前段时间一直被MajdataPlay的外键输入问题困扰：有玩家反映majplay会无征兆地出现拖判和吃音，但是内屏一切正常 因为我是第一次接触游戏开发，IO这方面也完全没经验 一开始我和bb本怀疑是线程调度的问题，即：IO线程时间片被其他线程挤占了，导致IO线程无法及时处理HID设备回报。为了验证这个猜想，我们尝试提高了IO线程的优先级，照旧 接下来我怀疑是我那套框架有问题：majplay是根据上一帧与这一帧的按键状态判断按键是不是"click"。为此我重写了这部分的实现，改进了IO线程与主线程之间的交互，问题照旧....... 到这里我已经怀疑这不是majplay的锅：IO线程没有任何异常，IO线程与主线程的交互没有问题，Note判定逻辑也没有问题，那就是设备确实没有回报给majplay或者设备发过来的回报中按键确实没有按下，但是大佬说hdd没有这种问题.....（人已经快崩溃了，这完全看不透也摸不着，因为我用单片机模拟玩家打高速纵连是完全没有问题的，我在家里用手台测试也没有问题） 到最后，bb本灵光一闪，说有没有可能是led刷新率过高，把按键控制板干爆炸了？我们让大佬把led刷新间隔从16ms改成100ms，吃音问题瞬间没有了，无语了 。。。。。。。。。。。。。。。。。。。。 adx是一个控制板同时管理按键和led，为什么我没有遇到吃音问题呢，因为我的手台不是adx的... #dev
Hashtags
搜索 #bioacoustics
@interesting_planet_facts · Post #1180 · 2025/12/31 22:11
🌎 Sperm whales use a form of vocal “click” codes called codas to communicate within social groups. Each group has its own dialect of codas, with some sequences unique to specific clans. Adult whales use these patterns to maintain social bonds—individuals can be identified by their group’s coda “accent.” ✨ #whale⚡#communication⚡#animalbehavior⚡#bioacoustics 👉subscribe Interesting Planet 👉more Channels
@ai_machinelearning_big_data · Post #8288 · 2025/08/16 12:01
🎧 Perch 2.0 — AI, который слушает природу и спасает вымирающие виды. DeepMind выпустили Perch 2.0 — компактную supervised-модель для биоакустики. Без миллиардов параметров, без сложного self-supervised обучения — просто аккуратная модель, которая побила все бенчмарки и уже работает в полевых исследованиях. 🌱 Почему это важно Звуки природы — это источник данных о биоразнообразии. По аудиозаписям можно понять: - какие животные живут в лесу, - сколько их, - размножаются ли они, - не вытесняются ли они человеком. Но расшифровка аудио — адский труд: в одном часе записи из тропиков десятки накладывающихся голосов. 🐦Что умеет Perch 2.0 Perch 2.0 — универсальный эмбеддер для звуков животных. Берёт 5 секунд аудио → выдаёт вектор, с которым можно: - находить похожие записи, - кластеризовать звуки, - обучать простой классификатор для новых видов (few-shot). ⚡ Работает без GPU и без дообучения. 🛠 Архитектура - Основa: EfficientNet-B3 (12M параметров). - Три головы: 1. Классификация ~15k видов. 2. Прототипная — создаёт семантические логиты для distillation. 3. Source prediction — угадывает источник записи. - Обучение в два шага: 1. Прототипная голова учится сама. 2. Её логиты становятся soft-label’ами для основной (**self-distillation**). 📊 Результаты - SOTA на BirdSet и BEANS (ROC-AUC, mAP). - Отличная переносимость на морских данных (киты, дельфины), которых почти не было в тренировке. - Всё это — без fine-tuning, только фиксированные эмбеддинги. Главный вывод Perch 2.0 показывает, что: 🟢 качественная разметка, 🟢 простая архитектура, 🟢 чёткая постановка задачи могут быть важнее, чем «бесконечные параметры» и сложные LLM. 🌍 Что это меняет - Биологам — быстрый анализ джунглей Бразилии или рифов без написания своих моделей. - ML-инженерам — наглядный пример, как обучать компактные сети без потери качества. - Исследователям — напоминание: не всегда нужен GPT-4, чтобы сделать полезный инструмент. 🟠Github: https://github.com/google-research/perch-hoplite 🟠Подробнее: https://deepmind.google/discover/blog/how-ai-is-helping-advance-the-science-of-bioacoustics-to-save-endangered-species/ 🟠Статья: http://arxiv.org/abs/2508.04665 @ai_machinelearning_big_data #DeepMind#AI#Bioacoustics#MachineLearning#Perch#Ecology