开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

金字塔中基于动态用户的授权

金字塔是一种常见的数据结构，它由一个顶点和若干层组成，每一层的节点都连接到下一层的节点。在金字塔中，基于动态用户的授权是指根据用户的动态属性来决定其访问权限。

基于动态用户的授权可以通过以下几种方式实现：

角色授权：将用户分配到不同的角色中，每个角色都有不同的权限。当用户的角色发生变化时，其权限也会相应变化。
属性授权：根据用户的属性来决定其权限。例如，可以根据用户的年龄、性别、职位等属性来决定其访问权限。
时间授权：根据用户的访问时间来决定其权限。例如，可以在特定时间段内允许用户访问特定资源。
地理位置授权：根据用户的地理位置来决定其权限。例如，可以只允许特定地区的用户访问特定资源。

基于动态用户的授权可以应用于各种场景，例如：

企业内部管理系统：根据用户的职位和权限，可以实现不同用户的不同权限。
电子商务平台：根据用户的购买记录和评价，可以实现不同用户的不同权限。
社交媒体平台：根据用户的关注和粉丝数量，可以实现不同用户的不同权限。

推荐的腾讯云相关产品：

腾讯云API网关：可以实现对API的权限控制，支持多种认证方式和授权策略。
腾讯云访问管理服务（CAM）：可以实现对腾讯云资源的细粒度授权，支持多种授权策略。
腾讯云资源访问管理（RAM）：可以实现对腾讯云资源的授权，支持多种授权策略和角色管理。

产品介绍链接地址：

腾讯云API网关：https://cloud.tencent.com/product/apigateway
腾讯云访问管理服务（CAM）：https://cloud.tencent.com/product/cam
腾讯云资源访问管理（RAM）：https://cloud.tencent.com/product/ram

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

不做代码审查又怎样？| TW洞见

今日洞见文章作者/配图来自ThoughtWorks：王健。本文所有内容，包括文字、图片和音视频资料，版权均属ThoughtWorks公司所有，任何媒体、网站或个人未经本网协议授权不得转载、链接、转贴或以其他方式复制发布/发表。已经本网协议授权的媒体、网站，在使用时必须注明"内容来源：ThoughtWorks洞见"，并指定原文链接，违者本网将依法追究责任。从一次回顾会议开始 “要不……我们不做……代码审查了……试试？”还记得当有人抛出这个建议时周围同学的表情，那种表情用两个字加两个标点符号就可以形容：“

07

Facebook VR方案总结（二）

前言 VR技术是目前最受关注的前沿科技之一，受到了各家互联网公司的青睐，但这并不是首次。实际上，VR在发展史上经历了三次热潮。第一次热潮发生在上个世纪60年代，出现了第一个计算机图像驱动的头戴式显示设备以及头部位置跟踪系统，是VR发展历史上的一个重要里程碑。第二次热潮发生在上个世纪90年代，3D游戏的上市使得VR技术关注度剧增，但由于当时VR技术尚不成熟，游戏画质差价格高，因而这一次的VR热潮就此消退。到2014年，Facebook公司收购Oculus后，VR热潮再度袭来，Facebook创始人在中国发展高

学界 | 金字塔注意力网络：一种利用底层像素与高级特征的语义分割网络

在卷积神经网络的近期发展中，根据其丰富的层级特征和端到端的可训练框架，像素级语义分割方面有了可观的进步。但是在编程高维度代表的过程中，原本像素级的环境背景中的空间分辨率会降低。如图 1 显示，FCN 基线无法在细节部分做出精准预测。第二排图片中，在牛旁边的羊被识别到错误分类之中；以及第一排图片中自行车的把手没有被识别成功。对此我们需要考虑两个具有挑战性的问题。

00

图像特征点|SIFT特征点之图像金字塔

计算机视觉中的特征点提取算法比较多，但SIFT除了计算比较耗时以外，其他方面的优点让其成为特征点提取算法中的一颗璀璨的明珠。SIFT算法的介绍网上有很多比较好的博客和文章，我在学习这个算法的过程中也参看网上好些资料，即使评价比较高的文章，作者在文章中对有些比较重要的细节、公式来历没有提及，可能写博客的人自己明白，也觉得简单，因此就忽略了这些问题，但是对刚入门的人来说，看这些东西，想搞清楚这些是怎么来的还是比较费时费力的。比如SIFT算法中一个重要的操作：求取描述子的主方向。好多文章只是一提而过或忽略，然后直接给出一个公式，SIFT算法的原作者也提使用抛物线插值，但是具体怎么插的就不太详尽了，对于初学者来说更是不知所云。因此本文打算在参看的文章上对有关这些细节给出一些比较详细的说明，还有本文尽量对操作过程配备对应图片或示意图说明，同时附上robwhesss开源SIFT C代码对应程序块并给予注解，方便理解。

04

OpenCV SIFT特征算法详解与使用

SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大，很难实时，所以对一些实时要求比较高的常见SIFT算法还是无法适用。如今SIFT算法在深度学习特征提取与分类检测网络大行其道的背景下，已经越来越有鸡肋的感觉，但是它本身的算法知识还是很值得我们学习，对我们也有很多有益的启示，本质上SIFT算法是很多常见算法的组合与巧妙衔接，这个思路对我们自己处理问题可以带来很多有益的帮助。特别是SIFT特征涉及到尺度空间不变性与旋转不变性特征，是我们传统图像特征工程的两大利器，可以扩展与应用到很多图像特征提取的算法当中，比如SURF、HOG、HAAR、LBP等。夸张一点的说SIFT算法涵盖了图像特征提取必备的精髓思想，从特征点的检测到描述子生成，完成了对图像的准确描述，早期的ImageNet比赛中，很多图像分类算法都是以SIFT与HOG特征为基础，所有SIFT算法还是值得认真详细解读一番的。SIFT特征提取归纳起来SIFT特征提取主要有如下几步：

03

运营必读 |“用户金字塔模型”在社区产品中的重要性

我在给一些公司和业内做《用户运营工作的基本逻辑》这个分享的时候，提到过一个“用户金字塔模型”，当时只是简单的做了扩展。这个模型我觉得是所有运营工作者、产品工作者，乃至项目的总负责人都应该好好考虑的一个

02

CVPR 2022 | 结合短期动态、长期一致性，视频伪装物体检测框架，大幅超越SOTA

机器之心专栏作者：程雪莲、熊欢、范登平、钟怡然等本文提出了一个用于视频伪装物体分割的方法 SLT-Net，并构建了第一个大规模 VCOD 数据集，MoCA- Mask，该研究入选CVPR 2022。视频伪装物体检测（Video Camouflaged Object Detection，VCOD）是找出视频中在外观上与背景展现出极高相似性的物体的任务。尽管拥有广泛的应用场景（例如：监控与安防 [25]、自动驾驶 [33, 5]、医学图像分割 [12, 43]、蝗虫检测 [18] 与机器人 [29]），伪

03

还做单元测试吗？【留言赠书】

后者是指对页面的每一个组件（如文本框、按钮等）进行测试，以验证它们的功能、性能和安全性，有时也被称为组件测试。

02

学交互 | 使用Tableau制作的可参考交互图

源自|新据点微信号|xinjudian001 G2 Growd，一家美国智能软件评价公司，在发布的最新软件排行榜中，Tableau Desktop获得了智能软件排行榜中最高的评分。 Tableau

07

opencv高斯金字塔_高斯求和公式

图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素（尺寸）逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。

01

细粒度特征提取和定位用于目标检测（附论文下载）

近年来，深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名，并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大的性能。该网络设计了一堆小卷积滤波器，使网络结构非常简单，但网络有一些定位错误。

01

PPCNN：细粒度特征提取和定位用于目标检测（附论文下载）

近年来，深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名，并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大的性能。该网络设计了一堆小卷积滤波器，使网络结构非常简单，但网络有一些定位错误。

02

Yolo框架优化：黑夜中也可以实时目标检测，

目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。

03

ArcMap中构建金字塔详解

金字塔可用于改善性能。它们是原始栅格数据集的缩减采样版本，可包含多个缩减采样图层。金字塔的各个连续图层均以 2:1 的比例进行缩减采样。如下图所示。从金字塔的底层开始每四个相邻的像素经过重采样生成一个新的像素，依此重复进行，直到金字塔的顶层。重采样的方法一般有以下三种: 双线性插值（BILINEAR）、最临近像元法（NEAREST）、三次卷积法（CUBIC）。其中最临近像元法速度最快，如果对图像的边缘要求不是很高，最适合使用该方法。三次卷积由于考虑的参考点数太多、运算较复杂等原因，速度最慢，但是重采样后图像的灰度效果较好。

01

为什么很多互联网公司很少做单元测试？

后者是指对页面的每一个组件（如文本框、按钮等）进行测试，以验证它们的功能、性能和安全性，有时也被称为组件测试。

02

如何在 Python 中使用 plotly 创建人口金字塔？

在本文中，我们将探讨如何在 Python 中使用 Plotly 创建人口金字塔。Plotly是一个强大的可视化库，允许我们在Python中创建交互式和动态绘图。

01

测试金字塔的奥秘和数学

它可能被称为“测试自动化金字塔”，但在大多数情况下看起来都像三角形一样可怕。如果使用吉萨大金字塔的尺寸和本文中讨论的数学方程式，您将最终对测试金字塔的每一层的作用和依赖性以及建立牢固基础的重要性有更深入的了解。

00

黑夜/光线差的场景中目标检测痛点可以缓解

目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。

02

ECCV 2018 | 美图云联合中科院提出基于交互感知注意力机制神经网络的行为分类技术

深度卷积神经网络中，特征图里相邻空间位置的局部通道特征，往往由于它们的感受野重叠而具有很高的相关性。自注意机制模型通常利用每个局部特征内部元素的加权和（或其他函数）来获得其权重得分，此权重用于加权所有局部特征获取关键特征。尽管局部特征之间具有很高的相关性，但此权重计算并没有考虑到它们之间的相互作用。

03

PE-YOLO：解决黑夜中的目标检测难点

目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。

04

测试金字塔的奥秘和数学

它可能被称为“测试自动化金字塔”，但在大多数情况下看起来都像三角形一样可怕。如果使用吉萨大金字塔的尺寸和本文中讨论的数学方程式，您将最终对测试金字塔的每一层的作用和依赖性以及建立牢固基础的重要性有更深入的了解。

04

SIFT–尺度空间、高斯金字塔

SIFT成名已久，但理解起来还是很难的，一在原作者Lowe的论文对细节提到的非常少，二在虽然网上有许多相应博文，但这些博文云里雾里，非常头疼，在查看了许多资料了，下面贴出我自己的一些理解，希望有所帮助。

01

中科大提出PE-YOLO | 让YOLO家族算法直击黑夜目标检测

近年来，卷积神经网络（CNN）的出现推动了目标检测领域的发展。大量的检测器被提出，针对基准数据集的性能也取得了令人满意的结果。然而，大多数现有的检测器都是在高质量图像和正常条件下进行研究的。而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。视觉感知模型使得自动系统能够理解环境并为后续任务（如轨迹规划）奠定基础，这需要一个稳健的目标检测或语义分割模型。

03

中科大提出PE-YOLO | 让YOLO家族算法直击黑夜目标检测

近年来，卷积神经网络（CNN）的出现推动了目标检测领域的发展。大量的检测器被提出，针对基准数据集的性能也取得了令人满意的结果。然而，大多数现有的检测器都是在高质量图像和正常条件下进行研究的。而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。视觉感知模型使得自动系统能够理解环境并为后续任务（如轨迹规划）奠定基础，这需要一个稳健的目标检测或语义分割模型。

05

Feature Selective Anchor-Free Module for Single-Shot Object Detection(文献阅读)

目标的多尺度变化在目标检测中是一个很重要的问题，利用特征层多尺度(或anchor多尺度)是一种有效的解决方案。Anchor box用于将所有可能的Instance box离散为有限数量的具有预先定义的位置、尺度和纵横比的box。Instance box和Anchor box基于IOU重叠率来匹配。当这种方法集成到特征金字塔的时候，大的anchor通常和上部的特征相映射，小的anchor通常和下部的特征相映射，如下图所示。这是基于启发式的，即上层特征图有更多的语义信息适合于检测大的目标，而下层特征图有更多的细粒度细节适合于检测小目标。然而，这种设计有两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。在训练过程中，每个实例总是根据IoU重叠匹配到最近的锚盒。而锚框则通过人类定义的规则(如框的大小)与特定级别的功能映射相关联。因此，为每个实例选择的特性级别完全基于自组织启发式。例如,一个汽车实例大小50×50像素和另一个类似的汽车实例规模60×60像素可能分配到两个不同的特征层,而另一个40×40像素大小的实例可能被分配到和50x50相同的特征层,如下图所示。

02

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

03

构建图像金字塔：探索 OpenCV 的尺度变换技术

在计算机视觉领域，图像金字塔是一种强大的技术，可用于在不同尺度下对图像进行分析和处理。金字塔的概念借鉴了古埃及的金字塔形状，其中每一级都是前一级的缩小版本。本篇博客将深入探讨如何构建图像金字塔，以及如何在实际应用中利用金字塔来解决各种计算机视觉问题。我们将使用 OpenCV 库和 Python 编程语言进行实际演示。

05

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

专栏 | CVPR 2017论文解读：特征金字塔网络FPN

机器之心专栏作者：李俊近日，CVPR 2017获奖论文公布，引起了业内极大的关注。但除了这些获奖论文，还有众多精彩的论文值得一读。因此在大会期间，国内自动驾驶创业公司 Momenta 联合机器之心

06

测试金字塔实战 | 洞见

这是一篇非常漫长并且艰深的文章的节选（点击文末阅读原文查看全文），它解释了为什么我们需要测试，以及如何对软件进行测试的问题。好消息是，这篇文章提供的信息经得起时间推敲，无论你在构建什么样的软件都能适用。不管你是工作在一个微服务项目上，还是 IoT 设备上，抑或是手机应用或者网页应用，这篇文章提供的观点应该都有章可寻。

02

Feature Selective Anchor-Free Module for Single-Shot Object Detection

提出了一种简单有效的单阶段目标检测模块——特征选择无锚定(FSAF)模块。它可以插入到具有特征金字塔结构的单阶段检测器中。FSAF模块解决了传统基于锚点检测的两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。FSAF模块的总体思想是将在线特征选择应用于多水平无锚分支的训练。具体来说，一个无锚的分支被附加到特征金字塔的每一层，允许在任意一层以无锚的方式进行盒编码和解码。在训练过程中，我们动态地将每个实例分配到最合适的特性级别。在推理时，FSAF模块可以通过并行输出预测与基于锚的分支联合工作。我们用无锚分支的简单实现和在线特性选择策略来实例化这个概念。在COCO检测轨道上的实验结果表明，我们的FSAF模块性能优于基于锚固的同类模块，而且速度更快。当与基于锚点的分支联合工作时，FSAF模块在各种设置下显著地改进了基线视网膜网，同时引入了几乎自由的推理开销。由此产生的最佳模型可以实现最先进的44.6%的映射，超过现有的COCO单单阶段检测器。

02

微服务架构之「微服务测试」

微服务测试的痛点与挑战这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。微服务是一种架构模式，是面向服务型架构SOA的一种变体，提倡将单一应用程序逐渐还原划分成小的服务，服务间互相协调、互相配合，为用户提供最终价值。微服务架构风格就是一些小而自治的服务协同工作形成松耦合的系统。另外，我们需要尽量

01

【从零学习OpenCV 4】图像金字塔

构建图像的高斯金字塔是解决尺度不确定性的一种常用方法。高斯金字塔是指通过下采样不断的将图像的尺寸缩小，进而在金字塔中包含多个尺度的图像，高斯金字塔的形式如图3-30所示，一般情况下，高斯金字塔的最底层为图像的原图，每上一层就会通过下采样缩小一次图像的尺寸，通常情况尺寸会缩小为原来的一半，但是如果有特殊需求，缩小的尺寸也可以根据实际情况进行调整。由于每次图像的尺寸都缩小为原来的一半，图像尺缩小的速度非常快，因此常见高斯金字塔的层数为3到6层。OpenCV 4中提供了pyrDown()函数专门用于图像的下采样计算，便于构建图像的高斯金字塔，该函数的函数原型在代码清单3-51中给出。

01

软件测试|测试金字塔是什么，它的目的是什么，以及它包含哪些层次？

测试金字塔是2009年Mike Cohn在他的著作《Succeeding with Agile》一书正式提出的。他是一个类比的概念，形容每一层，或者说不同集成阶段测试覆盖率和知行效率之间的一个相对关系。

01

Spatial Attention Pyramid Network for Unsupervised Domain Adaptation

无监督域适配在各种计算机视觉任务重很关键，比如目标检测、实例分割和语义分割。目的是缓解由于域漂移导致的性能下降问题。大多数之前的方法采用对抗学习依赖源域和目标域之间的单模式分布，导致在多种场景中的结果并不理想。为此，在本文中，我们设计了一个新的空口岸注意力金字塔网络来进行无监督域适配。特别的，我们首先构建了空间金字塔表示来获得目标在不同尺度的内容信息。以任务指定的信息为引导，在每个尺度上，我们组合了密集的全局结构表示和局部纹理模式，有效的使用了空间注意力截止。采用这种方式，网络被强迫关注内容信息由区别力的地方来进行域适配。我们在各种由挑战性的数据集上进行了昂贵的实验，对目标检测、实例分割和语义分割进行了域适配，这证明了我们的方法比最佳的方法有了很大的提升。

03

微服务架构之「微服务测试」

这张图可以形象地展示单体服务和微服务的对比，单体应用就像左边巨大的集装箱，软件模块和应用都包括其中；而微服务就像是由一个小集装箱组成，微小的服务组成一个庞大、完整的系统。单体服务是一个大而全的应用体，而微服务由拆分成出来的很多小服务来组成一个庞大而完整的系统。

02

图像金字塔分层算法

一. 图像金字塔概述 1. 图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。 2. 图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是

06

教程 | 先理解Mask R-CNN的工作原理，然后构建颜色填充器应用

选自matterport 作者：Waleed Abdulla 机器之心编译参与：刘晓坤上年 11 月，matterport 开源了 Mask R-CNN 实现，它在 GitHub 已 fork1400 次，被用于很多项目，同时也获得了完善。作者将在本文中解释 Mask R-CNN 的工作原理，并介绍了颜色填充器的应用案例和实现过程。代码（包括作者构建的数据集和已训练的模型）：https://github.com/matterport/Mask_RCNN/tree/master/samples/ball

05

CV学习笔记（十二）：图像金字塔

尺度，顾名思义就是说图像的尺寸和分辨率。在我们进行图像处理的时候，会经常对源图像的尺寸进行放大或者缩小的变换，进而转换为我们指定尺寸的目标图像。在对图像进行放大和缩小的变换的这个过程，我们称为尺度调整。

00

清华优博论文丨物体检测中的特征构建与模型优化

摘要：本文针对物体检测中的环境变化多样、物体尺度变化不一、搜索空间巨大等挑战性问题，围绕特征构建、模型优化和应用等方面进行研究。针对物体检测中的多尺度特征融合问题，提出针对物体检测的神经网络特征融合方法HyperNet；进一步提出了逆向连接的特征金字塔物体检测方法，将不同尺度的物体分配不同层次的特征，该方法大大减少了多尺度物体检测的难度；提出了无需候选窗的物体检测模型FoveaBox，摒弃了传统依赖候选窗扫描的过程。本文提出的系列方法已经在检测、分割、姿态估计等方面成功得到拓展。

02

网站数据分析师，你应该思考的几个问题

简单理解：网站的数据分析师，主要是针对目标站点进行SEO诊断，在这个过程中，它涉及大量的数据分析，比如：

02

CV学习笔记（十二）：图像金字塔

尺度，顾名思义就是说图像的尺寸和分辨率。在我们进行图像处理的时候，会经常对源图像的尺寸进行放大或者缩小的变换，进而转换为我们指定尺寸的目标图像。在对图像进行放大和缩小的变换的这个过程，我们称为尺度调整。

01

【工程应用一】多目标多角度的快速模板匹配算法（基于NCC，效果无限接近Halcon中........)

愿意写代码的人一般都不太愿意去写文章，因为代码方面的艺术和文字中的美学往往很难兼得，两者都兼得的人通常都已经被西方极乐世界所收罗，我也是只喜欢写代码，让那些字母组成美妙的歌曲，然后自我沉浸在其中自得其乐。而今天，在清明之际，在踏青时节，我还是忍不住停下来歇歇脚，稍微共享一下最近一直研究的一个非常基础的算法和应用 - 多目标多角度的模板匹配。

06

尺度空间原理_多尺度分割算法原理

每个物体，我们总可以用一些词语或部件来描述它，比如人脸的特征：两个眼睛、一个鼻子和一个嘴巴。对于图像而言，我们需要计算机去理解图像，描述图像就需要计算机去取得图像的特征，对图像比较全面的描述即一个二维矩阵，矩阵内的每个值代表图像的亮度。有时候我们需要让计算机更简化的来描述一个图像，抓住一些显著特征，这些特征要具有一些良好的性质，比如局部不变性。局部不变性一般包括两个方面：尺度不变性与旋转不变性。

02

方法论系列：用四个金字塔来说明金字塔原理

之前发表的一系列博客主要以技术原理及应用为主，很少发布“方法论”相关的内容；在日常工作中有一些好的方法论的加持，可以让工作内容更顺利的推进，达到事半功倍的效果。而日常工作中针对不同的工作任务所使用的方法论也有所不同；接下来将总结下工作中常用的方法论以及具体的使用场景。

02

opencv(4.5.3)-python(十七)--图像金字塔

通常情况下，我们习惯于使用一个恒定大小的图像。但在某些情况下，我们需要处理不同分辨率的（相同）图像。例如，当我们在图像中搜索某个东西时，比如人脸，我们不确定该物体会以何种尺寸出现在所述图像中。在这种情况下，我们需要创建一组具有不同分辨率的相同图像，并在所有这些图像中搜索物体。这些具有不同分辨率的图像集被称为图像金字塔（因为当它们被保存在一个堆栈中，最高分辨率的图像在底部，最低分辨率的图像在顶部，它看起来像一个金字塔）。

03

「企业级产品设计」金字塔原则在设计提案中的使用

前言行业项目设计提案的难点设计提案是设计稿思维和过程的呈现。在行业的项目中，我们常常通过设计提案，在签单前助力项目达成，或者在签单后说服客户接受设计稿。然而，根据笔者和同组伙伴的经验，输出行业项目设计提案并不容易。它的难点包括：如何应对这些难点？采用结构化思维组织提案，可以有效的提高输出效率、稳定输出质量。那么何种结构化思维能应用在设计提案场景中呢？金字塔原则是一种层次性、结构化的思考和沟通技巧，旨在帮助使用者高效的编写简明扼要的报告。这种技巧由芭芭拉·明托提出，经过多年的发展传播，常出现在各大

02

2020年中国第七次人口普查各省总人口数据可视图（2）——人口年龄结构

花了一点时间用Python和seaborn绘制了全国人口年龄结构图以及31个省市的人口年龄结构图，也被称为人口金字塔。

01

小众款可视化统计图，创意直观解锁新的玩法

统计图是辅助作者和读者沟通的有效工具，可以很好的展现数据特征，快捷地将数据内涵呈现出来，同时还可以让内容看起来更加美观易读。统计图可以使复杂的统计数字简单化、通俗化、形象化，使人一目了然，便于理解和比较。

02

谷歌大脑新技术——多尺度特征金字塔结构用于目标检测

当前最先进的目标检测卷积结构是手动设计的。在这里，我们的目标是学习一个更好的特征金字塔网络结构的目标检测。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭