年年_MomoRongme2
年年_MomoRongme2

Ten Years of Pedestrian Detection,What Have We Learned? 知识笔记

本文作者：Rodrigo Benenson     Mohamed Omran    Jan Hosang     Bernt Schiele


以Caltech行人检测为基准分析了近十年广泛流通的具有标志性的40多种检测方法。

进行了对多种已经被广泛认可的研究方法的补充性的研究。

这种决策林达到了目前已知的最好的效果。（在具有挑战性的Caltech-USA dataset上）


简介：

行人检测是图像检测的一种特例。

“Viola&Jones variants（V-J变形）”

“HOG+SVM rigid templates（HOG+SVM精确模板）”

“deformable part detectors(DPM)（部分可变性探测器）”

“convolutional neural networks(ConvNets)（卷积神经网络）”都进行过行人检测。

本文的目的就是回顾近十年的40多种行人检测方法,量化出那些因素对于最终的检测结果具有最大的影响。


已知数据集的回顾：

INRIA：1、老 2、图片较少 3、有利于对于不同环境下的行人的高质量的注释（这也是为什么这个数据集通常作为训练集来使用的原因）。

图片是从视频里获得的，因此光照的变化也能作为一种额外的行人检测信息。


ETH & TUD-Brussels ：中等大小的视频集（video dataset）

Daimler ：缺少颜色通道，所以有的方法在此数据集上不能用。   

ETH & TUD-Brussels 和 Daimler 提供了立体的信息。


Caltech-USA和KITTI是当前行人检测方面的主要基准。


检测方法年表
2003 V-J检测器被提出
2005 HOG检测器被提出
2008 DPM检测器被提出
2009 Caltech行人检测基准开始被使用了，对比了七种不同的检测器的性能，同一时间，FPPI开始被使用（原来是FPPW）
2013 有三分之一的检测方法被提出

结论：

这40多种检测方法其实能被分成三类：1.、DPM的变体(DPM) 2、深度网络（Deep Networks）(DN)  3、决策森林（Decision forests）(DF)


基于行的boosted决策森林（DF）在行人检测方面效果最好，最好的检测效果是执行在（1、INRIA数据集训练，Caltech数据集测试   2、Caltech数据集训练，Caltech数据集测试）


结论
DPM、DN、DF
目前，这三种方法在行人检测方面都有优异的表现。
classifier
没有证据能表明是否存在哪种类型的分类器更适合行人检测。
也没有证据能表明非线性核心比线性核心更有意义。
HikSvm被认为近似于非线性核心（kernel），这种方法在FPPW评价方法上表现很好，而在FPPI上表现不好。
MultiFtrs，在给出足够多的特征值的情况下，Adaboost和线性SVN（linear SVM）在行人检测方面的表现粗略相同。
additional data
    额外信息
 （e.g.光照）		 有的探测器通过增加对其他额外数据（光照变化、图片立体信息、轨迹及其他来自其他传感器的信息）来提升探测器的表现。
在单通道图像上，使用额外数据会得到表现提升。
   
   
   
   
   

昨天半夜两点才睡觉，今天六点就得起来去学院顶着冷风给人大代表投票，现在头晕晕的，胃轻微犯恶心...

下午还有外教课，实在写不动了，周六来实验室继续整理吧...

上午被导师批评了，说我基础的东西都搞不懂...有点难过，是不是我太玻璃心了...

唔，算了不想了，遇到问题就解决问题呗，难过有什么用，不过真的好想哭啊。

学计算机好累啊，尽管还挺喜欢写代码的，但是还是觉得有点累...

不行，要坚持！！！加油！！！

2017/11/10

你可能感兴趣的:(图像检测,LBP,HOG)

  • 神经网络初步学习3——数据与损失 X Y O 神经网络学习人工智能
    一、传统机器学习与神经网络前言：该部分需要一定的机器学习与数学基础（很浅的基础），如果有不理解的地方可以自行查阅。（1）区别这里不妨以图像识别为例子：（1）在传统的机器学习视角中：我们需要人工手动去设置并提取我们的特征量，例如常见的SIFT、SURF和HOG等，随后需要我们选择合适的分类器（例如：SVM、KNN等分类器）,接着把我们的参数训练出来。（2）而在神经网络的视角中：我们只需要把图片喂给它
  • 初始CNN(卷积神经网络) 超龄超能程序猿 机器学习cnn人工智能神经网络
    卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）作为深度学习的重要分支，在图像识别、目标检测、语义分割等领域大放异彩。无论是手机上的人脸识别解锁，还是自动驾驶汽车对道路和行人的识别，背后都离不开CNN的强大能力一、CNN诞生的背景与意义在CNN出现之前，传统的图像识别方法主要依赖人工提取特征，例如使用SIFT（尺度不变特征变换）、HOG（方向梯度直方图）等算法。这些
  • 喜讯 | Navicat 蝉联 2025 年 DBTA 100 强名单 Navicat中国 Navicat17焕新上市navicat数据库
    Navicat在“DBTA1002025-数据领域最重要的公司”榜单中获得表彰。该奖项旨在表彰在数据管理与分析领域的领先创新者。数据库趋势与应用集团出版人TomHogan表示：“企业正寻求扩大人工智能的应用范围，采用新的技术与应用，增加数据分析/商业智能的使用，并对现有应用进行现代化改造”，“每年，《数据库趋势与应用》杂志都会推出DBTA100榜单，旨在表彰具有创新精神、能够为客户带来新产品新体验
  • OpenCV中DPM（Deformable Part Model）目标检测类cv::dpm::DPMDetector 村北头的码农 OpenCVopencv目标检测人工智能
    操作系统：ubuntu22.04OpenCV版本：OpenCV4.9IDE:VisualStudioCode编程语言：C++11算法描述OpenCV中用于基于可变形部件模型（DPM）的目标检测器，主要用于行人、人脸等目标的检测。它是一种传统的基于特征的目标检测方法，不依赖深度学习，而是使用HOG特征+部件模型来进行检测。示例代码#include#include#includeusingnamesp
  • Python与Dlib库实现人脸技术实战 西域情歌
    本文还有配套的精品资源，点击获取简介：本项目详细说明了如何使用Python结合Dlib库实现人脸检测、识别、数量检测和距离检测。利用Dlib提供的机器学习算法和计算机视觉功能，包括HOG特征检测、级联分类器、面部特征向量模型和关键点预测等，项目能够快速准确地在图像中检测和识别人脸。此外，还介绍了如何统计图像中的人脸数量以及如何计算人脸之间的距离。通过实际代码资源，开发者能够掌握实时人脸技术的应用，
  • Python dlib（HOG+SVM）人脸识别总结 程序媛一枚~ 人脸识别python支持向量机开发语言读书笔记人脸检测识别
    Pythondlib（HOG+SVM）人脸识别总结面部标志检测dlib68点（HOG+SVM），194点人脸识别模型，包括口（外嘴唇，内嘴唇），鼻，眉毛（左右眉），眼睛（左右眼），下鄂5点面部标志检测器（左眼2点，右眼2点，鼻子1点）面部对齐更高效眨眼检测ear眨眼瞬间达到0疲劳驾驶检测—连续帧ear面部对齐眼睛连线反正切获取旋转角度，期望图像眼睛横长度计算比率左眼计算右眼相对坐标眼睛横中心点作为
  • 基于MATLAB图像特征识别及提取实现图像分类 jghhh01 机器学习算法人工智能
    基于MATLAB的图形处理程序，可以进行图像特征识别及提取，进而实现图像分类。hog_svm.m,2276svm_images/test_image/1.jpg,20980svm_images/test_image/2.jpg,18246svm_images/test_image/3.jpg,13835svm_images/test_image/4.jpg,18539svm_images/test
  • 使用随机森林实现目标检测 司南锤 python基础学习AI随机森林
    核心实现思路滑动窗口策略：在图像上滑动固定大小的窗口，对每个窗口进行分类多维特征提取：结合统计特征、纹理特征、边缘特征、形状特征等随机森林分类：训练二分类器判断窗口是否包含目标后处理优化：使用非极大值抑制减少重复检测特征工程的重要性LBP纹理特征：捕捉局部纹理模式灰度共生矩阵：描述纹理的统计特性边缘密度：反映目标边界信息形状描述符：圆形度、面积比等几何特征实际应用建议数据收集：收集大量正负样本进行
  • 【2025年软考中级】第三章数据结构3.4 数组与矩阵 houliabc 数据结构矩阵线性代数
    文章目录数组与矩阵数组数组的基本概念数组的存储与地址计算行优先存储列优先存储地址计算图示矩阵矩阵的基本概念稀疏矩阵的存储三元组表（TripletTable）十字链表（OrthogonalList）特殊矩阵的压缩存储数组与矩阵数组数组的基本概念数组是定长线性表在维度上的扩展，本质是线性表的嵌套结构（线性表中的元素本身又是一个线性表）。其核心特性包括：同构性：所有数据元素类型相同、结构一致（如二维数组
  • React系列文章之DVA 隐形人007 前端reactdvaredux-sagareact.js前端前端框架
    前言提示：本文章来自珠峰培训周啸天老师的视频讲解总结视频地址：114.关于dva-cli和roadhog的使用_哔哩哔哩_bilibilidva：https://github.com/dvajs/dva/tree/master/docs/api「官网好像打不开」antd:全局化配置ConfigProvider-AntDesignredux-saga:高级·Redux-Saga一、dva脚手架1、创
  • PostHog 的核心原理 草明 运维PosHogop
    “事件驱动的数据采集+本地部署的分析系统+全栈可观测能力”下面是对PostHog工作原理的详细拆解，从架构层次到数据流转流程，并涵盖其核心模块。架构总览PostHog通常由以下几个关键组件构成：用户前端→PostHogJSSDK/API→IngestionPipeline→Kafka（事件队列）↓PostgreSQL/ClickHouse（事件存储）↓后端处理服务+插件系统+分析引擎↓WebUI/
  • 【OpenCV人脸识别】基于深度学习（Dlib+HOG特征）的人脸识别——QT（C++）+Linux
    1.人脸检测工具概述1.DlibDlib是一个开源的C++机器学习和计算机视觉库，用于解决多种任务，包括图像处理、计算机视觉、机器学习、数据分析等。Dlib提供了一系列工具和算法，可用于开发各种应用，从人脸检测和识别，到对象检测、形状预测、图像分类等。以下是Dlib主要的特点和功能：人脸检测和识别：Dlib提供了高性能的人脸检测器，基于HOG特征和深度学习模型。它还包括面部关键点检测和人脸识别的功
  • 山东大学2020-2021春季web数据管理期末考试 Joheey 山东大学web数据管理
    一、填空题（30空，只记得这些了）DFS比BFS好处在于爬虫礼貌性BM25三个参数词项处理——文档解析、词条化、词项归一化、次干还原、词型归并三种分词算法统计语言模型的定义LBP定义tamura的特征颜色矩二、简答题1、RE2、web数据抽取3、TF/IDF4、倒排索引的定义5、忘记了三、论述题1、网站和爬虫的博弈2、基于HMM的分词算法3、网页排序算法PageRank、HITS、HillTop4
  • 2021山东大学软件学院web数据管理期末考试回忆版 AlAuAu web
    2021山东大学软件学院web数据管理期末考试回忆一、填空题（顺序记不住了，部分题）1.DFS比BFS是（）2.礼貌性是（）3.网页基于承载内容的分类（）和（）4.颜色矩是计算颜色通道的（）、（）和（）5.词项词表的处理步骤文档解析、（）、（）和（）去除停用词表（个人感觉少了一空但试卷上确实是3空）去除停用词的方法有（）和（）6.统计语言模型是（），应用是（）7.LBP的全称是（），它是（）特征描
  • 《Image Classification with Classic and Deep Learning Techniques》复现 几何心凉 IT优质推荐深度学习人工智能
    1引言图像分类作为计算机视觉领域的核心任务，旨在将输入图像映射到离散化的语义类别标签，广泛应用于人脸识别、自动驾驶、医疗影像诊断、安防监控等场景。传统方法主要依赖手工设计的特征描述子（如SIFT、HOG、LBP）结合浅层模型（如BoVW、Fisher向量、SVM），以其可解释性和低资源消耗见长，但在端到端优化与高级表征能力方面不及深度学习。近年来，卷积神经网络（CNN）在大规模数据集（如Image
  • OpenCV---Canny边缘检测 MzKyle 计算机视觉计算机视觉人工智能
    一、基本概念与核心作用Canny边缘检测是计算机视觉中最经典的边缘检测算法之一，由JohnCanny于1986年提出。其核心目标是在噪声图像中提取精确、单像素宽、连续的边缘，广泛应用于：目标检测预处理（如Robomaster中灯条、装甲板的边缘提取）。轮廓分析（轮廓检测的前置步骤）。图像分割（通过边缘定位目标边界）。特征提取（如边缘方向直方图HOG）。与其他边缘检测算法的对比：算法优势劣势Cann
  • Unity技术笔记：微缩小地图的一个简易版解决方案 大费~~~ unity游戏笔记小地图游戏引擎Camera组件
    需求：假如在第一人称游戏中，需要做一个小地图。为了美观和简便选择做成正方形小地图拿来干嘛呢？用于实时检测自身相对于小地图的位置，顺便监测敌人相距自身的距离远近，从而方便玩家判断危险性和优先级。方案大致思路：用一个正投影Orthographic的相机（取消透视的那种相机），竖直正对场景朝下看。在敌人和主角脚下固定一个物体（比如球体）用一些显眼的颜色渲染，从而作为指示器，方便在地图中指示。通过一系列设
  • golang的并发模型 u010927317 golang
    1.C/C++与Go语言的“价值观”对照C的价值观摘录相信程序员：提供指针和指针运算，让C程序员天马行空的发挥自己动手，丰衣足食：提供一个很小的标准库，其余的让程序员自造保持语言的短小和简单性能优先C++价值观摘录支持多范式，不强迫程序员使用某个特定的范式不求完美，但求实用（并且立即可用）Go价值观OverallSimplicity全面的简单OrthogonalComposition正交组合Pre
  • 29、魔法微前端——React 19 模块化架构 进取星辰 前端react.js架构
    一、时空结界分割术（模块化架构设计）1.次元切割协议//主应用入口 constHogwartsMain=()=>{ const[subApps]=useState({  potion:React.lazy(()=>import('./PotionShop')),  library:React.lazy(()=>import('./LibraryApp')),  quidditch:React.la
  • 合合信息亮相2025中国图象图形大会，聚焦大模型时代的伪造图像检测 大数据人工智能算法图像识别
    文档是信息传递的重要载体，随着AI飞速发展，文档智能正在成为数字化转型的核心驱动力。近日，2025中国图象图形大会在湖南长沙顺利举行，由中国图象图形学学会（CSIG）主办，CSIG文档图像分析与识别专委会、上海合合信息科技股份有限公司（以下简称“合合信息”）共同承办，北京科技大学、上海市图像图形学学会协办的“CCIG2025文字识别与文档智能论坛”备受关注，吸引了包括众多国内顶尖高校和知名企业的1
  • python3.7-3.11版本whl文件快速直接安装dlib库（无需安装cmake！！！）手把手教你安装 heyday_period Python人脸识别dlib库python开发语言
    dlib是一个包含多种机器学习和计算机视觉算法的C++开源工具包，其人脸识别功能主要依赖于以下技术人脸检测：使用基于HOG（HistogramofOrientedGradients，方向梯度直方图）特征和级联分类器的方法。HOG特征能够有效地描述图像中的边缘和纹理信息，而级联分类器是一个多层分类器，通过级联方式提高检测精度。1人脸特征提取：利用深度学习技术，特别是29层的卷积神经网络（CNN）。
  • Java大厂面试实战：Spring Cloud、Kafka、Spring Security核心技术深度解析 xbhog SpringCloudKafkaSpringSecurityMyBatisJunit5
    模拟面试情景面试官：请描述SpringCloud中如何实现服务间负载均衡？xbhog：通过Ribbon和RestTemplate的集成，在调用服务时从Eureka注册中心获取服务实例列表，结合内置的策略（轮询/随机）选择目标节点，并通过Retry机制处理失败。例如配置@LoadBalanced的RestTemplate来实现代理请求。面试官（微笑）：不错。那服务雪崩如何预防？xbhog：采用Hys
  • Java面试深度解密：Spring Boot、Redis、日志优化、JUnit5及Kafka事务核心技术解析 xbhog SpringBootRedisKafkaLogbackJunit5
    模拟面试实战面试官：请解释SpringBoot的自动配置原理？哪些关键注解参与了这一过程？xbhog：SpringBoot通过@AutoConfiguration标记核心配置类，通过@ConditonalOnClass和@ConditionalOnMissingBean判断依赖是否存在并自动注入bean。实现原理涉及SpringFactoriesLoader加载META-INF/spring.fa
  • 近期汇报 Pythonliu7 dsbkm
    基于人工智能CD9适配体筛选zdock下载ZDOCK官网：ZDOCK:ProteinDocking需要使用non-profitemailaddress/学术型邮件方可访问下载页面已经尝试用QQ邮箱给[email protected]发英文邮寄，一直未收到回信如何解决？？？Trl4通路tips:从头生成以LBP为起始模板。脂多糖结合蛋白（LBP）是一种急性期蛋白，在识别细菌脂多糖后会启动免疫反应。
  • nethogs 网络监控 命令详解 lswzw 网络linux
    Linux下nethogs命令详解与实际案例nethogs是一款基于命令行的网络流量监控工具，能够按进程/用户分组统计带宽使用情况，帮助用户快速定位异常流量源。与其他网络监控工具不同，nethogs直接关联流量到具体进程，无需依赖特殊内核模块，非常适合快速排查网络阻塞问题。它提供直观的实时监控界面，显示每个进程的发送和接收流量，支持多种单位切换和排序方式。通过灵活的参数组合，用户可以精准监控特定网
  • 基于 PyQt 的YOLO目标检测可视化界面+ nuitka 打包 彭祥. YOLO系列pyqtYOLO目标检测
    在人工智能和计算机视觉领域，YOLO（YouOnlyLookOnce）是一种广泛使用的实时目标检测算法。为了直观地展示YOLO算法的检测效果，我们使用Pyqt框架进行检测结果的可视化，同时为了使其能够脱离Python环境，我们将模型文件转换为ONNX格式，并使用nuitka进行打包。界面展示为了使系统更加完备，采用SQLite数据库，设计登录注册、图像检测、视频检测、相机实时检测、模型更换等功能，
  • 基于深度学习的鲜花图像分类系统的设计与实现 源码空间站TH 人工智能人工智能课程设计pythoncnn鲜花图像分类系统毕业设计深度学习
    1.项目总览1.1背景与动机现实生活中，鲜花电商、园艺大棚、智能零售柜都需要对花卉品种进行快速识别，以便定价、库存管理或生长环境调控。传统基于形态学的算法（颜色直方图、HOG+SVM等）在多品种、复杂光照背景下鲁棒性差。利用深度学习卷积神经网络提取大规模数据特征，可显著提升识别精度。1.2目标功能目标：输入任何一张含单朵鲜花的照片，系统输出花卉类别及置信度；支持单张、本地批量、在线HTTP以及桌面
  • 基于深度学习的路面裂缝检测系统：YOLOv8+UI界面+数据集实现 深度学习YOLO目标检测实战项目 深度学习YOLO实战项目YOLO深度学习ui人工智能目标跟踪
    1.引言随着城市化进程的不断推进，交通基础设施尤其是路面的维护和修复工作变得越来越重要。路面裂缝不仅影响车辆的通行安全，还可能导致严重的交通事故。为了提高路面检测的效率和准确性，越来越多的自动化检测方法被提出，其中基于深度学习的图像检测技术成为了最为主流和有效的手段之一。通过深度学习模型，可以自动化地识别路面图像中的裂缝，并为路面修复提供及时的反馈。本博客将介绍如何基于YOLOv8模型开发一个路面
  • 目标检测的图像特征提取 勇往直前的流浪刀客 CV图像特征提取
    目标检测的图像特征提取之（一）HOG特征1、HOG特征：方向梯度直方图（HistogramofOrientedGradient,HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究
  • Java大厂硬核面试：Flink流处理容错、Pomelo JVM调优、MyBatis二级缓存穿透防护与Kubernetes服务网格实战解析 xbhog Java面试FlinkKubernetesMyBatisSpringCloudWebSocketGraalVM
    第二幕：系统架构设计面试官：设计一个处理10万+QPS的秒杀系统需要的技术方案和技术选型xbhog：采用基础架构：存储层：Redis限流+分布式锁服务层：Sentinel流量控制消息层：RocketMQ事务消息保证最终一致性关键设计：库存扣减使用Redission的MultiOperation实现原子操作通过SpringCloudGateway的自定义过滤器实现用户身份认证网关层拦截面试官：Kub
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIPHPandroidlinux
    ╔-----------------------------------╗┆                           
  • 各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 bozch .net.net mvc
    在.net mvc5中，在执行某一操作的时候，出现了如下错误：       各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 经查询当前的操作与错误内容无关，经过对错误信息的排查发现，事故出现在数据库迁移上。 回想过去： 在迁移之前已经对数据库进行了添加字段操作，再次进行迁移插入XXX字段的时候，就会提示如上错误。  &
  • Java 对象大小的计算 e200702084 java
                              Java对象的大小 如何计算一个对象的大小呢？    
  • Mybatis Spring 171815164 mybatis
    ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); CustomerService userService = (CustomerService) ac.getBean("customerService"); Customer cust
  • JVM 不稳定参数 g21121 jvm
            -XX 参数被称为不稳定参数，之所以这么叫是因为此类参数的设置很容易引起JVM 性能上的差异，使JVM 存在极大的不稳定性。当然这是在非合理设置的前提下，如果此类参数设置合理讲大大提高JVM 的性能及稳定性。        可以说“不稳定参数”
  • 用户自动登录网站 永夜-极光 用户
    1.目标:实现用户登录后,再次登录就自动登录,无需用户名和密码 2.思路:将用户的信息保存为cookie            每次用户访问网站,通过filter拦截所有请求,在filter中读取所有的cookie,如果找到了保存登录信息的cookie,那么在cookie中读取登录信息,然后直接
  • centos7 安装后失去win7的引导记录 程序员是怎么炼成的 操作系统
    1.使用root身份(必须)打开 /boot/grub2/grub.cfg 2.找到 ### BEGIN /etc/grub.d/30_os-prober ###   在后面添加    menuentry "Windows 7 (loader) (on /dev/sda1)" { 
  • Oracle 10g 官方中文安装帮助文档以及Oracle官方中文教程文档下载 aijuans oracle
    Oracle 10g 官方中文安装帮助文档下载：http://download.csdn.net/tag/Oracle%E4%B8%AD%E6%96%87API%EF%BC%8COracle%E4%B8%AD%E6%96%87%E6%96%87%E6%A1%A3%EF%BC%8Coracle%E5%AD%A6%E4%B9%A0%E6%96%87%E6%A1%A3 Oracle 10g 官方中文教程
  • JavaEE开源快速开发平台G4Studio_V3.2发布了 無為子 AOPoraclemysqljavaeeG4Studio
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V3.2版本已经正式发布。大家可以通过如下地址下载。   访问G4Studio网站 http://www.g4it.org   G4Studio_V3.2版本变更日志 功能新增 (1).新增了系统右下角滑出提示窗口功能。 (2).新增了文件资源的Zip压缩和解压缩
  • Oracle常用的单行函数应用技巧总结 百合不是茶 日期函数转换函数(核心)数字函数通用函数(核心)字符函数
    单行函数;   字符函数,数字函数,日期函数,转换函数(核心),通用函数(核心) 一:字符函数: .UPPER(字符串) 将字符串转为大写 .LOWER (字符串) 将字符串转为小写 .INITCAP(字符串) 将首字母大写 .LENGTH (字符串) 字符串的长度 .REPLACE(字符串,'A','_') 将字符串字符A转换成_
  • Mockito异常测试实例 bijian1013 java单元测试mockito
    Mockito异常测试实例： package com.bijian.study; import static org.mockito.Mockito.mock; import static org.mockito.Mockito.when; import org.junit.Assert; import org.junit.Test; import org.mockito.
  • GA与量子恒道统计 Bill_chen JavaScript浏览器百度Google防火墙
    前一阵子，统计**网址时，Google Analytics（GA） 和量子恒道统计（也称量子统计），数据有较大的偏差，仔细找相关资料研究了下，总结如下：   为何GA和量子网站统计（量子统计前身为雅虎统计）结果不同？ 首先：没有一种网站统计工具能保证百分之百的准确出现该问题可能有以下几个原因：（1）不同的统计分析系统的算法机制不同；（2）统计代码放置的位置和前后
  • 【Linux命令三】Top命令 bit1129 linux命令
    Linux的Top命令类似于Windows的任务管理器，可以查看当前系统的运行情况，包括CPU、内存的使用情况等。如下是一个Top命令的执行结果：     top - 21:22:04 up 1 day, 23:49, 1 user, load average: 1.10, 1.66, 1.99 Tasks: 202 total, 4 running, 198 sl
  • spring四种依赖注入方式 白糖_ spring
      平常的java开发中，程序员在某个类中需要依赖其它类的方法，则通常是new一个依赖类再调用类实例的方法，这种开发存在的问题是new的类实例不好统一管理，spring提出了依赖注入的思想，即依赖类不由程序员实例化，而是通过spring容器帮我们new指定实例并且将实例注入到需要该对象的类中。依赖注入的另一种说法是“控制反转”，通俗的理解是：平常我们new一个实例，这个实例的控制权是我
  • angular.injector boyitech AngularJSAngularJS API
    angular.injector   描述: 创建一个injector对象, 调用injector对象的方法可以获得angular的service, 或者用来做依赖注入.   使用方法: angular.injector(modules, [strictDi])   参数详解: Param Type Details mod
  • java-同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待 bylijinnan Integer
    public class PC { /** * 题目：生产者-消费者。 * 同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待。 */ private static final Integer[] val=new Integer[10]; private static
  • 使用Struts2.2.1配置 Chen.H apachespringWebxmlstruts
    Struts2.2.1 需要如下 jar包: commons-fileupload-1.2.1.jar commons-io-1.3.2.jar commons-logging-1.0.4.jar freemarker-2.3.16.jar javassist-3.7.ga.jar ognl-3.0.jar spring.jar struts2-core-2.2.1.jar struts2-sp
  • [职业与教育]青春之歌 comsci 教育
           每个人都有自己的青春之歌............但是我要说的却不是青春...        大家如果在自己的职业生涯没有给自己以后创业留一点点机会,仅仅凭学历和人脉关系,是难以在竞争激烈的市场中生存下去的....   &nbs
  • oracle连接(join)中使用using关键字 daizj JOINoraclesqlusing
    在oracle连接(join)中使用using关键字 34. View the Exhibit and examine the structure of the ORDERS and ORDER_ITEMS tables. Evaluate the following SQL statement: SELECT oi.order_id, product_id, order_date FRO
  • NIO示例 daysinsun nio
    NIO服务端代码： public class NIOServer { private Selector selector; public void startServer(int port) throws IOException { ServerSocketChannel serverChannel = ServerSocketChannel.open(
  • C语言学习homework1 dcj3sjt126com chomework
    0、 课堂练习做完 1、使用sizeof计算出你所知道的所有的类型占用的空间。 int x; sizeof(x);   sizeof(int);   # include <stdio.h> int main(void) { int x1; char x2; double x3; float x4; printf(&quo
  • select in order by , mysql排序 dcj3sjt126com mysql
    If i select like this: SELECT id FROM users WHERE id IN(3,4,8,1); This by default will select users in this order 1,3,4,8, I would like to select them in the same order that i put IN() values so:
  • 页面校验-新建项目 fanxiaolong 页面校验
    $(document).ready( function() { var flag = true; $('#changeform').submit(function() { var projectScValNull = true; var s =""; var parent_id = $("#parent_id").v
  • Ehcache（02）——ehcache.xml简介 234390216 ehcacheehcache.xml简介
    ehcache.xml简介          ehcache.xml文件是用来定义Ehcache的配置信息的，更准确的来说它是定义CacheManager的配置信息的。根据之前我们在《Ehcache简介》一文中对CacheManager的介绍我们知道一切Ehcache的应用都是从CacheManager开始的。在不指定配置信
  • junit 4.11中三个新功能 jackyrong java
    junit 4.11中两个新增的功能，首先是注解中可以参数化，比如 import static org.junit.Assert.assertEquals; import java.util.Arrays; import org.junit.Test; import org.junit.runner.RunWith; import org.junit.runn
  • 国外程序员爱用苹果Mac电脑的10大理由 php教程分享 windowsPHPunixMicrosoftperl
    Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。那么为什么专业人士也对 Mac 情有独钟呢？从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的 这一点太重要了，尤其是对开发人员，至少对于我来说很重要，这意味着Unix 下一堆好用的工具都可以随手捡到。如果你是个 wi
  • 位运算、异或的实际应用 wenjinglian 位运算
    一． 位操作基础，用一张表描述位操作符的应用规则并详细解释。       二． 常用位操作小技巧，有判断奇偶、交换两数、变换符号、求绝对值。       三． 位操作与空间压缩，针对筛素数进行空间压缩。    &n
  • weblogic部署项目出现的一些问题（持续补充中……） Everyday都不同 weblogic部署失败
    好吧，weblogic的问题确实……   问题一： org.springframework.beans.factory.BeanDefinitionStoreException: Failed to read candidate component class: URL [zip:E:/weblogic/user_projects/domains/base_domain/serve
  • tomcat7性能调优（01） toknowme tomcat7
        Tomcat优化： 1、最大连接数最大线程等设置 <Connector port="8082" protocol="HTTP/1.1"                useBodyEncodingForURI="t
  • PO VO DAO DTO BO TO概念与区别 xp9802 javaDAO设计模式bean领域模型
    O/R Mapping 是 Object Relational Mapping（对象关系映射）的缩写。通俗点讲，就是将对象与关系数据库绑定，用对象来表示关系数据。在O/R Mapping的世界里，有两个基本的也是重要的东东需要了解，即VO，PO。 它们的关系应该是相互独立的，一个VO可以只是PO的部分，也可以是多个PO构成，同样也可以等同于一个PO（指的是他们的属性）。这样，PO独立出来，数据持
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他