an electrical circuit that corresponds to transient thermal resistances, for use in calculations of the thermal circuit associated with the electrical circuit. Thermal resistances are represented by R, and thermal capacities by C. The interchange of thermal circuits and

Ametek表面视觉检测系统可帮助主要的铝生产商达到客户的质量目标

岁酱吖の 提交于 2020-10-27 17:43:34
加利福尼亚州海沃德 -2020年 9 月 4日-在线表面检测解决方案的领先提供商阿美特克表面视觉公司已经支持铝生产商Laminazione Sottile SpA满足客户对产品质量的要求 , 更多信息尽在振工链 。 它的 SmartView ®系统安装在意大利的公司的临界表面处理生产线,确保只有检查材料进行进一步处理,并带入市场。 该系统以明场配置安装,具有在线检查和流媒体视频功能,使 Laminazione Sottile能够保持高水平的材料质量,从而大大减少了客户要求。 Laminazione Sottile生产轧制铝产品,包括刚性,半刚性和柔性包装,HVAC-R,汽车零件,炊具和一般工程组件。该公司需要一个能够实时客观地检查产品质量,检测缺陷并确定其根本原因的自动化系统。它还必须充当质量控制的大门,以便将卷材直接销售给客户并由Laminazione Sottile Group其他子公司进行进 一步 加工。 AMETEK Surface Vision的销售客户经理Marco Saitta表示:“借助SmartView,可以根据最终客户的要求选择已检验的材料。该过程利用了有关当前表面质量的知识,并提供了纠正任何过程不正常现象的能力。现在可以基于目标数据来计划和评估过程改进。” Laminazione Sottile的饰面部门经理Pierpaolo Panza表示:“

Python mayavi库及mayavi管线

心不动则不痛 提交于 2020-10-26 07:54:59
Mayavi库的基本元素 Mayavi库中主要有两大部分功能   一类是用于处理图形可视化和图形操作的mlab模块   一类是操作管线对象窗口对象的api mlab包含   绘图函数:实现已有的数据进行可视化显示,可以是numpy数组构建的,也可以是外部读取的,比如读取一个文件   图形控制函数:实质上是对mayavi中的figure进行控制,比如可以通过gcf获得当前视图的指针,也可以通过clf来清空当前图形,通过close关闭当前图形   图形修饰函数:对当前绘制的函数进行一定的修饰和装饰,比如说绘制完图形之后需要增加一个颜色标识栏   图形控制函数,其他函数和Mlab管线控制函数或者是对坐标轴增加相应的标签等,比如使用xlaber可以在x轴上增加相应的标签   相机控制函数:对相机的操作,比如说move函数来移动相机到某个位置上,使用pitch,roll,yaw函数控制相机进行旋转等   其他函数:     animate:生成一段动态的可视化效果     get_engine:获得当前管线的engine   Mlab管线控制:可以设置当前管线的数据源也可以为当前绘制管线增加数据集使用addataset等 Mayavi API   管线基础对象:可以通过这类函数获得Mayavi管线的各个基本对象   包括Scene,Source,Filter,ModuleManager

[译]Vulkan教程(20)重建交换链

孤街浪徒 提交于 2020-10-25 15:37:13
[译]Vulkan教程(20)重建交换链 Swap chain recreation 重建交换链 Introduction 入门 The application we have now successfully draws a triangle, but there are some circumstances that it isn't handling properly yet. It is possible for the window surface to change such that the swap chain is no longer compatible with it. One of the reasons that could cause this to happen is the size of the window changing. We have to catch these events and recreate the swap chain. 我们现在的程序成功地绘制了一个三角形,但是有的情况它处理的不合适。窗口surface可能改变,使得交换链不再与之兼容。可能的原因之一是,窗口的大小改变了。我们必须捕捉这些事件,并重建交换链。 Recreating the swap chain 重建交换链 Create a new

为什么要做特征归一化/标准化?

断了今生、忘了曾经 提交于 2020-10-25 09:42:20
目录 写在前面 常用feature scaling方法 计算方式上对比分析 feature scaling 需要还是不需要 什么时候需要feature scaling? 什么时候不需要Feature Scaling? 小结 参考 博客: blog.shinelee.me | 博客园 | CSDN 写在前面 Feature scaling,常见的提法有“特征归一化”、“标准化”,是数据预处理中的重要技术,有时甚至决定了算法能不能work以及work得好不好。谈到feature scaling的必要性,最常用的2个例子可能是: 特征间的单位(尺度)可能不同 ,比如身高和体重,比如摄氏度和华氏度,比如房屋面积和房间数,一个特征的变化范围可能是 \([1000, 10000]\) ,另一个特征的变化范围可能是 \([-0.1, 0.2]\) ,在进行距离有关的计算时,单位的不同会导致计算结果的不同,尺度大的特征会起决定性作用,而尺度小的特征其作用可能会被忽略, 为了消除特征间单位和尺度差异的影响,以对每维特征同等看待,需要对特征进行归一化 。 原始特征下, 因尺度差异,其损失函数的等高线图可能是椭圆形 ,梯度方向垂直于等高线,下降会走zigzag路线,而不是指向local minimum。通过对特征进行zero-mean and unit-variance变换后

水面漩涡改进版

最后都变了- 提交于 2020-10-24 10:22:42
针对之前的水面漩涡效果做了些改进。之前的漩涡效果参考: 就是爱折腾:Unity Shader实现一个水面漩涡的效果 ​ zhuanlan.zhihu.com 主要是加了透明折射的效果,看起来更接近真实的漩涡。如图: 修改版使用了顶点片元着色器,也添加了曲面细分。利用GrabPass实现水的折射效果。 之前实现的漩涡效果是没有考虑这种折射效果的。所以采用了比较简单的方式,直接给水加个光照就完事了。后面想想,还是想做的更真实些。于是我开始考虑使用GrabPass这种方式,但是貌似Surface Shader中不怎么好实现这个效果(可能也是我水平有限,如果有大佬知道的话,望指出),所以我把前面的surface shader改写成了基于顶点片元的。 改完后,遇到了第一个问题便是曲面细分效果没了,毕竟之前用surface shader弄起来是so easy啊,但现在是顶点片元了,刚开始还是一脸懵逼。后面我查了些资料,摸索出了解决办法: 就是爱折腾:Unity曲面细分的原理与应用2 ​ zhuanlan.zhihu.com 看现实当中的水,漩涡处的折射效果(扭曲)是比其它地方强的。这个效果,我直接简单的使用网格的局部空间的顶点位置来设置(这里肯定有更好的办法,不过我为了偷懒):顶点偏移越大,扭曲越厉害。 通过这些修改,上面的效果就完成了!下面是完整代码: Shader "Water

ECCV2020 | SNE-RoadSeg:一种基于表面法向量提取的道路可行驶区域分割方法

拜拜、爱过 提交于 2020-10-24 06:19:41
点击上方“3D视觉工坊”,选择“星标” 干货第一时间送达 这篇文章收录于ECCV2020,是一篇关于无碰撞空间区域分割的文章,整体效果很不错。最主要的核心思想是在表面发现估计器的设计,在得到表面法线后将其用于分割网络的编码器环节,并在特征融合部分,借鉴了DenseNet的思想,进行密集连接。网络的计算量和参数量文中并没有比较,应该做不到实时。 论文地址 :https://arxiv.org/abs/2008.11351 代码地址: https://github.com/hlwang1124/SNE-RoadSeg Freespace无碰撞空间检测是自动驾驶汽车视觉感知的重要组成部分。近年来,数据融合data-fusion卷积神经网络CNN架构大大改善了语义场景分割算法的性能。通常,可以将自由空间假设为一个地面平面,在这个平面上,各点具有相似的表面法线。因此,在本文中,首先介绍了一个名为 表面法线估计器( surface normal estimator ,SNE)的新型模块,该模块可以从密集的深度/视差图像中高精度和高效率地推断出表面法线信息 。此外,提出了一种称为RoadSeg的数据融合CNN架构, 该架构可以从RGB图像和推断出的表面法线信息中提取并融合特征,以进行准确的自由空间检测。 同时,出于研究目的,我们发布了在不同光照和天气条件下收集的大规模合成自由空间检测数据集