摘要：本说明书一个或多个实施例提供一种云资源分配方法和电子设备，其中，该方法包括：选取请求队列中包含的请求优先级最高的目标供应请求进行处理，其中，所述请求队列中包含的任一供应请求的请求优先级与其属性优先级相关，所述任一供应请求的属性优先级匹配于所述任一供应请求的请求属性；在所述目标供应请求处理成功的情况下，将所述目标供应请求所申请的目标云资源分配至所述目标供应请求的发起方，并从所述请求队列中移除所述目标供应请求。

摘要：本申请公开了一种资源共享方法、系统、电子设备以及计算机可读存储介质。其中，该方法包括：响应作用于操作界面的共享指令，从共享指令对应的私有池资源中确定待共享资源包；响应作用于操作界面的创建指令，创建共享单元，并将共享单元与待共享资源包进行绑定；响应作用于操作界面的授权指令，将授权指令对应的授权对象与共享单元进行绑定，以使授权对象通过共享单元使用待共享资源包。本申请解决了相关技术中资源共享的资源利用效率较差的技术问题。

摘要：本申请实施例提供一种云产品数据处理方法、系统、设备及存储介质。在本申请实施例中，将云产品需求与云服务厂商底层的资源供应能力进行有效结合，通过将云产品需求解析成K种候选资源部署方案，根据云服务厂商提供的N种资源供应能力对K种候选资源部署方案进行资源编排和资源损耗成本信息的估计处理，一方面可以借助于云服务厂商底层的资源供应能力，快速为用户提供所需的云产品，实现资源供应的弹性化，另一方面，由于考虑了资源解决方案的资源损耗成本，有利于提高资源供给性价比。

摘要：本公开涉及针对显示器的显示质量检测系统及方法，所述系统包括：数据采集设备，包括空间位置可调节的双目式成像亮度计，双目式成像亮度计包括间距可调节的两个成像亮度计，双目式成像亮度计用于在调节至指定空间位置和指定间距的情况下，对显示器采集双通道检测数据并发送至处理设备，双通道检测数据包括两个成像亮度计分别采集的用于检测显示质量的数据；处理设备，用于根据双通道检测数据，确定显示器的显示质量检测结果，显示质量检测结果表征对显示器的显示质量的主观视觉体验。根据本公开实施例，能够结合双目式成像亮度计，针对显示器输出置信度更高且更接近用户真实主观视觉体验的显示质量检测结果。

摘要：本发明公开了一种基于全卷积密集连接神经网络的单目图像深度估计方法，通过构建四组密集连接模块+连接模块+下采样模块、一个15层的密集连接块以及四组四组上采样模块+连接模块+密集连接模块，在不同深度层结果之间采取跳级结构，使得每层网络能感知更多像素的信息。本发明充分利用了每一层的特征图，包含了高低不同等级的特征，从而实现训练出更精确的图像深度，且该方法得到的图像轮廓更加清晰，在一定程度上解决了现有单目图像深度估计方法生成的结果存在的过于平滑现象且不清晰的现象，获得了更为清晰的深度图像，从而提高了图像深度估计的精确度。

摘要：本发明属于计算全息和深度学习技术领域，具体而言涉及一种计算全息图的生成方法及电子设备。包括：获取图像集，并生成一个初始相位图；将图像集和初始相位图输入一个自编码器神经网络，对自编码器神经网络进行训练，得到训练后的自编码器网络；向训练后自编码器网络中的编码器输入目标图像，输出得到目标图像的计算全息图。本方法采用自编码器网络结构，无需对训练集进行事先标记，解决了标记训练集生成耗时、限制网络训练效果的问题，实现了高速同时高质量的计算全息图生成。其次，自编码器神经网络中的编码器采用Y‑Net网络结构，实现了基于给定初始相位的计算全息图生成，控制了无监督学习模式下网络的训练方向，使网络优化和重建图像质量提升。

摘要：本发明属于三维显示技术领域，具体涉及一种基于树形存储结构的模型切片传输算法。该算法的具体处理过程是，包括上位机切片过程、数据传输、下位机解码过程及图像的输出。其主要过程就是上位机切片编码程序处理过程的实施过程和下位机解码处理过程两部分，上位机切片过程包括预处理、三角形与切平面相交的情况分类、对三角形与切平面相交所得交线进行计算，将计算出来的交线坐标信息和交线所在切片层的信息传输到下位机；经所述的下位机解码处理进行输出，其具体过程是通过自定义的数据结构将层数坐标信息储存起来，然后通过遍历程序按层遍历该数据结构，将图片复原，以达到提高传输效率的目的。该发明具有实时传输与显示，图像高质和全面的优点。

摘要：为了解决传统机器学习算法对特征提取的困难以及相似动作给分类识别带来的混淆性，本发明提出了一种基于改进LSTM‑CNN的多尺寸输入HAR算法。该算法将优化的CNN卷积神经网络和多层双向动态LSTM长短时记忆网络融合对HAR人体行为活动进行识别。包括多尺寸输入、模型分类识别。所述多尺寸输入将数据进行降噪、均值‑方差归一化、零填充等操作生成两个不同维度的数据作为模型输入，所述模型分类识别将优化的CNN网络与多层双向动态LSTM网络融合进行分类识别。本发明采用优化的卷积神经网络和多层双向动态长短期记忆网络融合构建分类器，具有很好的扩展性和鲁棒性，能够实现高精度的人体行为活动识别。

摘要：【中文】本发明公开了一种基于多特征融合的个性化电商推荐方法，该方法包括采集用户信息和商品信息形成数据集，构建并训练基于多特征融合的电商推荐模型，利用训练后的模型进行个性化电商推荐。本发明在训练过程中首先将数据输入到带有注意力机制的长短期记忆网络进行处理，并且在最后全连接层结合商品其余显性特征等一同得出最终的推荐结果，能够充分利用数据集的数据特征，解决了过去推荐系统结果不够准确的问题；并且在数据集较少的情况下，使用数据增强的方式也能得到较为准确的结果。 【EN】The invention discloses a personalized e-commerce recommendation method based on multi-feature fusion. In the training process, data are firstly input into a long-term and short-term memory network with an attention mechanism for processing, and a final recommendation result is obtained by combining the rest dominant characteristics of the commodity and the like at a final full-connection layer, so that the data characteristics of a data set can be fully utilized, and the problem that the result of the conventional recommendation system is not accurate enough is solved; and under the condition of less data sets, a more accurate result can be obtained by using a data enhancement mode.

摘要：本发明提供了一种通用密态数据安全计算方法，通过密态数据安全计算库中各种组件的组合可以将各种机器学习算法外包至云服务器进行隐私保护的计算，在保护数据隐私和模型安全的同时，提高机器学习算法的外包计算效率和计算精度。本发明的通用密态数据安全计算库中各个组件基于各自的协议完成计算过程，这些协议均为隐私保护外包计算协议，在确保机器学习算法精度和计算高效性等前提下，可以实现半诚实威胁模型下的可证明安全，即用户和模型所有者的任何隐私信息都不会泄露给云服务器。此外，通过并行生成方式在目标组件运行计算过程中生成未运行的目标组件的辅助参数，可以提高运算的效率。