wamg潇潇
wamg潇潇

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks

目录

1. INTRODUCTION

2. Deep image representations

2.1  内容表示

2.2. Style representation

 2.3  风格迁移

3. Results

2016 年，一位俄罗斯工程师读到了由三个德国人写的这篇论文而研发了一个将照片转换为艺术作品的Prisma app。这款应用刚在 iOS 上发布，15 天内下载量 750 万，火遍全球，被称为2016年Googleplay的best app。这个app就用到了图像处理领域的content加style的的图像风格变换。这篇论文是2016年CVPR的 paper.

 

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第1张图片

  论文链接: Image Style Transfer Using Convolutional Neural Networks】

1. INTRODUCTION

  图像纹理转移问题[texture transfer]的目标是从一幅源图像中合成纹理，但要对纹理合成进行约束,以保留目标图像的语义内容.大多数用于纹理合成的算法都是采用非参数方法,比如使用对应地图, 图像高度, 图像模拟, 边缘方法信息等. 但有一个基本问题始终没有解决,他们都只是将目标图像的底层图像特征用到了纹理迁移中.而一个理想的迁移算法应该能从目标图像中提取语义图像内容,并且通知纹理迁移流程根据原图像风格来渲染目标图像的语义内容.

2. Deep image representations

本文展示了由高性能CNN学习到的广义特征表示如何用于独立地处理和操作自然图像的内容和风格,提出的风格迁移算法结合了基于CNN的带参数纹理模型和图像表征的翻转方法.通过执行图像搜索以匹配样本图像的特征表示可以生成新图像.

VGG网络被用于物体识别与定位,本文使用了由16个Conv层和5个pooling层的19层VGGnet,不使用任何全连接层.按比例改变权重规范化网络，这样每层卷积滤波器在图像和位置上平均激活值就等于1。这种针对VGG网络的按比例缩放[ re-scaling ]不会改变它的输出，因为它只包含修正线性激活函数，在特征地图上没有归一化层和池化层还有一个小的改动是:用平均池化来代替最大池化.

2.1  内容表示

给定一张输入图片 \large \vec{a}, 卷积神经网络每层使用滤波[filter]对其进行编码, \large M_{l} 为每个特征图的size [=height * width]; 在第 \large l 个卷积层中,由\large N_{l} 个不同的 filter产生\large N_{l} 个大小为\large M_{l} 的特征图,所以第 \large l 层中的响应可以存储在一个矩阵\large F^{l} \in R^{N_{l}\times M_{l}}中,其中\large F_{ij}^{l} 表示第 \large l 层的第i个滤波的位置j处的激活值.

核心: 在一个带有白噪声的图像上执行梯度下降算法,寻找可以匹配原始图像特征响应的另外一个图像,更新原始图像上的噪声图像点, 是输入,而不是权重w.

令\large \vec{p}和 \large \vec{x} 分别表示原始图像和生成的图像,\large P^{l} 和\large F^{l}分别为它们对应的第 \large l 层的特征表示;将这俩个特征表示之间的平方差损失定义为

损失函数的偏导数对应的l层的激活函数为

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第2张图片

在提取content 特征时,不同卷积层的表征内容不一样,卷积神经网络在物体识别上训练，它们可以生成一个对图像的表示，在网络层级的处理过程中使得物体信息越来越明显。因此，沿着网络层级处理过程，输入图像会发生转变，对图像的真正内容越来越敏感，但会对精细的外观变得相对不变。网络的高层表示一般是关于输入图像的物体和布局信息,但不会限制重构过程中的确切像素值,底层特征一般表达图像的像素信息.将网络中高层的特征响应结果作为内容表示。

2.2. Style representation

为了获得输入图像的风格表示，用特征空间获得纹理信息，它由不同滤波器响应结果的相关关系组成，其中期望值从特征地图空间上取值。特征关系用克莱姆矩阵表示:[对两个特征图求内积.k 为特征图的第k个元素]

注: Gram矩阵可表达图像的纹理特征,和位置无关.

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第3张图片

图注:上图中右上方的公式就是网络训练的总损失,包含content 和style两部分的损失,由人工设定的系数\large \alpha 和 \large \beta 控制权重,

图左下方的\large \vec{a} 为风格图像, \large \vec{p} 为内容图像. 图的下方有带随机白噪声图像 \large \vec{x} 的更新公式,每次迭代的该变量等于总loss对\large \vec{x} 求导再乘以步长 \large \lambda .

 令 \large \vec{a} 和 \large \vec{x} 分别表示原始图像和生成的图像，\large A^{l }和 \large G^{l}分别表示 第 \large l 层的风格表示。第 \large l 层相对于总损失的贡献是：

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第4张图片

\large w_{l} 是每层对总损失函数的贡献权重因子。

注:content 的loss 等于\large \vec{x} 的conv4层的\large F^{l} 和\large \vec{p} 的onv4层的\large P^{l}  之间的平方差损失计算所得,参考等式(1).

 第 \large l 层的损失\large E_{l} 对第 \large l 层的激活函数的偏导数如下：

 

\large E_{l} 的梯度对于像素值 \large \vec{x} 的梯度可以用标准误差反向传播快速计算出来.

 2.3  风格迁移

为了将艺术照\large \vec{a} 的风格转移到照片\large \vec{p}上，我们同步匹配 \large \vec{p}的内容表示和\large \vec{a}的风格表示，合成一个新图像.需要最小化的损失函数如下:

 

3. Results

1. 可用重现content加style的表示风格,并把它们融合到噪声图像中,下图中,A图为原始图像,其余三幅图的左下方为风格,

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第5张图片

2. \large \alpha /\beta 的比例不同,得到的图像风格也不同,下图中分别取 \large \alpha /\beta 等于 \large 10^{-4}, 10^{-3}, 10^{-2},10^{-1},结果显示\large \alpha /\beta 值越大,生成的图像越接近原始图像.

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第6张图片

 

CNN实现图像风格迁移 ---Image Style Transfer Using Convolutional Neural Networks_第7张图片

 

 

你可能感兴趣的:(论文学习笔记)

  • 论文学习笔记 VMamba: Visual State Space Model Wils0nEdwards 学习笔记
    概览这篇论文的动机源于在计算机视觉领域设计计算高效的网络架构的持续需求。当前的视觉模型如卷积神经网络（CNNs）和视觉Transformer（ViTs）在处理大规模视觉任务时展现出良好的表现，但都存在各自的局限性。特别是，ViTs尽管在处理大规模数据上具有优势，但其自注意力机制的二次复杂度对高分辨率图像处理时的计算成本极高。因此，研究者希望通过引入新的架构来降低这种复杂度，并提高视觉任务的效率。现
  • 论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning JiangChSo 论文学习深度学习机器学习神经网络算法分布式
    论文学习笔记POSEIDON:Privacy-PreservingFederatedNeuralNetworkLearningNDSS2021录用文章目录论文学习笔记POSEIDON:Privacy-PreservingFederatedNeuralNetworkLearning一、机器学习1.机器学习(ML)中的挑战2.隐私保护机器学习(PPML)二、POSEIDON方案1.系统和威胁模型2.方
  • 论文学习笔记：PoseFix: Model-agnostic General Human Pose Refinement Network wangyc1208 姿态估计
    论文：https://arxiv.org/abs/1812.03595代码：https://github.com/mks0601/PoseFix_RELEASE—————————————————————————————————————————————————目标：多人姿态估计：本篇论文主要工作是利用一个人体姿势优化网络，从输入图像和姿势中对人体姿态进行优化。大概的效果如下图：———————————
  • Nerf-Wild神经辐射场论文学习笔记 Neural Radiance Fields for Unconstrained Photo Collections 出门吃三碗饭 Nerf学习记录三维重建学习笔记
    前言：本文为记录自己在Nerf学习道路的一些笔记，包括对论文以及其代码的思考内容。公众号：AI知识物语B站后续同步更新讲解本篇文章主要针对其数学公式来学习其内容，欢迎批评指正！！！（代码下篇出）1：摘要提出基于学习（learning-based）方法，使用野外照片的非结构化集合（unstructuredcollectionsofin-the-wildphotographs）来合成复杂场景。之前的N
  • GroupMixFormer：Advancing Vision Transformers with Group-Mix Attention论文学习笔记 athrunsunny Transformer学习笔记深度学习计算机视觉transformer
    论文地址：https://arxiv.org/pdf/2311.15157.pdf代码地址：https://github.com/AILab-CVC/GroupMixFormer摘要：ViT已被证明可以通过使用多头自注意力（MHSA）对远程依赖关系进行建模来增强视觉识别，这通常被表述为Query-Key-Value计算。但是，从“Query”和“Key”生成的注意力图仅捕获单个粒度的token-t
  • MS-DETR: Efficient DETR Training with Mixed Supervision论文学习笔记 athrunsunny Transformer学习笔记transformer深度学习算法
    论文地址：https://arxiv.org/pdf/2401.03989.pdf代码地址（中稿后开源）：GitHub-Atten4Vis/MS-DETR:Theofficialimplementationfor"MS-DETR:EfficientDETRTrainingwithMixedSupervision"摘要DETR通过迭代生成多个基于图像特征的目标候选者，并为每个真实目标分配一个候选者，
  • 论文笔记：Bilinear Attention Networks hongyuyahei vqa论文阅读
    更精简的论文学习笔记1、摘要多模态学习中的注意力网络提供了一种选择性地利用给定视觉信息的有效方法。然而，学习每一对多模态输入通道的注意力分布的计算成本是非常昂贵的。为了解决这个问题，共同注意力为每个模态建立了两个独立的注意分布，忽略了多模态输入之间的相互作用。在本文中，我们提出了双线性注意力网络（BAN），它可以找到双线性注意力分布来无缝地利用给定地视觉语言信息。BAN考虑两组输入通道之间的双线性
  • CVPR 2023 精选论文学习笔记：Instant Volumetric Head Avatars 结构化文摘 学习笔记人工智能机器学习3dgpu算力
    以下是四个可以作为分类标准的特征：1.数据表示。数据表示是NeRF的一个基本方面，它决定了输入数据如何在模型中编码和利用。数据表示的选择会显著影响NeRF模型的效率、准确性和适用性。隐式NeRF。隐式NeRF使用一个连续函数来表示场景，将空间中的每个点映射到其对应的颜色和密度值。这种连续表示具有以下优点：表达力：隐式NeRF可以有效地捕捉精细的几何形状和复杂的细节，使其适用于模型复杂场景。效率：隐
  • CVPR 2023 精选论文学习笔记：UniSim A Neural Closed-Loop Sensor Simulator 结构化文摘 学习笔记人工智能3d计算机视觉
    基于MECE原则，我们给出以下分类标准：标准1：仿真类型仿真类型是指仿真器是否能够实时生成场景。实时仿真器能够以每秒至少30帧的速度生成图像和视频，使其适用于训练和测试自动驾驶汽车等机器人。另一方面，离线仿真器不是实时的，但它们可以生成更逼真的图像和视频。这使它们更适合创建计算机视觉算法的训练数据等任务。实时仿真：这些仿真器设计用于与模拟系统在闭环中运行，允许实时交互和决策。这种仿真类型对于训练和
  • CVPR 2023 精选论文学习笔记：Towards Scalable Neural Representation for Diverse Videos 结构化文摘 学习笔记人工智能机器学习gpu算力
    基于MECE原则，我们给出以下四个分类标准：分类标准1：表示类型隐式神经表示（INR）隐式神经表示（INR）是一类神经网络架构，将场景或对象表示为从3D点映射到颜色和不透明度值的连续函数。该函数通常从一组训练图像或视频中学习，然后可以用于渲染场景或对象的新视图。INR已被证明
  • CVPR 2023 精选论文学习笔记：Differentiable Shadow Mapping for Efficient Inverse Graphics 结构化文摘 学习笔记人工智能prompt计算机视觉深度学习
    以下是四个可以用来对本文选题中不同研究工作进行分类的特征：1.渲染技术可微渲染：可微渲染是一种允许从图像或其他数据中高效优化3D形状和材料的技术。这是通过使渲染过程相对于场景的参数（例如形状、材料和照明）可微来实现的。这允许使用梯度优化方法来找到最能解释输入数据的参数。可微渲染已被证明对于各种任务有效，包括图像重建、形状优化和材料估计。非可微渲染：非可微渲染是渲染的传统方法，不允许使用梯度优化。这
  • 深度学习与TensorFlow:FCN论文学习笔记 云时之间
    这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法.1:FCN基本思路自从CNN成功之后,很多人都在尝试使用CNN进行图像分割,个人认为CNN最厉害的地方是他的多层结构可以自动提取学习的特征,并且将其学习,并且将提取的这些特征进行分类,但是我们当用CNN进行图像分割的时候,CNN的这项优势反而变成了劣势,因为在特征提
  • CVPR 2023 精选论文学习笔记：ScanDMM A Deep Markov Model of Scanpath Prediction for 360deg Images 结构化文摘 学习笔记人工智能3d计算机视觉
    我们给出四个符合MECE要求的分类标准：1、任务类型图像质量评估：该任务涉及评估图像的质量，通常是通过将其与参考图像进行比较。参考文献[50]和[60]都关注这个任务。视觉显著性：该任务涉及识别图像中最显著的部分。图像中最显著的部分是那些最有可能首先吸引注意力的部分。参考文献[51、52、53、<
  • CVPR 2023 精选论文学习笔记：Prefix Conditioning Unifies Language and Label Supervision 结构化文摘 人工智能深度学习计算机视觉机器学习算法
    以下是根据MECE原则给出的四个分类标准：1.学习范式。学习范式是指用于训练模型的一般方法。在视觉语言模型的背景下，主要的两种学习范式是监督学习和无监督学习。监督学习：监督学习涉及在标记的图像-文本对数据集上训练模型。标签为模型提供了明确的指导，使其能够学习图像和文本之间所需的关系。这种类型的学习通常用于需要模型根据输入数据进行预测或分类的任务，例如图像描述、视觉问题回答和视觉定位。无监督学习：无
  • CVPR 2023 精选论文学习笔记：@LOGO A Long-Form Video Dataset for Group Action Quality Assessment 结构化文摘 学习笔记3d人工智能计算机视觉目标检测
    根据MECE原则，我们给出以下四个分类标准：1.数据集类型AQA数据集：这些数据集专门用于评估视频中人类动作的质量。它们通常包含对动作标签和动作质量的注释。示例包括JIGSAWS、MTL-AQA、AQA-7、UI-PRMD和
  • CVPR 2023 精选论文学习笔记：Meta-Tuning Loss Functions and Data Augmentation for Few-Shot Object Detection 结构化文摘 学习笔记目标检测人工智能计算机视觉深度学习
    我们给出以下四个分类标准：1.学习方法元学习：元学习是一种学习范式，旨在教模型如何快速学习新任务。在小样本学习的背景下，元学习算法在各种任务上进行训练，每个任务只有少数示例。这允许模型学习如何调整其学习过程以适应新任务，即使这些任务与它以前见过的任务非常不同。数据增强：数据增强是一种通过对现有数据应用转换来生成新训练数据的技术。这对于小样本学习来说可以是一种有用的技术，因为它可以帮助增加可用训练数
  • CVPR 2023 精选论文学习笔记：Robust 3D Shape Classification via Non-Local Graph Attention Network 结构化文摘 学习笔记3d人工智能计算机视觉图像处理
    基于MECE原则，我们给出以下四个分类标准：1、数据表示。数据表示是指3D点云数据如何在神经网络中表示。三种主要的数据表示类型是体素、点和图。体素化：在体素化表示中，3D点云被离散成一个体素网格，每个体素由一个特征向量表示。这种表示通常用于需要全局上下文的任务，例如分割和形状分析。点：在点表示中，每个3D点由一个特征向量表示，点之间的关系编码在神经网络架构中。这种表示通常用于需要局部上下文的任务，
  • CVPR 2023 精选论文学习笔记：Continual Semantic Segmentation with Automatic Memory Sample Selection 结构化文摘 学习笔记人工智能机器学习gpu算力AI编程语音识别
    根据MECE原则，我们给出以下四个分类标准：标准1：持续学习方法。持续学习是指机器学习模型在不忘记以前学过的知识的情况下学习新任务的能力。持续学习有三种主要方法：复习式方法：这些方法定期回顾和重新训练模型在以前学过的数据的子集上。这有助于防止模型忘记旧知识。示例式方法：这些方法在一个内存缓冲区中存储每个任务的一小组示例。然后，模型在新任务数据以及来自内存缓冲区的示例上进行训练。这有助于确保模型在不
  • CVPR 2023 精选论文学习笔记：NoPe-NeRF Optimising Neural Radiance Field with No Pose Prior 结构化文摘 学习笔记人工智能计算机视觉深度学习
    根据MECE原则，我们给出和本文相关的四个分类标准：1.数据类型：数据类型是指用于重建或渲染场景的输入数据类型。单目：单目是指使用一张图像来重建或渲染场景。这是一个具有挑战性的任务，因为它要求算法从单张图像中推断深度信息。多视图：多视图是指使用多张图像来重建或渲染场景。这是一种更常见的方法，因为它提供了有关场景的更多信息，这使得推断深度和重建3D模型变得更容易。视频：视频是指使用视频序列来重建或渲
  • CVPR 2023 精选论文学习笔记：Delving Into Shape-Aware Zero-Shot Semantic Segmentation 结构化文摘 学习笔记人工智能计算机视觉ai目标检测神经网络
    基于MECE原则，我们给出以下四种分类标准：标准1：分割类型语义分割：将图像中的每个像素分类为语义类别，例如“人”、“车”或“树”。这是最常见的分割类型，
  • Co-DETR:DETRs与协同混合分配训练代码学习笔记 athrunsunny Transformer学习笔记transformer计算机视觉人工智能
    关于论文的学习笔记：Co-DETR:DETRs与协同混合分配训练论文学习笔记-CSDN博客作者提出了一种新的协同混合任务训练方案，即Co-DETR，以从多种标签分配方式中学习更高效的基于detr的检测器。这种新的训练方案通过训练ATSS和FasterRCNN等一对多标签分配监督下的多个并行辅助头部，可以很容易地提高编码器在端到端检测器中的学习能力。此外，作者通过从这些辅助头部提取正坐标来进行额外的
  • CVPR 2023 精选论文学习笔记：Post-Training Quantization on Diffusion Models 结构化文摘 学习笔记人工智能计算机视觉深度学习机器学习目标检测
    基于MECE原则，我们给出以下四种分类依据：1.模型类型生成模型用于生成与其训练数据相似的新数据。它们通常用于图像生成、文本生成和音乐生成等任务。语言模型用于理解和生成人类语言。它们通常用于机器翻译、聊天机器人和文本摘要等任务。其他模型用于各种任务，例如图像分类、目标检测和自然语言处理。2.量化类型
  • 【论文学习笔记】《A Review of Deep Learning Based Speech Synthesis》 FallenDarkStar 语音伪造深度学习神经网络ttslstmspss
    基于深度学习的语音合成综述论文学习文章目录基于深度学习的语音合成综述论文学习1简介2语音合成概述2.1语音合成概念2.2语音合成发展历史2.3传统语音合成技术2.3.1拼接式语音合成2.3.2参数式语音合成3基于统计参数的语音合成技术3.1文本分析模块3.2参数预测模块3.2.1基于隐马尔可夫的参数预测3.2.2基于深度神经网络的参数预测3.3基于声码器的语音合成模块4基于深度学习的语音合成技术4
  • Co-DETR:DETRs与协同混分配训练论文学习笔记 athrunsunny Transformer学习笔记transformer计算机视觉人工智能
    论文地址：https://arxiv.org/pdf/2211.12860.pdf代码地址：GitHub-Sense-X/Co-DETR:[ICCV2023]DETRswithCollaborativeHybridAssignmentsTraining摘要作者提出了一种新的协同混合任务训练方案，即Co-DETR，以从多种标签分配方式中学习更高效的基于detr的检测器。这种新的训练方案通过训练ATS
  • DEEP-FRI: Sampling Outside the Box Improves Soundness论文学习笔记 mutourend 零知识证明零知识证明
    1.引言前序博客有：DEEPFRI协议AsummaryontheFRIlowdegreetest前2页导读RISCZero的手撕STARKReed-SolomonCodes——RS纠错码Reed-SolomonCodes及其与RISCZerozkVM的关系EliBen-Sasson等人2019年论文《DEEP-FRI:SamplingOutsidetheBoxImprovesSoundness》。
  • 车道线检测-LSTR-论文学习笔记 tomeasure 目标检测CV学习车道线检测
    论文：《End-to-endLaneShapePredictionwithTransformers》代码：https://github.com/liuruijin17/LSTR地址：https://arxiv.org/abs/2011.04233v2内容：使用CNN+Transformer，基于三次曲线拟合车道线整体结构模型输出的东西gt=(k′′,f′′,m′′,n′,bt′′,bt′′′,αt
  • Yolo v1论文学习笔记 小土豆想转码 YOLO目标检测计算机视觉神经网络深度学习
    阅读了Yolov1的论文，分享一下笔记，希望大佬们前来批评指正，也希望和其他一起喜欢cv的朋友一起交流~
  • 《Meta-Transfer Learning for Zero-Shot Super-Resolution》——零镜头超分辨率的元迁移学习 论文学习笔记 爱吃樱桃的小米酥 cnn计算机视觉机器学习
    概念先知：单幅图像超分辨率：就是恢复高频信息单幅图像超分辨重建是指只有一幅低分辨率观测图像的情况下，结合图像的一些先验知识，恢复出图像获取时丢失的高频信息，重建出一幅高分辨率的图像图像超分辨率研究可分为3个主要范畴：基于插值、基于重建和基于学习的方法．PSNR：“PeakSignaltoNoiseRatio”的缩写，即峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪
  • 【论文学习笔记】VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation 技术宅学长 学习笔记
    VectorNet:编码高清地图和代理动态从矢量化表示文章来源：2020IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR)作者：JiyangGao,ChenSun原文链接：VectorNet:EncodingHDMapsandAgentDynamicsFromVectorizedRepresentationieeexplore
  • Apache Calcite 论文学习笔记 weixin_30323631 java数据库数据结构与算法
    特别声明：本文来源于掘金，“预留”发表的[ApacheCalcite论文学习笔记](https://juejin.im/post/5d2ed6a96fb9a07eea32a6ff)最近在关注大数据处理的技术和开源产品的实现，发现很多项目中都提到了一个叫ApacheCalcite的东西。同样的东西一两次见不足为奇，可再三被数据处理领域的各个不同时期的产品提到就必须引起注意了。为此也搜了些资料，关于这
  • 多线程编程之存钱与取钱 周凡杨 javathread多线程存钱取钱
      生活费问题是这样的：学生每月都需要生活费，家长一次预存一段时间的生活费，家长和学生使用统一的一个帐号，在学生每次取帐号中一部分钱，直到帐号中没钱时 通知家长存钱，而家长看到帐户还有钱则不存钱，直到帐户没钱时才存钱。   问题分析：首先问题中有三个实体，学生、家长、银行账户，所以设计程序时就要设计三个类。其中银行账户只有一个，学生和家长操作的是同一个银行账户，学生的行为是
  • java中数组与List相互转换的方法 征客丶 JavaScriptjavajsonp
    1.List转换成为数组。（这里的List是实体是ArrayList) 　　调用ArrayList的toArray方法。 　　toArray 　　public T[] toArray(T[] a)返回一个按照正确的顺序包含此列表中所有元素的数组；返回数组的运行时类型就是指定数组的运行时类型。如果列表能放入指定的数组，则返回放入此列表元素的数组。否则，将根据指定数组的运行时类型和此列表的大小分
  • Shell 流程控制 daizj 流程控制if elsewhilecaseshell
    Shell 流程控制 和Java、PHP等语言不一样，sh的流程控制不可为空，如(以下为PHP流程控制写法)： <?php if(isset($_GET["q"])){ search(q);}else{// 不做任何事情} 在sh/bash里可不能这么写，如果else分支没有语句执行，就不要写这个else，就像这样 if else if if 语句语
  • Linux服务器新手操作之二 周凡杨 Linux 简单 操作
    1.利用关键字搜寻Man Pages    man -k keyword  其中-k 是选项，keyword是要搜寻的关键字 如果现在想使用whoami命令，但是只记住了前3个字符who，就可以使用 man -k who来搜寻关键字who的man命令       [haself@HA5-DZ26 ~]$ man -k
  • socket聊天室之服务器搭建 朱辉辉33 socket
    因为我们做的是聊天室，所以会有多个客户端，每个客户端我们用一个线程去实现，通过搭建一个服务器来实现从每个客户端来读取信息和发送信息。    我们先写客户端的线程。 public class ChatSocket extends Thread{ Socket socket; public ChatSocket(Socket socket){ this.sock
  • 利用finereport建设保险公司决策分析系统的思路和方法 老A不折腾 finereport金融保险分析系统报表系统项目开发
    决策分析系统呈现的是数据页面，也就是俗称的报表，报表与报表间、数据与数据间都按照一定的逻辑设定，是业务人员查看、分析数据的平台，更是辅助领导们运营决策的平台。底层数据决定上层分析，所以建设决策分析系统一般包括数据层处理（数据仓库建设）。   项目背景介绍 通常，保险公司信息化程度很高，基本上都有业务处理系统（像集团业务处理系统、老业务处理系统、个人代理人系统等）、数据服务系统（通过
  • 始终要页面在ifream的最顶层 林鹤霄
    index.jsp中有ifream，但是session消失后要让login.jsp始终显示到ifream的最顶层。。。始终没搞定，后来反复琢磨之后，得到了解决办法，在这儿给大家分享下。。 index.jsp--->主要是加了颜色的那一句 <html> <iframe name="top" ></iframe> <ifram
  • MySQL binlog恢复数据 aigo mysql
    1，先确保my.ini已经配置了binlog：   # binlog log_bin = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.log log_bin_index = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.index log_error = D:/mysql-5.6.21-win
  • OCX打成CBA包并实现自动安装与自动升级 alxw4616 ocxcab
    近来手上有个项目,需要使用ocx控件 (ocx是什么? http://baike.baidu.com/view/393671.htm) 在生产过程中我遇到了如下问题. 1. 如何让 ocx 自动安装?     a) 如何签名?     b) 如何打包?     c) 如何安装到指定目录? 2.
  • Hashmap队列和PriorityQueue队列的应用 百合不是茶 Hashmap队列PriorityQueue队列
      HashMap队列已经是学过了的,但是最近在用的时候不是很熟悉,刚刚重新看以一次,   HashMap是K,v键 ,值     put()添加元素      //下面试HashMap去掉重复的 package com.hashMapandPriorityQueue; import java.util.H
  • JDK1.5 returnvalue实例 bijian1013 javathreadjava多线程returnvalue
    Callable接口： 返回结果并且可能抛出异常的任务。实现者定义了一个不带任何参数的叫做 call 的方法。 Callable 接口类似于 Runnable，两者都是为那些其实例可能被另一个线程执行的类设计的。但是 Runnable 不会返回结果，并且无法抛出经过检查的异常。        ExecutorService接口方
  • angularjs指令中动态编译的方法(适用于有异步请求的情况) 内嵌指令无效 bijian1013 JavaScriptAngularJS
            在directive的link中有一个$http请求，当请求完成后根据返回的值动态做element.append('......');这个操作，能显示没问题，可问题是我动态组的HTML里面有ng-click，发现显示出来的内容根本不执行ng-click绑定的方法！     
  • 【Java范型二】Java范型详解之extend限定范型参数的类型 bit1129 extend
    在第一篇中，定义范型类时，使用如下的方式：   public class Generics<M, S, N> { //M,S,N是范型参数 }  这种方式定义的范型类有两个基本的问题：   1. 范型参数定义的实例字段，如private M m = null;由于M的类型在运行时才能确定，那么我们在类的方法中，无法使用m，这跟定义pri
  • 【HBase十三】HBase知识点总结 bit1129 hbase
    1. 数据从MemStore flush到磁盘的触发条件有哪些？    a.显式调用flush，比如flush 'mytable'    b.MemStore中的数据容量超过flush的指定容量，hbase.hregion.memstore.flush.size,默认值是64M 2. Region的构成是怎么样？ 1个Region由若干个Store组成
  • 服务器被DDOS攻击防御的SHELL脚本 ronin47
    mkdir /root/bin vi /root/bin/dropip.sh #!/bin/bash/bin/netstat -na|grep ESTABLISHED|awk ‘{print $5}’|awk -F:‘{print $1}’|sort|uniq -c|sort -rn|head -10|grep -v -E ’192.168|127.0′|awk ‘{if($2!=null&a
  • java程序员生存手册-craps 游戏-一个简单的游戏 bylijinnan java
    import java.util.Random; public class CrapsGame { /** * *一个简单的赌*博游戏，游戏规则如下： *玩家掷两个骰子，点数为1到6，如果第一次点数和为7或11，则玩家胜， *如果点数和为2、3或12，则玩家输， *如果和为其它点数，则记录第一次的点数和，然后继续掷骰，直至点数和等于第一次掷出的点
  • TOMCAT启动提示NB: JAVA_HOME should point to a JDK not a JRE解决 开窍的石头 JAVA_HOME
    当tomcat是解压的时候，用eclipse启动正常，点击startup.bat的时候启动报错; 报错如下：   The JAVA_HOME environment variable is not defined correctly This environment variable is needed to run this program NB: JAVA_HOME shou
  • [操作系统内核]操作系统与互联网 comsci 操作系统
         我首先申明：我这里所说的问题并不是针对哪个厂商的，仅仅是描述我对操作系统技术的一些看法       操作系统是一种与硬件层关系非常密切的系统软件，按理说，这种系统软件应该是由设计CPU和硬件板卡的厂商开发的，和软件公司没有直接的关系，也就是说，操作系统应该由做硬件的厂商来设计和开发
  • 富文本框ckeditor_4.4.7 文本框的简单使用 支持IE11 cuityang 富文本框
    <html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> <title>知识库内容编辑</tit
  • Property null not found darrenzhu datagridFlexAdvancedpropery null
    When you got error message like "Property null not found ***", try to fix it by the following way: 1)if you are using AdvancedDatagrid, make sure you only update the data in the data prov
  • MySQl数据库字符串替换函数使用 dcj3sjt126com mysql函数替换
    需求：需要将数据表中一个字段的值里面的所有的  .   替换成  _   原来的数据是  site.title  site.keywords  .... 替换后要为     site_title  site_keywords   使用的SQL语句如下：   updat
  • mac上终端起动MySQL的方法 dcj3sjt126com mysqlmac
    首先去官网下载: http://www.mysql.com/downloads/ 我下载了5.6.11的dmg然后安装,安装完成之后..如果要用终端去玩SQL.那么一开始要输入很长的:/usr/local/mysql/bin/mysql 这不方便啊,好想像windows下的cmd里面一样输入mysql -uroot -p1这样...上网查了下..可以实现滴. 打开终端,输入: 1
  • Gson使用一（Gson） eksliang jsongson
    转载请出自出处：http://eksliang.iteye.com/blog/2175401 一.概述 从结构上看Json，所有的数据（data）最终都可以分解成三种类型： 第一种类型是标量（scalar），也就是一个单独的字符串（string）或数字（numbers），比如"ickes"这个字符串。 第二种类型是序列（sequence），又叫做数组（array）
  • android点滴4 gundumw100 android
    Android 47个小知识 http://www.open-open.com/lib/view/open1422676091314.html Android实用代码七段（一） http://www.cnblogs.com/over140/archive/2012/09/26/2611999.html http://www.cnblogs.com/over140/arch
  • JavaWeb之JSP基本语法 ihuning javaweb
      目录   JSP模版元素  JSP表达式  JSP脚本片断  EL表达式  JSP注释  特殊字符序列的转义处理  如何查找JSP页面中的错误   JSP模版元素    JSP页面中的静态HTML内容称之为JSP模版元素，在静态的HTML内容之中可以嵌套JSP
  • App Extension编程指南（iOS8/OS X v10.10）中文版 啸笑天 ext
             当iOS 8.0和OS X v10.10发布后，一个全新的概念出现在我们眼前，那就是应用扩展。顾名思义，应用扩展允许开发者扩展应用的自定义功能和内容，能够让用户在使用其他app时使用该项功能。你可以开发一个应用扩展来执行某些特定的任务，用户使用该扩展后就可以在多个上下文环境中执行该任务。比如说，你提供了一个能让用户把内容分
  • SQLServer实现无限级树结构 macroli oraclesqlSQL Server
    表结构如下： 数据库id path titlesort 排序 1 0 首页 0 2 0,1 新闻 1 3 0,2 JAVA 2 4 0,3 JSP 3 5 0,2,3 业界动态 2 6 0,2,3 国内新闻 1 创建一个存储过程来实现，如果要在页面上使用可以设置一个返回变量将至传过去   create procedure test as begin decla
  • Css居中div，Css居中img，Css居中文本，Css垂直居中div qiaolevip 众观千象学习永无止境每天进步一点点css
    /**********Css居中Div**********/ div.center { width: 100px; margin: 0 auto; } /**********Css居中img**********/ img.center { display: block; margin-left: auto; margin-right: auto; }
  • Oracle 常用操作(实用) 吃猫的鱼 oracle
    SQL>select text from all_source where owner=user and name=upper('&plsql_name');  SQL>select * from user_ind_columns where index_name=upper('&index_name');  将表记录恢复到指定时间段以前
  • iOS中使用RSA对数据进行加密解密 witcheryne iosrsaiPhoneobjective c
      RSA算法是一种非对称加密算法,常被用于加密数据传输.如果配合上数字摘要算法, 也可以用于文件签名. 本文将讨论如何在iOS中使用RSA传输加密数据. 本文环境 mac os  openssl-1.0.1j, openssl需要使用1.x版本, 推荐使用[homebrew](http://brew.sh/)安装. Java 8 RSA基本原理 RS
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他