凌风探梅
凌风探梅

Motion-based Segmentation and RecognitionDataset

Motion-based Segmentation and RecognitionDataset
(this is a draft versionof this page)

        Please cite:    
    (1) Segmentation and RecognitionUsing Structure from Motion Point Clouds, ECCV 2008 (pdf)
Brostow, Shotton, Fauqueur, Cipolla (bibtex)
    (2) Semantic Object Classes inVideo: A High-Definition Ground Truth Database (pdf)
Pattern Recognition Letters (to appear)
Brostow, Fauqueur, Cipolla (bibtex)
       
  Description:    The Cambridge-driving LabeledVideo Database (CamVid) is the first collection of videos with objectclass semantic labels, complete with metadata. The database providesground truth labels that associate each pixel with one of 32 semantic classes.

The database addresses the need for experimental data to quantitativelyevaluate emerging algorithms. While most videos are filmed withfixed-position CCTV-style cameras, our data was captured from theperspective of a driving automobile. The driving scenario increases thenumber and heterogeneity of the observed object
classes.

Over ten minutes of high quality 30Hz footage is being provided, withcorresponding semantically labeled images at 1Hz and in part, 15Hz. TheCamVid Database offers four contributions that are relevant to objectanalysis researchers. First, the per-pixel semantic segmentation ofover 700 images was specified manually, and was then inspected andconfirmed by a second person for accuracy. Second, the high-quality andlarge resolution color video images in the database represent valuableextended duration digitized footage to those interested in drivingscenarios or ego-motion. Third, we filmed calibration sequences for thecamera color response and intrinsics, and computed a 3D camera pose foreach frame in the sequences. Finally, in support of expanding this orother databases, we offer custom-made labeling software for assistingusers who wish to paint precise class-labels for other images andvideos. We evaluated the relevance of the database by measuring theperformance of an algorithm from each of three distinct domains:multi-class object recognition, pedestrian detection, and labelpropagation.
       
  Overview Video:   Motion-based Segmentation and RecognitionDataset_第1张图片
Avi, 30 Mb, xVid compressed.(playbacktips or get the free Mac/Windows player.
or
Mpg, 11 Mb, mpeg-1 compressed(more compatible, but lower quality)

  Motion-based Segmentation and RecognitionDataset_第2张图片

CamVid Database
(just samples shown. For all thevideos, see below)



  Original Video Sequences:   Link to FTP server withvideo files (very big!)
Linkto codecs + utility for extracting frames from those big files
(read the inventory.txt)
 
Labeled Images
(701 so far)		  
Linkto zip file with painted class labels for stills from the videosequences.
Txtfile listing classes and label colors as RGB triples (sorted).
(Note: the corresponding raw input images only - at 1Hz,
already extracted from the respective videos areheretemporarily(556Mb).)
 
Camera extrinsics 		   Linkto files and code (if link breaks someday, go here)
The relevant line that you care about to get the projection matrix of 1camera is in MotBoostEvalOneFrame.m (see howLoadBoujou_2Dtrax_3dBans_Misc.m calls it):
curC = Cs( frameNum-offsetForFrameNums,    1:3);
      Examplecamera posetrajectory, stored in Boujou Animation Format:
each line containing "AddDecompCameraKey" has a K and R matrix and tvector,
so that P = K * R * [I -t]
 
      seq06R0
Motion-based Segmentation and RecognitionDataset_第3张图片
Description: 3030 frames at 30Hz == 1:41 min
Sample Frame           
VideoFilein MXF format *
     
seq16E5
Motion-based Segmentation and RecognitionDataset_第4张图片
Description: 6120 frames at 30Hz == 3:24 min
Sample Frame      
VideoFiles 1 and 2 inMXF format* (note: these are 2halves of 1 zip file)



seq16E5_15Hz
(see also CamSeq01)
Motion-based Segmentation and RecognitionDataset_第5张图片
Description: 202 frames at 30Hz == 0:06 min
Sample Frame
VideoFiles 1 and 2 inMXF format * (note: same files asabove, but use a different script)
     
seq05VD
Motion-based Segmentation and RecognitionDataset_第6张图片
Description: 5130 frames at 30Hz == 2:51 min
Sample Frame
VideoFileinMXF format*
      seq01TP
Motion-based Segmentation and RecognitionDataset_第7张图片
Description: 3720 frames at 30Hz == 2:04 min
Sample Frame 
VideoFilein MXF format *
       
      Motion-based Segmentation and RecognitionDataset_第8张图片
      Listingof (RGB)-Classassignments (alphabetical)      Listingin color-order used by MSRC(with "XX")
   
Moving objects
Animal
Pedestrian
Child
Rolling cart/luggage/pram
Bicyclist
Motorcycle/scooter
Car (sedan/wagon)
SUV / pickup truck
Truck / bus
Train
Misc		 Road
Road == drivable surface
Shoulder
Lane markings drivable
Non-Drivable		 Ceiling
Sky
Tunnel
Archway		 Fixed objects
Building
Wall
Tree
Vegetation misc.
Fence
Sidewalk
Parking block
Column/pole
Traffic cone
Bridge
Sign / symbol
Misc text
Traffic light
Other
Motion-based Segmentation and RecognitionDataset_第9张图片





Hand-Labeled Frames:
seq06R0
Motion-based Segmentation and RecognitionDataset_第10张图片
Description: 101 frames at 1Hz == 1:41 min
Sample Frame       PreviewVideo



seq16E5
Motion-based Segmentation and RecognitionDataset_第11张图片
Description: 204 frames at 1Hz == 3:24 min
Sample Frame       PreviewVideo

seq16E5_15Hz
(see also CamSeq01)
Motion-based Segmentation and RecognitionDataset_第12张图片
Description: 101 frames at 15Hz == 0:06 min
Sample Frame       PreviewVideo



seq05VD
Motion-based Segmentation and RecognitionDataset_第13张图片
Description: 101 frames at 1Hz == 1:41 min
Sample Frame       PreviewVideo



seq01TP
Motion-based Segmentation and RecognitionDataset_第14张图片
Description: 124 frames at 1Hz == 2:04 min
Sample Frame       PreviewVideo









Paint-Stroke Logs of ManualLabeling:

Example log file, whereeachof the user's mouse-strokes was recorded to include:
the class label being applied, size and type of brush orpre-segmentation used, location of each click point and drag-path, andduration for each stroke.





InteractLabeler Software:

InteractLabeler.zipforWindows (3.4Mb)
InteractLabelerDocumentation
InteractLabelerinstructions, as given to volunteers






*MXF format:

This format is like Avi orQuicktime in that it is a wrapper for multimedia files. In our case,just the video channel has data, and is HD format. To decode, use thisutility ( link)along with the scripts provided.



     
     


你可能感兴趣的:(ObjectDetect)

  • 2018-07-08 leica8244
    ##注意-注意使用单独安装的MinGW6.3，QT的MinGW，缺少多线程dll-取消cmake中的EnablePrecompiledheader选项-若用MinGW,CMAKE_BUILD_TYPE选项，调整debugrelease-编译WITH_QT-不要编译opencv_world-不要编译opencv_ts-不要编译opencv_objectdetect(多线程问题)-编译选nonfree
  • 论文阅读：SSD: Single Shot MultiBox Detector Maybemust 机器学习
    原文章地址：论文阅读：SSD:SingleShotMultiBoxDetectorPreface这是今年ECCV2016的一篇文章，是UNCChapelHill（北卡罗来纳大学教堂山分校）的WeiLiu大神的新作，论文代码：https://github.com/weiliu89/caffe/tree/ssd有几点更新：1.看到一篇blog对检测做了一个总结、收集，强烈推荐：ObjectDetect
  • yolov8 ncnn 写代码_不错哦 人工智能
    目录1.yolov8目标检测2.分类3.参考1.yolov8目标检测1.目标检测按照官方代码8.0.81直接训练，训练后会得到.pt文件。fromultralyticsimportYOLOimportosos.environ['CUDA_VISIBLE_DEVICES']='3'#Loadamodelmodel=YOLO('pcb_objectdetect_yolov8s.yaml')#build
  • YOLO3D 基于图像的3D目标检测算法 AI松子666 目标检测YOLO3d
    参考文档：https://ruhyadi.github.io/project/computer-vision/yolo3d/代码：https://github.com/ruhyadi/yolo3d-lightning本次分享将会从以下四个方面展开：物体检测模型中的算法选择单目摄像头下的物体检测神经网络训练预测参数的设计模型训练与距离测算1.物体检测模型中的算法选择物体检测（ObjectDetect
  • jetbot11 之 人手目标检测(hand detect) walletiger yolov5玩转jetbotjetsonnano
    一直陷在物体检测的坑里出不来了。谁让这坑如此之深！继续加点深度！自己训练一个yolov5objectdetect模型再跑跑tensorRT加速吧。技术主题：yolov5s训练人手检测模型并使用tensortRT加速。一准备数据集1.1下载https://www.robots.ox.ac.uk/~vgg/data/hands/1.2转换yolo需要的格式参考：https://github.com/c
  • <转>IMU预积分总结与公式推导 weixin_30757793
    IMU预积分总结与公式推导（一）IMU预积分总结与公式推导（二）IMU预积分总结与公式推导（三）IMU预积分总结与公式推导（四）转载于:https://www.cnblogs.com/objectDetect/p/9442757.html
  • yolov7 paper阅读笔记 蓝羽飞鸟 DeepLearning计算机视觉人工智能深度学习
    不同于现有的主流方法，yolov7的主要改进点在优化训练过程，包括优化modules和优化方法，这些会加强traingcost从而提高objectdetect的accuracy,但是不会提高inferencecost（时间开销）,这个改进方法和优化方法叫做trainablebag-of-freebies。最近，模型的re-parameterization和动态labelassignment在模型训
  • 感受野大小的计算 zk_ken 深度学习图像处理深度学习
    转载http://www.cnblogs.com/objectDetect/p/5947169.html1感受野的概念从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。2感受野大小的计算感受野计算时有下面的几个情况需要说明：a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大
  • Qt-OpenCV学习笔记--人脸识别--基于Haar特征的cascade分类器 ssismm opencv学习qt
    概述基于Haar特征的cascade分类器(classifiers)是PaulViola和MichaelJone在2001年，论文”RapidObjectDetectionusingaBoostedCascadeofSimpleFeatures”中提出的一种有效的物品检测(objectdetect)方法。它是一种机器学习方法，通过许多正负样例中训练得到cascade方程，然后将其应用于其他图片。H
  • 【转载】caffe安装 ssd配置并在VGG模型上训练自己的数据 原 dopami
    https://my.oschina.net/u/1046919/blog/777470最近一直在看深度学习的东西，用到了ssd，上网一搜，找到一篇不错的博客，http://www.cnblogs.com/objectDetect/p/5780006.html，官网，这篇是连安装cuda到caffe环境的一系列http://blog.csdn.net/wopawn/article/details/
  • 【深度学习】卷积神经网络中感受野（Receptive Field）的计算方法 Zhang_Chen_ 深度学习
    【深度学习】卷积神经网络中感受野（ReceptiveField）的计算方法转载来源卷积神经网络中感受野（ReceptiveField）的计算方法感受野计算器：python实现的感受野计算器结语转载来源https://zhuanlan.zhihu.com/p/28492837https://www.cnblogs.com/objectDetect/p/5947169.html感谢原作者的工作卷积神经
  • Mimicking Very Efficient Network for Object Detection mengmengmiao objectdetection最新技术
    背景Mimic作为一种模型小型化的方法，Hinton在DistillingtheKnowledgeinaNeuralNetwork一文中已经详细定义并介绍过，但近些年来大部分有关于mimic的论文主要都是局限在较为简单的classification的任务中，而对于较为复杂一些的detection任务，直接套用以前的方案则显得不行。本文提出了一种学习featuremap来实现ObjectDetect
  • 用SSD训练自己的数据集 Z-xealous
    简书上看到的https://www.jianshu.com/p/ebebfcd274e6详细介绍了BBox-Label-Tool的使用方法http://www.cnblogs.com/objectDetect/p/5780006.htmlCaffe上用SSD训练和测试自己的数据https://blog.csdn.net/KYJL888/article/details/82866424SSD的配置安
  • 感受野的详细介绍 Liam_Fang_ 深度学习感受野卷积
    转载http://www.cnblogs.com/objectDetect/p/5947169.html1感受野的概念从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。2感受野大小的计算感受野计算时有下面的几个情况需要说明：a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大
  • CNN中感受野大小的计算 lx_xin 深度学习相关
    参考资料：卷积神经网络物体检测之感受野大小计算-machineLearning-博客园https://www.cnblogs.com/objectDetect/p/5947169.htmlCNN感受野计算公式-简书https://www.jianshu.com/p/e875117e5372将输入图片记为第0层，其后的卷积层和池化层对RF（receptivefield）有影响，且只有kernelsi
  • MATLAB批量读取文件夹下的图像，并对图像进行裁剪为指定大小，旋转，缩放，加噪声处理，rgb2hsv，批量保存 coding思想 matlab数据处理
    看完标题，我们可以把这个任务当成两个子任务来实现：一是先批量读取指定文件夹下的图像，二是对读取的每一帧图形裁剪；再就是如何设置，才可以裁剪出多张指定的大小？三是如何对处理后的图像进行批量保存?现在让我们来一探究竟。step1：批量读取指定文件夹下的图像：file_path='F:\学术&工程\ObjectDetect\全景图像集\';%图像文件夹路径img_path_list=dir(strcat
  • 卷积神经网络物体检测之感受野大小计算 MMM启 RCNN
    转自：https://www.cnblogs.com/objectDetect/p/5947169.html学习RCNN系列论文时，出现了感受野(receptivefield)的名词，感受野的尺寸大小是如何计算的，在网上没有搜到特别详细的介绍，为了加深印象，记录下自己对这一感念的理解，希望对理解基于CNN的物体检测过程有所帮助。1感受野的概念在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的
  • 卷积网络之感受野 xsd1221 深度学习
    转载http://www.cnblogs.com/objectDetect/p/5947169.html1感受野的概念从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。2感受野大小的计算感受野计算时有下面的几个情况需要说明：a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大
  • CNN 感受野大小计算 无奈的小心酸
    转自http://www.cnblogs.com/objectDetect/p/5947169.html1感受野的概念在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。RCNN论文中有一段描述，Alexnet网络pool5输出的特征图上的像素在输入图像上有很大的感受野（haveverylargereceptivefields
  • [转帖]qemu+chroot构建arm aarch64虚拟机 济南小老虎
    https://www.cnblogs.com/objectDetect/p/7614066.html改天测试一下今天发现已经有的机器根分区都太大了不太好用.在X86环境下构建出arm虚拟机可以模拟arm环境进行开发、在armlinux的文件系统中安装相应的库文件，编译arm版本等。简单介绍下在X86环境下构建ARM虚拟机的步骤。1、x86环境安装qemu-user-staticsudoapt-g
  • 一文看懂YOLO v1 小小小绿叶 yolov1深度学习人工智能目标检测
    从R-CNN到FasterR-CNN一直采用的思路是proposal+分类（proposal提供位置信息，分类提供类别信息）精度已经很高，但由于two-stage（proposal耗费时间过多）处理速度不行达不到real-time效果。YOLO提供了另一种更为直接的思路：直接在输出层回归boundingbox的位置和boundingbox所属的类别(整张图作为网络的输入，把ObjectDetect
  • 感受野 Li060703
    转载http://www.cnblogs.com/objectDetect/p/5947169.html今天在设计CNN基于手写数字识别模型时，看到感受野这个名词，以下是我感觉比较清洗直白的讲解1感受野的概念从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。2感受野大小的计算感受野计
  • 角蜂鸟 Console下可运行的Demo。 _49_
    角蜂鸟Demo要在图形界面下才能跑，有些场景做演示不合适，且浪费资源。最好能在命令行下跑。我用pygame，实现在命令行下运行，就可以看到视频的Demo。importnumpyasnp,sys,cv2sys.path.append('../../api/')importhsapiashsWEBCAM=False#SettoTrueifuseWebcamnet=hs.HS('ObjectDetect
  • SPP-Net 论文笔记 春枫琰玉 深度学习-目标检测图像分类
    简介SPP-net是何凯明团队在rbg大神提出R-CNN之后提出的比较有创新性的网络，其主要贡献在于：1.打破了CNN网络需要输入固定大小的图像的限制，利用SpatialPyramidPooling方法，不需要像以前一样需要对图像进行裁剪等操作，而是直接将entireimage输入。2.利用SPP-Net进行图像分类以及目标检测，虽然对于精度并没有特别明显的提升，但是在objectdetect中，
  • SPP-Net 论文笔记 春枫琰玉 深度学习-目标检测图像分类
    简介SPP-net是何凯明团队在rbg大神提出R-CNN之后提出的比较有创新性的网络，其主要贡献在于：1.打破了CNN网络需要输入固定大小的图像的限制，利用SpatialPyramidPooling方法，不需要像以前一样需要对图像进行裁剪等操作，而是直接将entireimage输入。2.利用SPP-Net进行图像分类以及目标检测，虽然对于精度并没有特别明显的提升，但是在objectdetect中，
  • 深度学习4：卷积神经网络物体检测之感受野大小计算 微风❤水墨 深度学习
    原文链接：http://www.cnblogs.com/objectDetect/p/5947169.html###1感受野的概念在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。RCNN论文中有一段描述，Alexnet网络pool5输出的特征图上的像素在输入图像上有很大的感受野（haveverylargereceptive
  • 卷积神经网络物体检测之感受野大小计算 a123333789
    原文链接：http://www.cnblogs.com/objectDetect/p/5947169.html学习RCNN系列论文时，出现了感受野(receptivefield)的名词，感受野的尺寸大小是如何计算的，在网上没有搜到特别详细的介绍，为了加深印象，记录下自己对这一感念的理解，希望对理解基于CNN的物体检测过程有所帮助。1感受野的概念在卷积神经网络中，感受野的定义是卷积神经网络每一层输出
  • OpenCV2马拉松第10圈——直方图反向投影(back project) abcd1992719g objectopencvprojectbackDetect直方图反向投影
    收入囊中灰度图像的反向投影彩色图像的反向投影利用反向投影做objectdetect葵花宝典什么是反向投影？其实没有那么高大上！在上一篇博文学到，图像可以获得自己的灰度直方图.反向投影差不多是逆过程，由直方图得到我们的投影图。过程如下：根据模版图像，得到模版图像的灰度直方图.对灰度直方图对归一化，归一化后是个概率分布，直方图的积分是1根据概率分布的直方图，求输入图像的投影图，也就是对每一个像素点，我
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他