空间模块代码（代码空间公司）

eBPF代码如果插入到一个dkms模块的binary块中，在暴露到用户空间就是一个很大的安全隐患。

深入浅出eBPF｜你要了解的7个核心问题

论文题目: DMSANet: Dual Multi Scale Attention Network

链接: 网页链接

代码: 网页链接

摘要: 文中提出了一种新的注意力模块, 与大多数现有模型相比, 它不仅可以获得最佳性能, 而且参数更少. 由于其轻量级的特性, 我们的注意力模块可以很容易地与其他卷积神经网络集成. 提出的名为双多尺度注意力网络(DMSANet, Dual Multi Scale Attention Network)由两部分组成: 第一部分用于提取各种尺度的特征并聚合它们; 第二部分并行使用空间和通道注意力模块来自适应地将局部特征与它们的全局依赖.

动机: 现有的注意力模块尽管实现了好的效果, 但是导致计算量的增加; 现有的通道注意力和空间注意力只关注局部信息, 忽略了通道之间的长依赖关系; 以往的注意力无法处理多尺度信息、复杂的信息. 而提出的想法可以以更少的计算代价聚合不同尺度的信息, 捕获更多的上下文信息.

网络结构: 特征图在进入注意力机制之前, 被分为两块, 分别进入两个分支; 通道注意力模块, 减少网络的参数; 空间注意力模块, 完成多尺度信息聚合.

注意机制流程:

1. 利用特征图中两个像素之间的空间关系建立一个空间注意矩阵;

2. 空间注意矩阵与原始特征图相乘, 生成一个新的矩阵;

3. 产生的矩阵与原始的特征图像素级求和;

本人致力于于Sci论文撰写、注意力机制模型等方面, 大家有疑问可直接私信或关注我@Sci博士 [来看我][来看我]

课程名称（中文）

Python与数据分析

课程名称（英文）

Python Programming and Data Analyzing

课程类别

通识选修课、专业拓展课

特殊课程类型

线下、线上混合教学

周学时

3

线上学时

12

线下面授学时

36

总学时

48

学分

1.5

先修课程

无需任何先修课程

授课对象

全校本科生

1

课程简介

（1）课程在实现毕业要求中的作用，课程在专业知识体系中的位置

伴随着大数据、人工智能技术的发展与普及，数据分析技术已经成为各行各业从业人员的必备技能。数据分析技术也逐渐成为本科生的必备技能，也成为各个专业的基础课，数据的获取、预处理、分析、可视化等工作几乎贯穿到本科课程设计、毕业论文全过程。

（2）课程主要内容及知识结构

考虑到各个专业对数据分析知识需求的共性，本课程将教学内容设计为“Python与数据分析”。教学内容分Python基础、数据分析、数据可视化三部分：

★ Python基础部分，注重梳理基础知识及知识之间的关系，强调基础概念教学，并将大量烦琐的知识点通过分类、关系图表形式呈现给学生，使之迅速把握Python基础知识点；

★ 数据分析部分，注重实践与实用原则，将教学内容集中在文本数据分析、数字数据分析、Pandas数据分析三部分，使学生能迅速掌握几类数据的基本分析方法；

★ 数据可视化部分，注重数据可视化分析与快捷绘图，以讲授Seaborn数据可视化为主，使学生能快捷地掌握数据可视化分析方法与技巧。

（3）课程学习对学生专业成长具有的价值

学生认真学好本课程，可以掌握Python基础、网络爬虫的编写、数字与文本数据分析及可视化方法，具备网络数据获取、预处理、数据分析以及数据可视化的能力，为将来提升毕业论文质量、从事相关数据分析工作或机器学习打好基础。

（4）教师对学生投入课程学习的要求

本课程面向没有任何编程基础的学生。学生通过课程学习和大量编程实验，可以较好地掌握相关内容。

（5）课程学习要求和学习建议

★ 掌握好Python基本概念

建议初学者在掌握Python基本概念的基础上，结合数据结构与算法来学习Python。Python入门比较容易，但是许多知识点之间（如第三方库）关联并不大。初学者往往被“几行代码做人脸识别”、“几行代码完成爬虫”等教程诱惑，而忽视Python基础知识的学习，在没有掌握Python名字空间、模块、类、对象、装饰器、生成器、闭包等概念的基础上，去搞“几行代码做某某系统”基本上是浪费时间。

★ 掌握纯正的Python风格代码编程

初学Python可先关注问题或算法的实现，然后再从软件工程和Python语言特色方面来提高代码的质量。Python语言有许多其他语言没有的语法和函数，许多读者按照其编程语言（如Java、C++）的惯性思维来学习Python语言，往往不利于掌握纯正的Python语言。

★ 关注数据分析和行业动态

Python语言仅是基础，如果将来要从事相关应用开发，必须结合岗位的需求拓展其他知识。如将来若转向Python Web系统开发，还必须学习Django、Flask、Tornado等；如果想从事人工智能和机器学习行业，还必须学习TensorFlow、PyTorch等框架

2

课程目标

1. 课程思政的育人目标

培养具有较高职业素养的编程与数据处理人才。学生应掌握数据分析相关法律、法规，数据分析伦理道德。将来走向工作岗位后，要合理、合法地应用数据分析技术从事对人类有益的事业，能抵御诱惑，杜绝从事任何违法、违背伦理道德的数据分析工作。

2. Python学习目标

掌握Python的编程模式，熟练运用Python内置函数与运算符、列表、元组、字典、集合等基本数据类型以及相关列表推导式、切片、序列解包等语法来解决实际问题，熟练掌握Python分支结构、循环结构、函数设计以及类的设计与使用。

3. 数据分析学习目标

掌握Numpy数组运算和矩阵运算、中文分词jiebai、文本可视化词云、网络爬虫、Pandas基本数据结构以及数据分析与处理。

4. 数据可视化学习目标

掌握Seaborn模块的使用，数据自身的统计特征、不同类别的数据之间的关联特征、不同类别属性的数据横向对比特征、数据与评估模型之间关系特征。

课程目标与毕业要求指标点高支撑的对应关系表

图片

3

课程教学设计

课程目标与教学内容和教学方法的对应关系表

用于少数镜头动作识别的空间-时间关系模型

我们提出了一个新的几张照片的动作识别框架--STRM，它能提高特定类别的特征辨别能力，同时学习高阶的时间表征。我们的方法的重点是一个新的空间-时间丰富模块，它用专门的局部斑块级和全局框架级特征丰富子模块来聚合空间和时间背景。局部斑块级的丰富化捕捉了行动的基于外观的特征。另一方面，全局框架级别的丰富化明确地编码了广泛的时间背景，从而捕捉到了相关物体随时间变化的特征。由此产生的空间-时间上的丰富表征被用来学习查询和支持动作子序列之间的关系匹配。我们还在补丁级丰富的特征上引入了一个查询-相似性分类器，通过加强所提出的框架中不同阶段的特征学习来提高特定类别特征的可辨识性。实验是在四种少见的动作识别基准上进行的。Kinetics、SSv2、HMDB51和UCF101。在具有挑战性的SSv2基准上，我们的方法与文献中最好的现有方法相比，在分类精度上实现了3.5%的绝对增益。我们的代码和模型将被公开发布。

《Spatio-temporal Relation Modeling for Few-shot Action Recognition》

论文地址:网页链接

知识主题：<让模型在移动端飞翔，盘点轻量级神经网络第三期>

知识概要：适用于自动驾驶领域轻量级分割模型架构；

知识简介：

a. ESPNet是用于语义分割的轻量级网络，主要提出一种高效空间金字塔卷积模块（ESP Module），该模块包含point-wise卷积和空洞卷积金字塔,有助于减小模型运算量和内存、功率消耗，以提高在终端设备上的适用性。综合比较，ESPNet能在GPU/笔记本/终端设备上达到112FPS/21FPS/9FPS；

b. ESPNetv2主要基于ESPNetv1进行了模型轻量化处理，主要包括：基于深度可分离空洞卷积以及分组point-wise卷积改进ESP模块，提出了EESP(Extremely Efficient Spatial Pyramid)模块。相对于ESPNet拥有更好的精度以及更少的参数；

论文源码（具体可见头条圈子今日头条）：

a. ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation

b. ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network

SOFABoot 是蚂蚁金服开源的基于 Spring Boot 的研发框架，它在 Spring Boot 的基础上，提供了诸如 Readiness Check，类隔离，日志空间隔离等等能力。在增强了 Spring Boot 的同时，SOFABoot 提供了让用户可以在 Spring Boot 中非常方便地使用 SOFA 中间件的能力。

SOFABoot 3.10.0 版本带来以下改动：

新特性

更新 SpringBoot 版本到 2.3.12 #894

优化

发现重复模块时，抛出异常 #888

某些模块安装失败时，抛出异常 #902

Bug修复

修复代码和注释中的一些拼写错误#895

更新公告：网页链接

题目: Single Image Super-Resolution via a Holistic Attention Network

来源: ECCV 2020

链接: 网页链接

摘要: 在单图像超分辨率任务中, 通道型注意机制将每个卷积层独立处理但忽略了不同层之间的相关性. 为了改善这一问题, 该工作提出一种整体注意网络—HAN. 该模型由层次注意模块(LAM)和通道-空间注意模块(CSAM)构成, 用于模拟不同层、通道和位置之间的整体关系.

其中层次注意模块LAM考虑多尺度层次之间的相关性来学习得到层次特征的权值; 通道-空间注意模块CSAM来学习每一层特征的通道和空间相关性. 特别地, 大家在模型构建、Sci论文泻佐可关注、私芯@SCI博士

【我们空间站的后发优势】