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)

  • 【干货】你可能不知道的 20个 Linux 网络工具 迷途不归路
    转载自公众号：DevOps技术栈原文链接：http://linoxide.com/monitoring-2/network-monitoring-tools-linux/如果要在你的系统上监控网络，那么使用命令行工具是非常实用的，并且对于Linux用户来说，有着许许多多现成的工具可以使用，如：nethogs,ntopng,nload,iftop,iptraf,bmon,slurm,tcptrack
  • 数学基础 -- 线性代数之格拉姆-施密特正交化 sz66cm 线性代数机器学习人工智能
    格拉姆-施密特正交化格拉姆-施密特正交化（Gram-SchmidtOrthogonalization）是一种将一组线性无关的向量转换为一组两两正交向量的算法。通过该过程，我们能够从原始向量组中构造正交基，并且可以选择归一化使得向量组成为标准正交基。算法步骤假设我们有一组线性无关的向量{v1,v2,…,vn}\{v_1,v_2,\dots,v_n\}{v1,v2,…,vn}，其目标是将这些向量正交化
  • 人脸识别技术框架 weixin_30314813 人工智能
    1、人脸检测（确定人脸的位置）。2、人脸关键点（确定眼睛，嘴角等特征位置）。3、人脸几何校正（把人脸通过缩放、旋转、拉伸等图像变化到一个比较标准的大小位置）。4、人脸光学校正（滤波，去除一些对光照敏感的面部特征）。5、人脸特征提取（包括LBP,HOG,Gabor等）。6、人脸识别转载于:https://www.cnblogs.com/lanye/p/3620621.html
  • 优麒麟 20.04 LTS Pro安装Canon LBP2900打印机 ericden UbuntuLinux打印驱动优麒麟ubuntulinuxwindows
    最近优麒麟发布了最新的操作系统Ukylin20.04Pro，使用了一段时间总体感觉是不错的，运行效率较高，美中不足的是一些界面方面的字体和默认主题需要手动去做一些修改。现在基本上在办公环境中使用优麒麟的操作系统了，在使用中逐渐发现了一个新的问题，办公室的CanonLBP2900打印机还是用不了，接上打印机线，操作系统还是会发现打印机并安装为CanonLBP3000打印机，但是打印测试页面都没有反应
  • openCV【实践系列】2——OpenCV方向梯度直方图 一只长尾巴
    什么是特征描述符特征描述符是图像或图像块的表示，其通过提取有用信息和丢弃无关信息来简化图像。通常，特征描述符将一个width*height*3（通道）的图像转换为长度为n的特征向量或数组。在HOG特征描述符的情况下，输入图像的大小为64×128×3，输出特征向量的长度为3780。在HOG特征描述符中，梯度方向（定向梯度）的分布（直方图）被用作特征。图像的梯度（x和y导数）是有用的，因为在边缘和角落
  • （二）十分简易快速 自己训练样本 opencv级联lbp分类器 车牌识别 Sisphusssss opencv人工智能计算机视觉笔记python学习
    强烈建议先阅读上一篇博文，此篇博文是上一篇的拓展目录1、haar与lbp分类器的对比2、使用工具对LBP特征类型进行训练3、LBP分类器现象展示4、完整代码贴出5、更新后的工程贴出6、结语1、haar与lbp分类器的对比Haar特征分类器的优缺点：优点：准确性：在训练数据充足且质量高的情况下，Haar分类器可以达到很高的检测准确率。成熟稳定：Haar特征分类器是较早使用的特征检测方法之一，经过多年
  • 穿越阿冈昆(三)：我们划船，还是扛船？ 叔丁
    （叔丁）走之前跟朋友说，我们去阿冈昆划船宿营去了。可是我们有多少时间在划船呢？此次我们预计八天内划船才81公里，而扛船则是9340米，这还不包括我们去Hogan’sLake一日游那天的近3000米扛船。这不是一次普通意义上的划船宿营。我们要穿越阿冈昆，不可避免就需要穿过更多的Portage。湖泊河流不总是顺从我们南北行走的方向。扛船背包，让我们可以随着心意穿越。这是我们第二次尝试一周长的扛船划船宿
  • 【鹅妈妈童谣】13.To market, to market 欣然小时光
    日常生活中总少不了带孩子去超市逛逛，今天就为大家介绍一首关于去市场的鹅妈妈童谣《Tomarket,tomarket》。【童谣】Tomarket,tomarket,tobuyafatpig,Homeagain,homeagain,jiggety-jig.Tomarket,tomarket,tobuyafathog,Homeagain,homeagain,jiggety-jog.去市场，去市场，去买一
  • 深入探索Objective-C的NSOrthography：拼写检查的艺术与科学 2402_85758349 objective-c开发语言macos
    标题：“深入探索Objective-C的NSOrthography：拼写检查的艺术与科学”在软件开发中，拼写检查是一个重要的功能，它帮助用户避免拼写错误，提高文本的准确性和专业性。Objective-C，作为iOS和macOS开发的主要语言之一，提供了NSOrthography类来处理拼写检查。本文将深入探讨NSOrthography的工作原理，并展示如何在实际应用中实现拼写检查功能。1.拼写检查
  • MATLAB使用OMP实现图像的压缩感知实例 superdont 计算机视觉入门matlab计算机视觉图像处理机器学习图像加密人工智能算法
    OMP（OrthogonalMatchingPursuit）是一种用于稀疏信号恢复的迭代算法。它的目标是从一组测量值中重建具有少量非零元素的信号。基本步骤以下是OMP算法的简要步骤：初始化残差：将残差初始化为测量向量。迭代过程：a.原子选择：在每次迭代中，从字典中选择与当前残差最相关的原子。b.更新估计：使用所选的原子更新信号的估计。c.更新残差：更新残差，将其减去已匹配的部分。停止条件：重复步骤
  • CSS3DRenderer, CSS3DObject, OrthographicCamera API 结合使用案例 小豆包3D世界 css3前端javascript
    CSS3DRenderer,CSS3DObject,OrthographicCameraAPI结合使用案例three.jscss3d-orthographicbody{background-color:#f0f0f0;}a{color:#f00;}#info{color:#000000;}three.jscss3d-orthographic{"imports":{"three":"../build
  • 【MATLAB源码-第154期】基于matlab的OFDM系统多径信道下块状和梳妆两种导频插入方式误码率对比仿真。 Matlab程序猿 OFDM信道估计与均衡MATLABmatlab开发语言信息与通信
    操作环境：MATLAB2022a1、算法描述OFDM（OrthogonalFrequencyDivisionMultiplexing，正交频分复用）是一种高效的无线信号传输技术，广泛应用于现代通信系统，如Wi-Fi、LTE和5G。OFDM通过将宽带信道划分为多个正交的窄带子载波来传输数据，有效地提高了频谱利用率并降低了多径传播引起的干扰。接下来，我们将详细讨论OFDM系统的关键组成部分，包括导频、
  • 05基于卷积神经网络-支持向量机（自动寻优）CNN-SVM数据分类算法 机器不会学习CSJ cnn支持向量机分类人工智能
    CNN原理卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种深度学习模型，广泛用于计算机视觉领域。CNN的核心思想是通过卷积层和池化层来自动提取图像中的特征，从而实现对图像的高效处理和识别。在传统的机器学习方法中，图像特征的提取通常需要手工设计的特征提取器，如SIFT、HOG等。而CNN则可以自动从数据中学习到特征表示。这是因为CNN模型的卷积层使用了一系列的卷积核
  • 金线检测步骤 耿直小伙 算法
    半导体行业,金线检测是必不可以少的一个检测项,除了焊点,die面,手指以外的必检项目.重难点在于金线的提取,算法多种多样,找到适合才是关键,涉及到打光,图像处理,这里不做深入分析,软件和硬件配合好才能做的最好.经典算法Block分析,结合图像检测.高斯算法提取边缘检测算法提取这几种算法各有利弊,经典算法的适用性一般,对图像质量要求高,鲁棒性好.高斯算法,参数难调,鲁棒性差一点,但是提取的准确度高.
  • [PHP 反序列化参考手册] cl1mb3r phpandroid开发语言
    一、简单的反序列化题目1.P1task.phpname==='ctf'){echogetenv('FLAG');}}}unserialize($_GET['n']);exp.phpadmin="user";$this->passwd="123456";}publicfunction__destruct(){if($this->admin==="admin"&&$this->passwd==="ct
  • R-CNN、Fast R-CNN、Faster R-CNN实现 今 晚 打 老 虎 面试之CV基础知识深度学习点滴
    R-CNN：传统的目标检测算法：使用穷举法（不同大小比例的滑窗）进行区域选择，时间复杂度高对提取的区域进行特征提取（HOG或者SIFT），对光照、背景等鲁棒性差使用分类器对提取的特征进行分类（SVM或Adaboost）R-CNN的过程：采用SelectiveSearch生成类别独立的候选区域使用AlexNet来提取特征，输入是227*227*3，输出是4096将4096维的特征向量送入SVM来分类
  • OpenGL 投影方式、存储着色器、基本图元连接 Joker_King
    投影方式正投影图像以1：1的方式绘制到屏幕上。视觉上看到的是2D平面图像。image-20200710105247748只有位于坐标系中的视图才可以被看到。GLFrustum::SetOrthographic(,,,,,)透视投影以人眼的视角进行绘制，有远小近大的效果。image-20200710105735524当我们的视窗越大，我们所能看到的范围就越大。//fFov:垂直方向上的视窗角度//f
  • devServer proxy 日常配置 35108b7328fb
    今天遇到一个项目中，服务那边使用的是roadhog阿里出品的打包工具服务中配置了proxy顺便看了一下proxy的文档。记录一下;希望帮助到有需要的小伙伴吧；当你拥有单独的API后端开发服务器并且希望在同一域上发送API请求时，代理某些URL可能会很有用。1.正常使用proxy:{'/api':{//这个是你要替换的位置target:'http://www.baidu.com'//这个是被替换的目
  • The Hedgehogs 慧觅玺
    Itwasthecoldestwinterever.Manyanimalsdiedbecauseofthecold.这是有史以来最冷的冬天。许多动物死于严寒。Thehedgehogs,realizingthesituation,decidedtogrouptogethertokeepwarm.刺猬意识到这种情况，决定聚在一起取暖。Thiswaytheycoveredandprotectedthem
  • HOG特征 ce0b74704937
    HOG特征是在文章《HistogramsofOrientedGradientsforHumanDetection》中提出，看文章标题可知，该文章是为了行人检测提出的，不过后来也用于其它方向，比如特征点检测等。该文中行人检测大概分为以下几步：输入图像（行人的图像）采用Gamma矫正法对输入图像进行颜色空间的标准化；目的是调节图像的对比度，降低图像局部的阴影和光照所造成的影响，同时可以抑制噪声。（原文
  • 渗透测试练习题解析 3（CTF web） 安全不再安全 CTFweb前端安全网络安全web安全
    1、[网鼎杯2020朱雀组]phpweb1考点：反序列化漏洞利用进入靶场，查看检查信息，发现存在两个参数func和p查看页面源代码payload：func=file_get_contents&p=php://filter/resource=index.php整理后，就是PHP代码审计了  func!=""){        echogettime($this->func,$this->p);   
  • 2018-12-10 冯大发
    Charlottes'sWeb（ChapterⅠ）Words:hoghouse][hɔɡhaʊs]n.猪圈hogn.猪（供食用的）runt[rʌnt]n.（一胎中）最弱小的动物shriek[ʃrik]v.尖叫yell[jɛl]v.大喊sob[sɑb]v.抽噎；啜泣sopping[ˈsɑ:pɪŋ]a.湿透的=verywetweakling[ˈwiklɪŋ]n.瘦弱的人或动物carton[ˈkɑ:rt
  • 34从传统算法到深度学习：目标检测入门实战 --方向梯度直方图 Jachin111
    什么是方向梯度直方图在前面的实验1、实验2中，我们了解到传统的目标检测流程可分为三个步骤，第一步是使用滑动窗口和图像金字塔从图片中选择一些区域。第二步是将选择出来的区域转化为人工设计的特征，可称为特征提取。第三步是将这些特征输入分类器进行分类。方向梯度直方图（HistogramofOrientedGradients）以下简称HOG，就是一种人工设计的特征，用来简化图像表述的特征描述符。下图中左边的
  • COC《部落战争》各兵种中英文名称对照 金御札
    野蛮人（Barbarian）弓箭手（Archer）哥布林（Goblin）巨人（Giant）炸弹人（WallBreaker）气球兵（Balloon）法师（Wizard）天使（Healer）飞龙（Dragon）皮卡（P.E.K.K.A）亡灵（Minion）野猪骑士（HogRider）瓦基丽武神（Valkyrie）戈仑石人（Golem）女巫（Witch）野蛮人之王（BarbarianKing）弓箭女皇（
  • 【SpringBootStarter】自定义全局加解密组件 xbhog Java源码&设计模式springboot后端java
    【SpringBootStarter】目的了解SpringBootStarter相关概念以及开发流程实现自定义SpringBootStarter(全局加解密)了解测试流程优化最终引用的效果：com.xbhogglobalValidation-spring-boot-starter1.0.0【开源地址】https://gitee.com/xbhog/encry-adecry-spring-boot-
  • AI嵌入式K210项目（28）-在线模型训练 疯狂飙车的蜗牛 K210开发板人工智能嵌入式AIAI嵌入式K210K230模型训练
    文章目录前言一、平台介绍二、创建项目三、上传数据集图像分类图像检测图片上传压缩包上传四、新建任务总结前言前面我们使用已经训练好的模型在K210开发板上进行了人脸识别，口罩识别，手写数字识别等实验，那么模型除了使用已经训练好的，如何根据自己的需求，获得相应的模型那？本章我们来介绍下如何使用嘉楠科技提供的在线模型训练工具；一、平台介绍嘉楠科技开发者社区（https://developer.canaan
  • yolov8之训练、验证、预测、导出 Jumy_S YOLO
    yolov8之训练、验证、预测、导出yolov8之训练、验证、预测、导出yolov8之训练、验证、预测、导出链接：https://pan.baidu.com/s/1_9hI8ZshNCJSMJVXNTVxbQ?pwd=1234提取码：1234一YoloV8数据集制作1.labelme的使用2.数据集转为yolo格式二使用yolov8进行训练、验证、预测、导出1.图像分类2.图像检测3.实例分割1.
  • Open CASCADE学习|保存为STL文件 老歌老听老掉牙 OpenCASCADE学习c++OpenCASCADE
    STL(Stereolithography)文件是一种广泛用于3D打印和计算机辅助设计(CAD)领域的文件格式。它描述了一个三维模型的表面而不包含颜色、材质或其他非几何信息。STL文件通常用于3D打印过程中，因为它们仅包含构建物体所需的位置信息。由于STL文件只包含表面信息，因此在导出过程中可能会丢失一些细节，特别是当模型具有非常小的特征或内部几何结构时。因此，在导出之前，最好确保你的模型是“水密
  • Paper-50 病原菌的挥发性代谢物：系统综述（PlosPathogens，2013） 2021-02-28 RashidinAbdu
    原文：VolatileMetabolitesofPathogens:ASystematicReview作者：LieuweD.J.Bos,PeterJ.Sterk,MarcusJ.SchultzDOI:https://doi.org/10.1371/journal.ppat.1003311作者单位：DepartmentofIntensiveCare,AcademicMedicalCenter,Uni
  • ICCV 2023 | 8篇论文看扩散模型diffusion用于图像检测任务：动作检测、目标检测、异常检测、deepfake检测... 机器学习与AI生成创作 目标检测人工智能计算机视觉
    1、动作检测DiffTAD:TemporalActionDetectionwithProposalDenoisingDiffusion基于扩散方法提出一种新的时序动作检测（TAD）算法，简称DiffTAD。以随机时序proposals作为输入，可以在未修剪的长视频中准确生成动作proposals。从生成建模的视角，与先前的判别学习方法不同。首先将真实proposals从正向扩散到随机proposa
  • 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