- 激光SLAM--(8) LeGO-LOAM论文笔记
lonely-stone
slam激光SLAM论文阅读
论文标题:LeGO-LOAM:LightweightandGround-OptimizedLidarOdometryandMappingonVariableTerrain应用在可变地形场景的轻量级的、并利用地面优化的LOAMABSTRACT轻量级的、基于地面优化的LOAM实时进行六自由度位姿估计,应用在地面的车辆上。强调应用在地面车辆上是因为在这里面要求雷达必须水平安装,而像LOAM和LIO-SA
- 论文解读《Zero-Shot Category-Level Object Pose Estimation》类别级6D位姿估计
ZYLer_
6D位姿估计人工智能计算机视觉
论文:《Zero-ShotCategory-LevelObjectPoseEstimation》该文整体感觉不难,处理流程比较新颖,可以重点参考。Code:https://github.com/applied-ai-lab/zero-shot-pose(48star)摘要:解决问题:实例级姿态估计的问题。=>**零样本(也就是预测未见过的物体(没有该实例的数据标记和CAD模型),类别级)**预测来
- 论文解读《Gen6D: Generalizable Model-Free 6-DoF Object Pose Estimation from RGB Images》 小样本6D位姿估计
ZYLer_
6D位姿估计机器学习人工智能计算机视觉3d深度学习
论文:《Gen6D:GeneralizableModel-Free6-DoFObjectPoseEstimationfromRGBImages》Code:https://github.com/liuyuan-pal/gen6d(469star)摘要:现有的可推广姿态估计器要么需要高质量的对象模型,要么在测试时需要额外的深度图或对象掩码,这大大限制了其应用范围。为了满足实际应用中的需求,我们认为姿态
- 论文阅读:Learning to Compose Dynamic Tree Structure for Visual Context(CVPR2019)
糖豆豆今天也要努力鸭
机器学习场景图scenegraph场景理解计算机视觉cv
因为我的方向是场景图,所以仅介绍这篇论文中有关场景图的内容,不涉及VQA。(a)FeatureExtraction先对输入图像进行目标检测,每个proposal的视觉特征x包括以下特征:ROIAlignfeature(2048维),空间feature(8维),论文这里说视觉特征不局限于bbox,实例分割特征和全景特征也可以。(b)构建可学习的对称矩阵S(1)S的计算方法如下:f(xi,xj)称为对
- 《LIO-SAM阅读笔记》IMU作用总结
Jiqiang_z
LOAM系列阅读笔记SLAM学习笔记机器人linux算法人工智能笔记
LIO-SAM作为一个Lidar和IMU为主的紧耦合框架,两者缺一不可,这里总结一下LIO-SAM中IMU起到的作用:1.利用当前帧Lidar里程计作为起点,结合IMU预积分,得到IMU里程计信息。此处IMU里程计是以IMU的频率向外发送位姿估计,提高了SLAM系统里程计的发送频率。2.利用IMU预积分对Lidar每帧点云进行运动去畸变。3.利用IMU里程计信息对Lidar每帧点云的位姿作初始化(
- BASNet:Boundary-aware salient object detection
Kun Li
应用算法目标检测计算机视觉
CVPR2019开源论文|BASNet:关注边界的显著性检测本文提出一种基于深度监督学习的前景提取构架BASNet,其在边缘感知上有优异的表现。https://mp.weixin.qq.com/s/fjq4UyDMN9Z9lvNZ7aNLWABASNet:Boundary-AwareSalientObjectDetection论文学习_basnet:boundary-awaresalientobj
- 点云从入门到精通技术详解100篇-基于点云配准的无纹理堆叠物体 6D 位姿估计(下)
格图素书
算法人工智能
目录4.3点云精配准4.3.1ICP算法原理4.3.2ICP加速方法4.4堆叠物体位姿估计
- 实现scan-to-map匹配,使用ICP的C++代码实现(1)
稻壳特筑
C++激光SLAMc++算法开发语言
目录加载当前激光扫描数据和地图点云。初始化位姿估计。执行ICP匹配。判断是否收敛获取最优位姿。计算匹配误差。输出匹配结果。实现的主要步骤如下:加载当前激光扫描数据和地图点云。初始化位姿估计。执行ICP匹配。判断是否收敛获取最优位姿。计算匹配误差。输出匹配结果。具体实现细节如下:加载当前激光扫描数据和地图点云使用PCL的pcl::io::loadPCDFile()函数。初始化位姿估计使用pcl::P
- 【研究】聚焦型光场相机等效多相机模型及其运动恢复结构应用
光场视觉
数码相机3d光场
摘要:聚焦型光场相机在运动恢复结构(SFM)和场景重建等领域中的作用日益显现。但是传统SFM算法因聚焦型光场相机具有特殊的结构而难以直接应用。针对这一问题提出一种完整的聚焦型光场相机等效多目相机模型。在此基础上,利用传统多目相机的SFM算法,给出了适用于聚焦型光场相机的位姿估计算法示例和点云三角化算法示例。最后,通过仿真实验和真实场景重建实验验证了本文等效多目相机模型和SFM算法的正确性,进而表明
- 《LIO-SAM阅读笔记》-为何要引入增量式里程计?
Jiqiang_z
LOAM系列阅读笔记笔记机器人算法
前言:LIO-SAM在后端中同时维护着两个里程计,一个是增量式里程计,一个是优化后的里程计,其中优化后的里程计是经过imu、回环、gps因子图联合优化后的结果,是整个系统中最准确的位姿估计,那么为什么还需要维护增量式里程计呢?以下是我的理解,不一定正确,如有错误,或者不一样的见解欢迎在评论区留言讨论。我认为最主要的原因(或者是最大的用途)是需要用增量式里程计信息结合imu预积分信息进行联合的因子图
- CVPR19-Few-shot
vieo
CVPR19-Few-shot本文主要总结了CVPR2019的few-shot的文章,主要从motivation,具体方法上进行总结。小样本学习:训练中可以使用各类样本,但是测试时,面对新的类别(通常为5类),每类只有极少量的标注样本,以及来自相同类别的查询图像。基于度量的方法(在原型网络,图卷积的基础上改进)RevisitingLocalDescriptorbasedImage-to-Class
- ParticleSfM:Exploiting Dense Point Trajectories for Localizing Moving Cameras in the Wild——论文笔记
m_buddy
#3DReconstruction论文阅读计算机视觉人工智能
参考代码:particle-sfm1.概述介绍:基于运动恢复的重建算法其前提假设是所处的是静态场景,但在实际过程中该假设可能是不成立的,这就会导致位姿估计不准确和场景重建出错。为了处理动态场景问题,文章引入视频帧间光流信息作为输入,通过帧间光流信息构建多帧之间初始逐像素传导路径,并由这些路径通过网络推理得到场景中众多路径是否为属于运动物体,同时可以根据路径分类信息得到场景中运动目标的“分割mask
- DA(语义分割3)Bidirectional Learning for Domain Adaptation of Semantic Segmentation
西瓜_f1c9
BidirectionalLearningforDomainAdaptationofSemanticSegmentation来源:CVPR2019作者:YunshengLi,LuYuan,NunoVasconcelos机构:加州大学圣地亚哥分校(UCSanDiego),微软数据集:GTA5和SYNTHIA是原域,Cityscapes是目标域。网络:translationmodel(F)isCycl
- 论文笔记Multi-Person Pose Estimation with Enhanced Channel-wise and Spatial Information CVPR2019
Maniache
这周看了一篇新的来自CVPR2019的姿态估计paper,不过对计算机视觉任务来说都应该能带来一些启发,笔者按照自己的理解做一个笔记,欢迎讨论拍砖,感谢!论文题目如下:一、MotivationandContribution首先,在姿态估计领域,一般面临的挑战主要有光照、尺度差异、遮挡等等。一般来说,高层的低分辨率的语义特征可以用来推导看不见的关节,而低层的高分辨率的语义特征对适应尺度变化推导小尺度
- 六.卡尔曼滤波器开发实践之六: 无损卡尔曼滤波器(UKF)进阶-白话讲解篇
okgwf
滤波器卡尔曼滤波器多传感器数据融合人工智能
本系列文章主要介绍如何在工程实践中使用卡尔曼滤波器,分七个小节介绍:一.卡尔曼滤波器开发实践之一:五大公式二.卡尔曼滤波器开发实践之二:一个简单的位置估计卡尔曼滤波器三.卡尔曼滤波器(EKF)开发实践之三:基于三个传感器的海拔高度数据融合四.卡尔曼滤波器(EKF)开发实践之四:ROS系统位姿估计包robot_pose_ekf详解五.卡尔曼滤波器(EKF)开发实践之五:编写自己的EKF替换robot
- 视觉SLAM十四讲——第四讲李群与李代数
chenying66
SLAM李群和李代数
@《视觉SLAM十四讲》知识点与习题《视觉SLAM十四讲》第四讲知识点整理+习题正在学习SLAM相关知识,将一些关键点及时记录下来。知识点整理本讲主要解决**什么样的相机位姿最符合当前观测数据**问题。一种典型的方法是把它构建成一个优化问题,求解最优的R,t,使得误差最小化。通过李群-李代数间的转换关系,可以将位姿估计变成无约束的优化问题,简化求解方式群:一种集合加上一种运算的代数结构。满足以下条
- DA(语义分割2)ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation
西瓜_f1c9
ADVENT:AdversarialEntropyMinimizationforDomainAdaptationinSemanticSegmentation来源:CVPR2019作者:Tuan-HungVu,HimalayaJain,MaximeBucher,MatthieuCord,PatrickP´erez机构:索邦大学(位于法国巴黎),valeo.ai(位于法国巴黎)代码:作者在github
- 利用pvnet训练自制数据集
童鸢
计算机视觉深度学习机器人
对6D位姿估计感兴趣的小伙伴可以加我,拉到位姿估计交流群,群里会不定期组织文献、代码和技术的视频交流分享传送门1.利用ODT方法生成数据集2.在pvnet的data文件夹下新建一个文件夹,名为custom3.调整custom文件格式(1)将1中的JPEGImage、mask、transforms、Gold6.ply、intrinsics.json复制到custom文件夹下;(2)将JPEGImag
- 6d位姿估计---制作自己的LINEMOD数据集过程记录(labelfusion)
童鸢
6DoF6自由度位姿估计自动驾驶人工智能
经过对很多方法的测试,终于搞出来一个有效的方法,见以下连接:有效的方法对6D位姿估计感兴趣的小伙伴可以加我,拉到位姿估计交流群传送门--------------分割线---------------0.环境配置按照连接中的方法进行配置即可。遇到的问题问题1在安装ros的时候注意ubuntu操作系统版本,librealsense2与驱动和realsense-ros包版本,有可能会出现realsense
- 《MS-TCN++》算法详解
ce0b74704937
论文地址:《MS-TCN++:Multi-StageTemporalConvolutionalNetworkforActionSegmentation》代码地址:https://github.com/sj-li/MS-TCN2从名字可以看出在该文章之前还有一篇《MS-TCN》发表于CVPR2019,MS-TCN在本文的前部分会被介绍。本文《MS-TCN++》则是发表于TPAMI2020。一、MS-
- 单目slam--尺度漂移
书慕遮
单目slam单目slam的基本流程为:初始化---pnp---pnp其中初始化是为了统一尺度,由于通过2d-2d对极几何约束求解相机位姿时会产生尺度问题,即无法确定真实尺度(1.每两帧计算的位姿采用的尺度可能都不一致2.与真实世界的尺度比例无法获得)。所以解决1问题,将前两帧采用的尺度统一为后续位姿估计的尺度。通过三角法得到对应点的世界坐标。然后通过pnp即3d-2d的方法,由世界坐标和图像坐标计
- 自动驾驶:传感器初始标定
dueen1123
学习
手眼标定机器人手眼标定Ax=xB(eyetohand和eyeinhand)及平面九点法标定Ax=xB问题求解,旋转和平移分步求解法手眼标定AX=XB求解方法(文献总结)基于靶的方法相机标定(1)ApriTag(2)棋盘格:cv::findChessboardCorners(3)品字格激光雷达标定(1)激光雷达反射板在线标定这里面的在线标定指相对路面的位姿估计1.广角前视相机(1)基于LK稀疏光流求
- Robot Grasp[Code with paper]
cocapop
机器人机器人
题目/摘要重点DeepObjectPoseEstimationforSemanticRoboticGraspingofHouseholdObjects使用合成数据为机器人训练深度神经网络操纵有望获得几乎无限数量的预标记训练数据。合成数据一直在弥合所谓的现实差距,因此在合成数据上训练的网络在暴露于现实世界时可以正常运行数据。我们在6-DoF位姿估计的背景下探讨了现实差距单个RGB图像中的已知对象。我
- 论文阅读:Estimating Odometry Scale and UWB Anchor Location Based on Semidefinite ProgrammingOptimization
独孤西
论文阅读论文阅读
前言2022年发表在RAL上的一篇论文,研究了里程计系统的未知度量尺度估计问题和超宽带(Ultra-wideband,UWB)锚点在环境中的三维定位问题。这篇文章的作者ThienHoangNguyen是UWB-VIO领域的主要研究人员,从最近一年的成果来看,他的研究方向从之前的注重UWB-VIO融合定位转变到现在的对UWB-VIO中更加精细问题的处理,以及UWB-VIO传感器融合在其他位姿估计场景
- 论文笔记 | 使用深度光照场估计对欠曝光照片进行增强
理想就是派大星
计算机视觉深度学习
UnderexposedPhotoEnhancementusingDeepIlluminationEstimation|CVPR2019工作提出了一个通过估计出一个图像到光照的映射来对欠曝光图像进行增强,并在各种光照约束和先验的基础上设计新的损失函数准备了一个新的数据集,含有3000张欠曝光的图像,每张图像都经过专业修复对所提出的模型在现有的数据和新数据集上进行测试,显示出该方法在质量和处理数量上
- 旷视14篇CVPR 2019论文,都有哪些亮点?
城市中迷途小书童
译者|Linstancy责编|Jane出品|AI科技大本营(公众号id:rgznai100)回顾CVPR2018,旷视科技有8篇论文被收录,如高效的移动端卷积神经网络ShuffleNet、语义分割的判别特征网络DFN、优化解决人群密集遮挡问题的RepLose、通过角点定位和区域分割优化场景文本检测的一种新型场景文本检测器、率先提出的可复原扭曲的文档图像等等。今年,旷视科技在CVPR2019上共有1
- 论文阅读——MCAN(cvpr2019)
じんじん
论文人工智能
补充一下MCAN-VQA:对图片的处理:首先输入图片到FasterR-CNN,会先设定一个判断是否检测到物体的阈值,这样动态的生成m∈[10,100]个目标,然后从检测到的对应的区域通过平均池化提取特征。第i个物体特征表示为:,所以一张图片就被表示为一个特征矩阵:。对问题的处理:首先分成词,最多分为14个词,然后用300-DGloVewordembeddings变成向量,然后过LSTM,使用LST
- px4+vins+ego单机鲁棒飞行二(外部位姿估计篇)
Nankel Li
路径规划深度学习计算机视觉自动驾驶
px4+vins+ego单机鲁棒飞行二(外部位姿估计篇)一、使用px4的EKF2(扩展卡尔曼)估计测试过程及结果:二、使用px4的LPE估计测试过程及结果:三、用EKF2还是LPE?官网这么解释的3.1EKF缺点3.2优点3.3总结四、更改源码五、2021年12月2日更新参考:px4官方WIKI一、使用px4的EKF2(扩展卡尔曼)估计EKF2使用扩展卡尔曼滤波器进行三维的姿态,位置/速度以及风的
- 计算机视觉基础(9)——相机标定与对极几何
猪猪的超超
计算机视觉基础计算机视觉图像处理相机标定对极几何
前言本节我们将学习相机标定和对极几何两部分的内容。在相机标定部分,我们将学习直接线性变换(DirectLinearTransform,DL),张正友标定法(Zhang’sMethod)和Perspective-n-Point(PnP)这三种方法。在对极几何部分,我们将了解极平面、基线、极点和极线等概念,以及相机相对位姿估计和对极约束。一、相机标定1.1相机内外参内参:描述相机本身的属性,同一相机,
- 【论文精读2】R-MVSNet
你不困我困
论文精读深度学习mvc
R-MVSNet【递归多视图立体网络】,论文全名:“RecurrentMVSNetforHigh-resolutionMulti-viewStereoDepthInference”,CVPR2019(CCFA)在MVSNet的基础上做了一些改进,主要解决的问题是代价体正则化(CostVolumeRegulazation)过程当中对内存过大的问题,主要做了三点改动:(1)在代价体正则化步骤,使用序列
- 深入浅出Java Annotation(元注解和自定义注解)
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制,用来将任何的信息或元数据(metadata)与程序元素(类、方法、成员变量等)进行关联。
更通俗的意思是为程序的元素(类、方法、成员变量)加上更直观更明了的说明,这些说明信息是与程序的业务逻辑无关,并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的,所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数,有两种非常不同的作用,他可以统计某个列值的数量,也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境:
MAC AIR,OS X 10.10,64位
历史:
过去 Mac 上的 Java 都是由 Apple 自己提供,只支持到 Java 6,并且OS X 10.7 开始系统并不自带(而是可选安装)(原自带的是1.6)。
后来 Apple 加入 OpenJDK 继续支持 Java 6,而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript (1)
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号,它有七类: 赋值运算符(=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=)、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性,避免落大部队太远,我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎,它们存储着JSON文档,MongoDB存着JSON文档,或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版,自行搜索。
1.2 Latex (MacTex):
系统环境:https://tug.org/mactex/
&nb
- Maven实战(四)生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期,它们分别为clean,default和site。 每个生命周期包含一些阶段,这些阶段是有顺序的,并且后面的阶段依赖于前面的阶段,用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例,它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题:在使用HTTP协议实现应用间接口通信时,服务端读取客户端请求过来的数据,会用到request.getInputStream(),第一次读取的时候可以读取到数据,但是接下来的读取操作都读取不到数据
原因: 1. 一个InputStream对象在被读取完成后,将无法被再次读取,始终返回-1; 2. InputStream并没有实现reset方法(可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多,但是比较杂乱。近日有空整理了一下,写出来跟大家分享一下,其中有错误和不足的地方,还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版,希望大家阅读之后,感觉好的话推荐给更多的人,让更多的人看到、纠正以及补充。
1.对查询进行优化,要尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据,因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API,它包含了如下几个内部类
首先分析它的内部类,从WatchRegistration开始,为指定的znode path注册一个Watcher,
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七:部分应用函数
bit1129
scala
何为部分应用函数?
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了,什么错都没报出来,只提示了Error listenerStart。为了调试,我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties,内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题,要求不用加减符号(包括负号)来实现加减法。
分析一下,先看最简单的情况,假设1+1,按二进制算的话结果是10,可以看到从右往左的第一位变为0,第二位由于进位变为1。
 
- 读《研磨设计模式》-代码笔记-状态模式-State
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/*
当一个对象的内在状态改变时允许改变其行为,这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中,可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小,该大小可以是dim3类型的(三维数组),只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常!!!GPU根本不会执行运算!!!
所以验证结果的正确性很重要!!!
在VS中创建CUDA项目会有一个模板,里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置,ParNew经常会出现停顿时间特别长的情况,有时候甚至长到令人发指的地步,例如请看如下日志:
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前,要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址:http://maven.apache.org/download.html,目前最新的是这个apache-maven-3.2.5-bin.zip,然后解压在任意位置,最好地址中不要带中文字符,这个做java 的都知道,地址中出现中文会出现很多
- PHP网站安全,避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中,我们经常需要将集合对象(List,Set)转换为数组对象,或者将数组对象转换为集合对象。Java提供了相互转换的工具,但是我们使用的时候需要注意,不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象,然后遍历数组,依次将数组中的元素放入到新的集合中,但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求,需要在一台主机上用nginx部署2个php应用,分别是wordpress和wiki,探索了半天,终于部署好了,下面把过程记录下来。
1. 在nginx下创建vhosts目录,用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置, 在http节点增加下面内容设置,用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种:useradd 和adduser . 本人尝试了useradd方法,步骤如下:
1:useradd
使用useradd时,如果后面不加任何参数的话,如:sudo useradd sysadm 创建出来的用户将是默认的三无用户:无home directory ,无密码,无系统shell。
顾应该如下操作:
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛,因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能;目前Lua也有几个JSON库,本人用过cjson、dkjson。其中cjson的语法严格(比如unicode \u0020\u7eaf),要求符合规范否则会解析失败(如\u002),而dkjson相对宽松,当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易,转载请注明出处:Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址:http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置:Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别?
pda158
linux
一、df显示文件系统的使用情况,与du比較,就是更全盘化。 最经常使用的就是 df -T,显示文件系统的使用情况并显示文件系统的类型。 举比例如以下: [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时,觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了,就写了一个工具类,用到了反射,可以把查询记录的值装到对应的VO里,也可以生成该VO的List。
使用时需要注意:
考虑到Android的性能问题,VO没有使用Setter和Getter,而是直接用public的属性。
表中的字段名需要和VO的属性名一样,要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表,在该笔记中用到的就是这张表,大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓