标签

我的项目背景斯堪尼亚SCANIA是瑞典的货车及巴士制造厂商之一，产品销往世界100多个国家和地区，是寰球当先的重型卡车和巴士制造商之一，凭借技术当先的模块化零碎成为了商用汽车行业盈利能力最强的公司。与斯堪尼亚SCANIA建设EDI连贯须要理解哪些信息呢？明天的文章将为大家具体介绍。我的项目挑战斯堪尼亚SCANIA向其供应商A公司提出，通过EDI传输业务数据，除了传输EDI报文之外，还须要供应商的EDI零碎具备生成标签的能力。 通过EDI发送发货告诉时，应用斯堪尼亚SCANIA包装的所有商品（不包含测试部件和样品产品）都应用 Odette 运输标签 (OTL)。而应用斯堪尼亚蓝箱 (KLT ) 包装的所有货物（不包含测试整机和样品产品）都将应用 VDA4902运输标签。 知行之桥EDI零碎能够帮忙供应商生成标签，自动化地实现业务数据的传输。 我的项目需要传输协定：OFTP 通过OFTP实现供应商和斯堪尼亚SCANIA之间的点对点通信。 报文规范：EDIFACT 业务报文代码 业务含意 传输方向DELFOR 交付预测 斯堪尼亚SCANIA发送给A公司DELJIT 交付打算 斯堪尼亚SCANIA发送给A公司DESADV 发货告诉 A公司发送给斯堪尼亚SCANIAINVOIC 发票 A公司发送给斯堪尼亚SCANIADELFOR：交付预测(Delivery Forecast),依据洽购合同中规定的条件，向供应商提供长期物料需要的细节信息。DELJIT：交付打算(Delivery Just in Time message)，形容短期交付信息和实时调度要求。DESADV：发货告诉(ASN/Despatch Advice)，依据供应商接管到的交货打算或者船期信息的批示，依据合同或者订单要求，将货物运送给斯堪尼亚SCANIA。INVOIC：发票(invoices)，由供应商发送，用以要求其购买者付款以换取所提供的货物。 商品标签为了可能以最佳形式解决交付给斯堪尼亚SCANIA的整机，货物必须有正确的货物标签。只有经斯堪尼亚批准的商品标签能力用于向斯堪尼亚SCANIA发货。 斯堪尼亚SCANIA应用OTL和VDA 4902。在某些非凡状况下，还能够应用EFR标签即不合格品标签。 OTL——Odette 运输标签斯堪尼亚SCANIA应用Odette 运输标签(OTL)作为其货物标签。当应用EDI传输业务数据时，应用斯堪尼亚SCANIA包装材料包装的所有货物（不包含测试物品和样品产品）都必须标有Odette 运输标签。托盘标签始终为OTL。 VDA 4902标签当应用EDI发送发货告诉时，应用斯堪尼亚SCANIA蓝箱(KLT)包装的所有货物（不包含测试物品和样品产品）都必须标有VDA 运输标签。 EFR标签——不合格商品标签在 EFR 受权下发运的不合格品除了普通商品标签外，还必须附有不合格商品标签。 EDI解决方案建设OFTP通信 OFTP创立的目标是满足欧洲汽车工业的电子数据交换(EDI)要求，因而OFTP也多用于汽车行业中。本次斯堪尼亚SCANIA EDI我的项目中，供应商会收到斯堪尼亚SCANIA提供的OFTP2连贯信息。其中有一行信息为：ODETTE Code，蕴含以下信息： ODETTE ID能够用作OFTP连贯中的SSID。SSID用来标识OFTP/OFTP2实体，用以进行数据交换。应用ODETTE证书，能够证实交易单方的身份，并确保其通过互联网进行数据交换的通信安全，爱护信息免受别人攻打。 与斯堪尼亚SCANIA建设OFTP通信，除了上述的SSID之外还须要与SSID匹配的明码。此明码为自定义值，只需确保与交易搭档零碎内配置的值雷同即可，长度不超过8位。 斯堪尼亚SCANIA还将提供其近程 OFTP 服务器的主机名称或 IP 地址以及连贯到近程 OFTP 服务器的端口。 明确了以上信息之后，便可通过简略配置，在知行之桥EDI零碎中与斯堪尼亚SCANIA建设OFTP通信了。 扩大浏览 数据格式转换 斯堪尼亚SCANIA发送给A公司：A公司须要通过EDI零碎接管来自斯堪尼亚SCANIA 的合乎EDIFACT报文规范的文件，将其转换为外部业务零碎可能解决的格局。常见的有XML、Json等。 A公司发送给斯堪尼亚SCANIA：通过EDI零碎将外部业务零碎输入的文件转换为合乎EDIFACT报文规范的文件，并发送给斯堪尼亚SCANIA。 生成标签 通过知行之桥EDI零碎的PDF端口即可生成标签。 咱们的施行参谋将会依据斯堪尼亚SCANIA提供的材料，设计标签LABEL的模板，并将其作为知行之桥EDI零碎PDF端口的模板。接下来须要上传蕴含标签数据的XML文件，即可生成相应的标签。 扩大浏览：沃尔沃 Volvo EDI – 标签 LABEL ...

前言平时大家在在逛 github 时或多或少都看到过项目首页各式各样的小徽章,不知道你是否和我一样好奇这些小徽章都是哪来的呢? 首先我们先来一睹为快目前前端开发的三大主流框架: var ,看一看他们的 github 项目首页有哪些小徽章吧! Vue : https://github.com/vuejs/vue Angular : https://github.com/angular/angular React : https://github.com/facebook/react 小结: 前端三大框架的徽章均不相同,由此可见,这应该不是 github 统一分发而是自定义行为! 虽然不是统一分配的,但也不是毫无规律可寻,想要制作专属的小徽章,其实真的很简单!什么是徽章徽章是一种小巧精美的小图标,一般配有相关文字进行辅助说明,富有表现力. 不仅出现于 github 项目主页,凡是能够表现图片的地方都可以出现徽章,本质上是一种 svg 格式的矢量图标. 下面以自定义 github-snowdreams1006-brightgreen.svg 徽章为例,简单认识一下徽章. 在线链接在线链接: github-snowdreams1006-brightgreen.svghttps://img.shields.io/badge/github-snowdreams1006-brightgreen.svg浏览器效果打开在线链接,并检查当前网页,豁然开朗,徽章是一种 svg 实现的矢量图标.svg VS png如果说 svg 是矢量图形而 png 却不是,所以不妨将 png 姑且称之为标量图形.svg 是矢量图形,png 是标量图形,两者均能实现类似效果,只不过矢量图形不论怎么方法都能保持原样,并不会像 png 那样会失真而已. 既然两种均能表现相同的效果,现在我们就来演示一下 png 的实现效果. svg 转 png 在线网站: https://cloudconvert.com/svg-to-svg 左侧的 svg 无论放大多少倍,依然保持原样,清晰度保持不变.右侧的 png 一旦放大,立马变得模糊不清.如何使用徽章大多数徽章都是 svg 格式,当然也不排除某些徽章是 png 格式,不论怎么说,一律当成图标使用就可以了. 如果你和我一样,希望在 markdown 文件中使用徽章,那么建议使用在线链接,或者引入本地 svg 相关文件. ...

本文由云+社区发表随着内容时代的来临，多媒体信息，特别是视频信息的分析和理解需求，如图像分类、图像打标签、视频处理等等，变得越发迫切。目前图像分类已经发展了多年，在一定条件下已经取得了很好的效果。本文因实际产品需求，主要探讨一下视频打标签的问题。查阅了部分资料，笔者拙见，打标签问题无论是文本、图像和视频，涉及到较多对内容的“理解”，目前没有解决得很好。主要原因有以下一些方面，标签具有多样性，有背景内容标签，细节内容标签，内容属性标签，风格标签等等；一些标签的样本的实际表现方式多种多样，样本的规律不明显则不利于模型学习；标签问题没有唯一的标准答案，也存在一定的主观性，不好评估的问题则更不利于模型学习。依然笔者拙见，视频打标签问题目前还没有很好的解决办法，也处于探索阶段。方法上主要有以下一些思路：可以从视频角度出发，可以从图像角度出发；可以利用caption生成的思路，可以转化为多分类问题。直接从视频角度出发，即从视频整体的角度出发，提取图像帧，甚至字幕或者语音信息，进一步处理得出视频标签的结果。Deep Learning YouTube Video Tags，这篇文章提出一个hybrid CNN-RNN结构，将视频的图像特征，以及利用LSTM模型对标签考虑标签相关性和依赖性的word embeddings，联合起来，网络结构如下图。Large-scale Video Classification with Convolutional Neural Networks提出了几种应用于视频分类的卷积神经网络结构，在网络中体现时空信息。single frame：就是把一帧帧的图像分别输入到CNN中去，和普通的处理图像的CNN没有区别；late fution：把相聚L的两帧图像分别输入到两个CNN中去，然后在最后一层连接到同一个full connect的softmax层上去；early fution：把连续L帧的图像叠在一起输入到一个CNN中去；slow fution：通过在时间和空间维度增加卷积层，从而提供更多的时空全局信息。如下图所示：另一方面，为了提高训练速度，这篇文章还提出Multiresolution CNNs，分别将截取中间部分的图像和缩放的图像作为网络的输入，如下图所示：这篇文章主要研究了卷积神经网络在大规模视频分类中的应用和表现。通过实验，文章总结网络细节对于卷积神经网络的效果并不非常敏感。但总的来说，slow fusion网络结构的效果更好。从图像角度出发，即从视频中提取一些帧，通过对帧图像的分析，进一步得出视频标签的结果。对图像的分析，也可以转化为图像打标签或者图像描述问题。Visual-Tex: Video Tagging using Frame Captions，先从视频中提取固定数量的帧，用训练好的image to caption模型对图像生成描述。然后将文本描述组合起来，提取文本特征并用分类方法进行分类，得到tag结果。这篇文章对生成的描述，对比了多种不同的特征和多种不同的分类方法。可见，图像打标签对视频打标签有较大的借鉴意义。另一种思路，CNN-RNN: A Unified Framework for Multi-label Image Classification可以看作将图像打标签问题转化为多分类问题。将卷积神经网络应用到多标签分类问题中的一个常用方法是转化为多个单标签的分类问题，利用ranking loss或者cross-entropy loss进行训练。但这种方法往往忽略了标签之间的联系或者标签之间语义重复的问题。这篇文章设计了CNN-RNN的网络结构里，并利用attention机制，更好地体现标签间的相关性、标签间的冗余信息、图像中的物体细节等。网络结构主要如下图所示，主要包括两个部分：CNN部分提取图像的语义表达，RNN部分主要获取图像和标签之间的关系和标签之间的依赖信息。针对空间部分短视频数据，笔者设计了一个简单的视频打标签的方案，并进行了实验。由于预处理和算法细节的很多进一步改进和完善工作还没有进行，在此只是提出一种思路和把实验结果简单地做个分享。方法介绍：整体思路：图片打标签 => 视频打标签也就是说，对视频提取帧，得到视频中的图片；然后对图片进行打标签；最后将视频中帧图片的标签进行整合，得到视频标签。1、从图片描述说起：图片描述典型框架：利用deep convolutional neural network来encode 输入图像，然后利用Long Short Term Memory(LSTM) RNN decoder来生成输出文本描述。2、在打标签任务中，我们把标签或类别组合，构造成“描述”:一级类别+二级类别+标签（重复的词语进行去重）3、利用预训练和强化学习，对训练样本图片和标签构造模型映射。《Self-critical Sequence Training for Image Captioning》网络模型有三种：fc model；topdown model；att2in model；模型细节见论文。一般地，给定输入图像和输出文本target，,模型训练的过程为最小化cross entropy loss（maximum-likelihood training objective）:利用self-critical policy gradient training algorithm：其中，是reward funtion通过根据每一个decoding time step的概率分布进行采样获得，是baseline output，通过最大化每一个decoding time step的概率分布输出获得，也就是a greedy search。论文里提到，利用CIDEr metric作为reward function，效果最好。 4、根据视频帧图片的标签，对视频打标签。具体有两种思路：记录视频提取的所有帧图片中每一个出现的标签，以及标签出现的次数（有多少帧图片被打上了这个标签）。按照出现次数排序。1.将帧图片的最多前n个标签，输出为视频标签。2.将帧图片中，出现次数大于阈值c的标签，，输出为视频标签。数据示例：其中1class表示一级类别，2class表示二级类别。实验结果示例：截取一些实验结果展示如下，其中output指模型输出的结果，reference指人工标定的参考结果。总的来说，游戏类视频的数据量最大，效果较好；但具体不同英雄的视频数据如果不平衡，也会影响算法结果。其他类型视频数据不算太稀疏的效果也不错，长尾视频的效果不行。总结：数据预处理、模型结构、损失函数、优化方法等各方面，都还有很多值得根据视频打标签应用的实际情况进行调整的地方。后续再不断优化。方法和实验都还粗糙，希望大家多批评指导。此文已由作者授权腾讯云+社区在各渠道发布获取更多新鲜技术干货，可以关注我们腾讯云技术社区-云加社区官方号及知乎机构号 ...