背景2021年11月，随着波卡主网正式开启平行链插槽拍卖，波卡生态顿时成为一股耀眼的新势力。在波卡生态中，Gear则是相对被低估的项目之一。作为波卡智能合约平台，Gear在技术上支持异步编程和并行计算、WASM虚拟机，据称Gear的运行速度大幅高于传统EVM链，其TPS（每秒交易数量）可比以太坊和BSC、Polygon等EVM系公链高出几个数量级。GearCEONikolayVolf也明确表示，Gear将支持DApp开发者使用Rust、C、C++等主流开发语言部署智能合约，并推出适用于不同应用的模板和库，让开发者仅修改部分参数就能轻松地部署DApp，尽可能增强其兼容性。Gear的定位是一条新公
基于BERT-PGN模型的中文新闻文本自动摘要生成（2020.07.08）基于BERT-PGN模型的中文新闻文本自动摘要生成（2020.07.08）摘要：0引言相关研究2BERT-PGN模型2.1基于预训练模型及多维语义特征的词向量获取阶段2.1.1BERT预训练语言模型2.1.2多维语义特征2.2基于指针生成网络模型的句子生成阶段3实验与分析3.1实验数据3.2评价指标3.3对比实验3.4实验环境及参数设置3.5实验结果与分析3.5.1总体摘要结果对比实验3.5.2多维语义特征对比实验3.5.3coverage机制实验分析4结语摘要：针对文本自动摘要任务中生成式摘要模型对句子的上下文理解不够
文章目录一、程序流程图二、头文件程序详解1、public.h2、driver.h3、device.h4、trace.h5.XDMA.h三、C++程序详解1、driver.c1.头文件2.声明3.标记分页函数4.定义5.主函数1）参数&类型2）WPP（非必要）3）清理回调函数4）驱动初始化5）创建对象6.EvtDeviceAdd函数1）初始化：状态、分页、详细追踪2）设置传输：`I/O方式`3）PNP（即插即用）事件4）电源管理事件5）寄存器文件6）设备初始化7）用户设备空间接口8）队列例程7.EvtDevicePrepareHardware函数1）初始化2）XDMA_DeviceOpen函数1
端到端流式语音识别研究综述（2022.09）摘要：引言：1端到端流式语音识别模型1.1可直接实现流式识别的端到端模型1.2改进后可实现流式识别的端到端模型1.2.1基于单调注意力机制的方法1.2.2基于块的方法1.2.3基于信息堆叠的方法1.2.4其他方法2端到端流式语音识别模型的优化方法与策略2.1如何降低流式语音识别模型的延迟2.2如何提高流式语音识别模型的准确率3数据集与评估标准3.1数据集3.2评价指标摘要：语音识别是实现人机交互的一种重要途径，是自然语言处理的基础环节，随着人工智能技术的发展，人机交互等大量应用场景存在着流式语音识别的需求。流式语音识别的定义是一边输入语音一边输出结果
背景随着区块链技术的飞速发展，区块链成为执行智能合约的良好平台。然而，由于智能合约在区块链上的交易处理性能仍然很低。在某些情况下它不能满足实时要求。本文提出了一种基于区块链的并行智能合约模型，该模型在交易处理方面具有更好的性能。所提出方法的挑战是并行模式的实现和所提出模型的同步问题的解决方案。本文使用多线程技术来实现所提出的模型，其中事务是并行执行的。然后我们提出了一种事务拆分算法来解决同步问题。最后，实验分析证明，这种并行模型正是在事务处理性能上取得了显着的进步。贡献本文提出了一种新的智能合约模型。它使用多线程技术[5]并行执行智能合约。使用这种新模型处理交易可以降低平均时间成本，并使智能合
这是今天读的第二篇论文，EfficientDet:ScalableandEfficientObjectDetection。论文地址以引用方式出现，听起来好像挺酷，其实大家根本不会看的，对吧==这篇论文主要讨论了两个方面，加权双向特征金字塔网络（BiFPN）也是本文重点，另一方面提出改进型网络EfficientDet，可以同时统一缩放所有骨干网、特征网络和框/类预测网络的分辨率、深度和宽度的模型。代码地址：https://github.com/google/automl/tree/master/efficientdet非重点番外：模型缩放：根据[2][3]，作者认为增加通道大小和重复特征网络工作
MapTR为在线矢量化地图构建提供有效的端到端的网络结构。作者提出一种统一的基于排列的建模方法，即将地图元素的等效排列作为点集进行建模，避免地图元素模糊定义并且可以简化学习。在网络结构上，作者采用一种分层的queryembedding方法来灵活的编码结构性地图信息并且使用分层的二分匹配方法学习地图元素信息。 MapTR在nuScenes数据集上比现存的矢量化地图构建方法性能更好，MapTR-nano在RTX3090上推理速度为25.1FPS，比现存的实时的基于视觉方法快了8倍，与此同时，其mAP比其他方法高了3.3；MapTR-tiny比现有的多模态方法mAP高了13.5，并且速度更快。
最近搞EtherCAT。EtherCAT协议栈目前无非就是几种选择，要么花钱买商用的，要么IGH或者SOEM。IGH算是实现得比较全，不过只能在Linux操作系统上运行。Linux大家都知道，并非实时操作系统，于是就有了一些实时补丁，比较典型的Xenomi，就是独立于Linux的一个内核。移植Xenomai，倒也是一个思路。不过毕竟在Linux的底子上，想要进一步提升总线周期的稳定性，恐怕要从Linux内核层入手进行深度改造了。好消息是暂时并不需要把功能做得比较全，这样简单一些得SOEM在MCU上裸跑也是个不错（偷懒）的选择。网上关于SOEM移植的文章很多，参照官方例程依葫芦画
最近搞EtherCAT。EtherCAT协议栈目前无非就是几种选择，要么花钱买商用的，要么IGH或者SOEM。IGH算是实现得比较全，不过只能在Linux操作系统上运行。Linux大家都知道，并非实时操作系统，于是就有了一些实时补丁，比较典型的Xenomi，就是独立于Linux的一个内核。移植Xenomai，倒也是一个思路。不过毕竟在Linux的底子上，想要进一步提升总线周期的稳定性，恐怕要从Linux内核层入手进行深度改造了。好消息是暂时并不需要把功能做得比较全，这样简单一些得SOEM在MCU上裸跑也是个不错（偷懒）的选择。网上关于SOEM移植的文章很多，参照官方例程依葫芦画
改进YOLOV5的密集行人检测算法研究（2021.08）摘要：1YOLOV52SENet通道注意力机制3改进的YOLOV5模型3.1训练数据处理改进3.2YOLOV5网络改进3.3损失函数改进3.3.1使用CIoU3.3.2非极大值抑制改进4研究方案与结果分析4.1实验平台与数据集4.2网络训练4.3模型评价与对比4.4检测效果对比5结语摘要：针对在人员密集区或相互拥挤场景下进行的行人目标检测时，因行人遮挡或人像交叠所导致的跟踪目标丢失、检测识别率低的问题，提出了一种融合注意力机制的改进YOLOV5算法。通过引入注意力机制来深入挖掘特征通道间关系和特征图空间信息，进一步增强了对行人目标可视区域
