Sprite Packer 在设计sprite图形时，每个角色一个单独的纹理文件比较方便。然而，通常认为，sprite纹理中图形元素间的空白空间，会浪费运行时显示内存。为了优化性能，最好把多个sprite纹理紧密的打包到一起至一个地图集（atlas）。Unity提供了一个 Sprite Packer 工具从分散的sprite纹理里去自动化生成地图集。 Unity 处理生成工程并且在场景背后使用sprite地图集，这样用户不需要手动调整。地图集可以被选择性的打包在进入Play模式时，或者构建期间，并且一个sp
虽然机器视觉系统在越来越多的领域得到应用，从医疗保健到自动驾驶汽车，但是要真的理解机器的眼睛到底是如何“看到”事物，为什么它将甲归类为行人，但将乙归类为路标，仍然是一个迷。
原标题：On the convergence of Video and 3D Graphics
脑地图集在研究大脑解剖和功能方面起着重要的作用。随着对多模态磁共振成像(MRI)方法(如结合结构MRI、弥散加权成像(DWI)和静息态功能MRI (rs-fMRI))的兴趣的增加，有必要基于这三种成像方式构建集成的脑地图集。本研究构建了中国成年人群(年龄22-79岁，n = 180)的多模态脑图谱，包括反映脑形态学的T1图谱、描绘复杂纤维结构的高角度分辨率弥散成像(HARDI)图谱和反映单一立体定向坐标下大脑固有功能组织的rs-fMRI图谱。我们采用大变形自形度量映射(LDDMM)和无偏自形图谱生成方法同时生成T1和HARDI图谱。利用谱聚类，我们从rs-fMRI数据中生成了20个脑功能网络。我们通过联合独立成分分析，展示了使用图谱来探索大脑形态、功能网络和白质束之间的一致性标记。
2018-10-19 by Liuqingwen | Tags: Godot | Hits
游戏开发并不需要局限于使用 Unity 或 Unreal Engine4 的用户。JavaScript 游戏开发已经有一段时间了。实际上，最流行的浏览器（例如Chrome，Firefox和Edge）的最新版本提供了对高级图形渲染（例如WebGL【https://get.webgl.org/】）的支持，从而带来了非常有趣的游戏开发机会。
标题：ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM
数据是GIS的血液。时空地理数据是我们经常会用到的，很多时候，分析数据可能花不了多长时间，但是收集一些合适的数据总是耗时最多，So,这一次再去搜索GIS时空地理数据，Go!，希望大家多多分享与转发喔，谢谢！
大家好，我是阿潘，今天给大家分享一篇最新的成果《Layered Neural Atlases for Consistent Video Editing》，可以用于视频编辑，从demo来看，可以实现的效果包括删除视频中的物体、可以对视频内的物体进行编辑、风格化迁移等等，效果非常的惊艳。
DEMO地址：https://gitee.com/xcode_xiao/LibGdxDemos2/tree/master/MapDemo
编译|丁雪 佘彦遥 姚佳灵 校对|黄念 席雄芬 前言 纵观现代可视化技术，我们看到了极简主义。在数字化的世界，所有的资源只需点击几下鼠标，就能将手中大量的信息简单呈现。但是，我们不是碰巧才做到这些的，这得感谢那些勇于创新的前辈们。正所谓“前人栽树，后人乘凉”，我们站在了他们的肩膀上，才有了今天比较炫酷的可视化技术。 今天，大数据文摘先请大家看看11张静态的数据可视化图，然后请大家看看一段展示动态数据可视化的视频。通过今天的可视化展示，相信大家更能体会到数字世界中艺术的重要性！ 在大数据时代和信
还记得去年我们介绍过的《国外“30天地图挑战”活动中使用的地图制图工具统计（点击查看）》吗？今年的活动早已如火如荼的开始了，现在已经接近尾声，公众号“地图的世界”每期不落地为大家介绍了网友们提交的作品，欢迎关注他们的公众号！
implementation files('libs/BaiduLBS_Android.jar')
Mapping single-cell data to reference atlases by transfer learning 论文摘要：
无论你是MongoDB的使用者、爱好者、初学者还是路人甲，有一个学习与进修的资源宝藏是千万不可浪费的，那就是MongoDB官方网站。
DeepEarth是一个地图控件，它将微软的Silverlight 2.0平台和DeepZoom（MuliScaleImage）控件联合起来。其核心构建在这些创新的技术上以提供这样一种架构：可以将服务层、数据提供者以及你自己的客户化地图元素集成到富于表现力的用户体验中。同时它还有一些深入的示例说明了如何使用Virtual Earth Web Services以充分利用高级GIS的服务功能。通过以上这些，你就可以将一个交互式、本地的Silverlight 2.0地图集成到你的应用中了。 。该开源项目由其创建
谷歌宣布即将推出更新的Google for Work/Education的Partner云平台合作计划。满足客户对云计算及协同的新需求，并帮助用户将服务迁移到新的平台上。the Google for Work and Education。谷歌将提供的工具、培训、以及资源，包括谷歌应用，Chrome，云平台，地图集搜索等都将融入进Google for Work/Education的Partner云平台。
目前，网络上能够找到的34省区市全套地形图较为稀少。本版地形图来源于纸质版地图集扫描件，虽然行政区划数据较旧，但贵在清晰且成体系。
想要理解ORB-SLAM3的地图管理，仅看ORB-SLAM3的论文[3]是不够的，因为很多细节出现在之前的ORB-SLAM1/2[1][2]，以及ORB-Atlas[4]这几篇论文中。从头到尾搞清楚这些论文中采用的地图管理方法，就能理解ORB-SLAM3中的内容。本文介绍这几篇论文中涉及地图的部分，并不介绍特征跟踪、关键帧创建等内容。作者能力有限，在整理时难免出现疏漏，望读者以原论文为准。
在本文中，我们将了解 HarmonyOs 中的华为地图套件。地图工具包是用于地图开发的 SDK。覆盖200多个国家和地区的地图数据，支持70多种语言。使用此 SDK，您可以轻松地将基于地图的功能集成到您的 HarmonyOs 应用程序中。
Github： https://github.com/wangy8961/python3-concurrency-pics-02 ，欢迎star
在查资料的过程中，我发现网上有几张十六世纪欧洲人画的地图，不知道是从哪里来的，没有背景介绍，但是地图很清晰。我觉得是难得的史料，就把它们转贴在下面。
本文介绍了ORB-SLAM3,这是第一个能够使用单眼、双目和RGB-D相机,使用针孔和鱼眼镜头模型执行视觉、视觉惯性和多地图SLAM的系统.
雷锋网授权转载 作者：Eric Fischer 编译：汤敏 网站: http://www.leiphone.com/ 微信: leiphone-sz 自诩为"map geek"（地图极客）的Eric
躺尸接近三个月的OpenAI博客终于有了更新，这次它为AI研究者带来的作品是“OpenAI Microscope”，中文译名OpenAI 显微镜。
首先分析街拍图集的网页请求头部： 在 preview 选项卡我们可以找到 json 文件，分析 data 选项，找到我们要找到的图集地址 article_url: 选中其中一张图片，分析 json
今天看完为大家整理的17个数据可视化优秀作品，你就知道原来数据可视化作品还可以这样做，欢迎大家分享与收藏。
谈成立。您将在下方找到一个信息图，其中包含有关信息图历史时间线的信息。我们将在整篇文章中更详细地分解每个部分。
JRC Monthly Water History产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成的一套30米分辨率的全球地表水覆盖的月度地表水监测地图集。该数据集共有442景数据，包含1984年3月至2020年12月间的月度水体检测情况，用户可以在全球尺度上按地区回溯某月份水体检测情况。前言 – 人工智能教程
栅格数据在 Earth Engine中表示为Image对象。图像由一个或多个波段组成，每个波段都有自己的名称、数据类型、比例、遮罩和投影。每个图像都将元数据存储为一组属性。
本杂志开源（GitHub: ShixiangWang/weekly[1]），欢迎提交 issue，投稿或推荐生信相关内容。
数据可视化：Data Visualization，即视觉传达，为了清晰有效地传递信息，数据可视化通过统计图形、图表、信息图表和其他工具，例如点、线或条对数字数据进行编码，以便在视觉上传达定量信息。 数据可视化对企业的重要性 有效的可视化可以帮助用户分析和推理数据和证据，它使复杂的数据更容易理解和使用。为了有效地传达思想概念，美学形式与数据功能在可视化中齐头并进，通过直观地传达关键的数据与特征，从而实现业务深入洞察。 数据可视化是企业进行数据分析、数据挖掘、数据治理非常重要的方式。
在数字孪生可视化场景中，如果要更换场景天空，例如白天、黑夜、雾霾效果等，这个时候可以考虑采用天空盒技术。可以为数字孪生可视化场景里添加上一片逼真的天空，使得世界更加美丽真实。
This global friction surface enumerates land-based travel speed for all land pixels between 85 degrees north and 60 degrees south for a nominal year 2015. This map was produced through a collaboration between the University of Oxford Malaria Atlas Project (MAP), Google, the European Union Joint Research Centre (JRC), and the University of Twente, Netherlands. The underlying datasets used to produce the map include roads (comprising the first ever global-scale use of Open Street Map and Google roads datasets), railways, rivers, lakes, oceans, topographic conditions (slope and elevation), landcover types, and national borders. These datasets were each allocated a speed or speeds of travel in terms of time to cross each pixel of that type. The datasets were then combined to produce this “friction surface”, a map where every pixel is allocated a nominal overall speed of travel based on the types occurring within that pixel, with the fastest travel mode intersecting the pixel being used to determine the speed of travel in that pixel (with some exceptions such as national boundaries, which have the effect of imposing a travel time penalty). This map represents the travel speed from this allocation process, expressed in units of minutes required to travel one meter. It forms the underlying dataset behind the global accessibility map described in the referenced paper.
Substance 3D Sampler 是一款三维贴图软件，它可以让用户对各种不同类型的物理材质进行扫描和转换。该软件使用了先进的 AI 技术，能够从现实世界中的物体样本中获取颜色、纹理、光泽等信息，并将其转换为高品质的数字材质贴图。
JRC Yearly Water Classification History, v1.4是一个对全球水资源进行分类的数据集，覆盖了1984年至2019年的时间范围。该数据集是由欧盟联合研究中心（JRC）开发的，使用的数据源是来自Landsat系列卫星的高分辨率图像。数据集根据水体的类型和水体覆盖的百分比进行分类，包括河流、湖泊、人工水体和沼泽等。前言 – 人工智能教程
JRC Global Surface Water Mapping Layers产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。产品由包含7个波段的图像组成，反映了过去35年间地表水在空间和时间的分布情况。
运行平台： Windows Python版本： Python3.6 IDE： Sublime Text 其他工具： Chrome浏览器
作为一个爬虫新手，分析网站思路的学习是我之前学习过程中花费时间精力最大的部分。这次要爬取的网站，来自于百度搜索，宅男女神的第一个结果网站。首先打开F12，观察界面中各个图集的入口信息，发现href标签中带有信息/g/24699/，而后面这个五位数是决定图集不同的主要因素。而且，越是最新的图片，数字越大。网站是通过时间差异来给图集编号，那么只要我遍历所有编号，就能获得所有图片集地址信息了。通过手动测试发现，按顺序编号，不一定存在图集，所有需要一个函数来筛选出有效的详情图片集网址。
This global accessibility map enumerates land-based travel time to the nearest densely-populated area for all areas between 85 degrees north and 60 degrees south for a nominal year 2015. Densely-populated areas are defined as contiguous areas with 1,500 or more inhabitants per square kilometer or a majority of built-up land cover types coincident with a population centre of at least 50,000 inhabitants. This map was produced through a collaboration between the University of Oxford Malaria Atlas Project (MAP), Google, the European Union Joint Research Centre (JRC), and the University of Twente, Netherlands. The underlying datasets used to produce the map include roads (comprising the first ever global-scale use of Open Street Map and Google roads datasets), railways, rivers, lakes, oceans, topographic conditions (slope and elevation), landcover types, and national borders. These datasets were each allocated a speed or speeds of travel in terms of time to cross each pixel of that type. The datasets were then combined to produce a “friction surface”, a map where every pixel is allocated a nominal overall speed of travel based on the types occurring within that pixel. Least-cost-path algorithms (running in Google Earth Engine and, for high-latitude areas, in R) were used in conjunction with this friction surface to calculate the time of travel from all locations to the nearest city (by travel time). Cities were determined using the high-density-cover product created by the Global Human Settlement Project. Each pixel in the resultant accessibility map thus represents the modeled shortest time from that location to a city.
在深圳Cocos沙龙上，有幸结识了社区中大名顶顶的Colin，Shawn在社区论坛上第一次看到Colin的团队用CocosCreator制作的《热血暗黑》时就被深深地震撼到了！更为重要的是，Colin将他的技术心得和宝贵开发经验写成文字，每一篇分享都是满满的干货。而且幸运的是Shawn得到Colin的授权许可，将他的文章散播到奎特尔星球，我们一起欣赏一起成长！
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
