- 【收藏不迷路】380种群智能优化算法-Matlab代码免费获取(截至2025.2.14)
88号技师
智能优化算法算法matlab优化算法人工智能
群智能优化算法可以作为很好的工具来解决许多实际问题,如特征选择、图像分割、医学诊断,经济排放调度问题,植物病害识别,工程设计,PID优化控制,设备故障诊断,机器学习模型参数整定等等。在这个领域,有一个理论:没有免费午餐(NoFreeLunch,NFL)理论。它从逻辑上证明了不存在最适合解决所有优化问题的元启发式算法。换句话说,特定的元启发式可能在一组问题上显示出非常有希望的结果,但相同的算法可能在
- DeepSeek计算机视觉(Computer Vision)基础与实践
Evaporator Core
#DeepSeek快速入门计算机视觉计算机视觉人工智能
计算机视觉(ComputerVision)是人工智能领域的一个重要分支,专注于让计算机理解和处理图像和视频数据。计算机视觉技术广泛应用于图像分类、目标检测、图像分割、人脸识别等场景。DeepSeek提供了强大的工具和API,帮助我们高效地构建和训练计算机视觉模型。本文将详细介绍如何使用DeepSeek进行计算机视觉的基础与实践,并通过代码示例帮助你掌握这些技巧。1.计算机视觉的基本概念计算机视觉的
- 计算机视觉8:图像分割
听说你还在搞什么原创~
计算机视觉图像处理深度学习
1.图像分割概述图像分割主要分为阈值分割方法和边缘检测等方法。阈值分割方法是提出最早的一种方法。边缘检测方法是被研究的最多的一种分割方法,它试图通过检测包含不同区域的边缘来解决图像分割问题。比如微分算子边缘检测,以及为了降低噪声影响使用多尺度方法提取图像边缘。2.图像分割技术现状图像分割,是将一幅数字图像按照某种目的划分为两个或多个子图像区域。理想的图像分割算法,应该是对所有的图像都能够自动的划分
- 聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】
飞火流星02027
云计算机器学习算法聚类人工智能聚类算法
概念机器学习聚类算法是一种无监督学习方法,旨在将数据集分割成不同的类或簇,使得同一簇内的数据对象相似性尽可能大,而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。主要聚类算法及其特点层次聚类算法层次法(hierarchicalmethods)通过构建数据点之间的层次结构来进行聚类,可以是自底向上的凝聚方法或自顶向下的分裂方法。代表算法包括CU
- 【Python】成功解决ModuleNotFoundError: No module named ‘openpyxl‘
高斯小哥
BUG解决方案合集python新手入门学习
【Python】成功解决ModuleNotFoundError:Nomodulenamed‘openpyxl’欢迎进入我的个人主页,我是高斯小哥!博主档案:广东某985本硕,SCI顶刊一作,深耕深度学习多年,熟练掌握PyTorch框架。技术专长:擅长处理各类深度学习任务,包括但不限于图像分类、图像重构(去雾\去模糊\修复)、目标检测、图像分割、人脸识别、多标签分类、重识别(行人\车辆)、无监督域适
- 聚类算法与应用
theskylife
数据挖掘算法聚类机器学习数据挖掘人工智能
目录写在开头1.聚类算法简介2.K均值聚类2.1基本原理2.1.1中心点与数据点的距离2.1.2簇的形成和迭代优化2.2应用场景2.2.1图像分割2.2.2客户分群3.层次聚类3.1基本原理3.1.1树状结构的建立3.1.2聚合或分裂策略3.2应用场景3.2.1生物学中的基因表达数据聚类3.2.2文本数据的主题分类4.聚类算法的实践应用4.1数据准备与预处理4.2算法选择与模型训练4.2.1根据任
- 基于Python实现机器视觉与深度学习相结合的项目
max500600
python算法开发工具python深度学习开发语言
以下是一个基于Python实现机器视觉与深度学习相结合的项目,用于对茶汤照片进行背景处理、提取RGB值的详细步骤及代码示例。整体思路图像读取与预处理:从采集装置传输到电脑的照片,使用OpenCV库读取图像,并进行灰度转换、高斯模糊等预处理操作。背景处理:通过图像分割算法(如基于颜色空间的分割或阈值分割)去除背景,只保留茶汤区域。识别颜色最均匀的区域:使用图像的纹理分析方法(如局部二值模式LBP)来
- 智能优化算法应用:天鹰算法优化脉冲耦合神经网络的图像自动分割
智能算法研学社(Jack旭)
智能优化算法应用图像分割算法神经网络人工智能
智能优化算法应用:天鹰算法优化脉冲耦合神经网络的图像自动分割文章目录智能优化算法应用:天鹰算法优化脉冲耦合神经网络的图像自动分割1.天鹰算法2.PCNN网络3.实验结果4.参考文献5.Matlab代码摘要:本文利用天鹰算法对脉冲耦合神经网络的参数进行优化,以信息熵作为适应度函数,提高其图像分割的性能。1.天鹰算法天鹰算法原理请参考:https://blog.csdn.net/u011835903/
- 毕设分享 基于Kmeans的图像分割算法软件设计
bee_dc
毕业设计毕设大数据
文章目录0简介1Kmeans聚类算法基本原理2基于Kmeans图像分割算法流程4代码运行结果及评价5最后0简介今天学长向大家分享一个毕业设计项目毕业设计基于Kmeans的图像分割算法软件设计项目运行效果:毕业设计基于kmean的图像分割项目分享:见文末!1Kmeans聚类算法基本原理K-Means算法的思想很简单,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的
- 【Numpy核心编程攻略:Python数据处理、分析详解与科学计算】1.18 逻辑运算引擎:数组条件判断的智能法则
精通代码大仙
numpypythonnumpypython开发语言
1.18逻辑运算引擎:数组条件判断的智能法则1.18.1目录逻辑运算引擎:数组条件判断的智能法则引言短路逻辑的向量化替代方案复合条件表达式的优化编写掩码操作在图像分割中的应用多条件并行评估的性能测试总结参考文献1.18.2短路逻辑的向量化替代方案在Python中,短路逻辑(short-circuitlogic)是一种常用的逻辑运算方式,但在NumPy数组中使用短路逻辑可能会导致性能问题。向量化操作
- 医学顶会 MICCAI‘24 | LKM-UNet: 大型内核视觉 Mamba UNet 用于医学图像分割
小白学视觉
医学图像处理论文解读MICCAI深度学习医学图像顶会医学图像处理论文解读
本文内容只为星球内部成员学习和学术交流,请勿用作他用本文内容只为星球内部成员学习和学术交流,请勿用作他用论文信息题目:LKM-UNet:LargeKernelVisionMambaUNetforMedicalImageSegmentationLKM-UNet:大型内核视觉MambaUNet用于医学图像分割作者:JinhongWang,JintaiChen,DannyChen,JianWu源码链接:
- SalFAU-Net:显著性目标检测的显著性融合注意U-Net
明初啥都能学会
目标检测人工智能计算机视觉
SalFAU-Net:显著性目标检测的显著性融合注意U-Net摘要IntroductionRelatedWorksSalFAU-Net:SaliencyFusionAttentionU-NetforSalientObjectDetection摘要显著目标检测(SOD)在计算机视觉中仍然是一个重要的任务,其应用范围从图像分割到自动驾驶。基于全卷积网络(FCN)的方法在过去几十年里在视觉显著性检测方面
- 遥感深度学习过程中图像分割的尺寸对模型训练结果的影响
司南锤
深度学习遥感深度学习人工智能
1.计算资源与显存占用大尺寸图像:需要更高的显存和计算资源,可能限制训练时的批大小(batchsize),甚至导致无法训练。解决方案:通常将大图裁剪为小尺寸的补丁(patches),例如256x256或512x512。小尺寸图像:显存占用低,但可能丢失全局上下文信息(如大面积地物分布),影响模型对复杂场景的理解。2.模型感受野与上下文信息小尺寸输入:模型感受野受限,可能无法捕捉大范围地物(如河流、
- 如何解决小尺寸图像分割中的样本不均衡问题
司南锤
深度学习遥感笔记深度学习
1.生成对抗数据增强(Copy-PasteAugmentation)原理:将稀有目标的像素块复制粘贴到其他图像中,低成本生成平衡数据。适用场景:小目标(如车辆、船只)或极端稀疏类别(如灾害损毁区域)。PyTorch实现:importrandomdefcopy_paste_augment(image,mask,paste_image,paste_mask):#从粘贴数据中随机选择一个目标实例obj_
- 参考图像分割Referring Image Segmentation(RIS)和开放词汇语义分割Open Vocabulary Semantic Segmentation
余弦的倒数
深度学习CV笔记计算机视觉深度学习
一、参考图像分割基本概念:ReferringImageSegmentation(RIS)是一种图像分割技术,旨在根据自然语言表达来标记图像或视频中表示对象实例的像素。也就是根据自然语言描述来实现图像分割。旨在根据自然语言表达来标记图像或视频中的特定区域。在给定描述区域的自然语言文本的情况下,RIS需要在图像中找到相应的区域。这个任务是众所周知的具有挑战性的视觉和语言任务之一。RIS需要收集目标区域
- Multi-Planar U-Net: 开源3D医疗图像分割项目推荐
郝茜润Respected
Multi-PlanarU-Net:开源3D医疗图像分割项目推荐MultiPlanarUNetMulti-PlanarUNetforautonomoussegmentationof3Dmedicalimages项目地址:https://gitcode.com/gh_mirrors/mu/MultiPlanarUNet1.项目基础介绍及编程语言Multi-PlanarU-Net是一个开源项目,旨在实
- U-Net 生物医学图像分割开源项目介绍
祝珺月
U-Net生物医学图像分割开源项目介绍unetU-NetBiomedicalImageSegmentation项目地址:https://gitcode.com/gh_mirrors/une/unet1.项目基础介绍及主要编程语言U-Net是由IntelAI开发的一个生物医学图像分割的开源项目。该项目基于TensorFlow和Keras框架,使用Python语言编写,旨在为医学图像分析提供高效的解决
- 深度ResUnet与ResUnet++:新一代的语义分割神器
倪澄莹George
深度ResUnet与ResUnet++:新一代的语义分割神器去发现同类优质开源项目:https://gitcode.com/在这个数据驱动的时代,深度学习模型在图像处理领域展现出了强大的潜力,尤其是在语义分割任务中。今天,我们向您推荐一个基于PyTorch实现的开源项目——DeepResUnet和ResUnet++。这两个模型源自于学术界的最新研究,旨在提高图像分割的准确性和效率。项目介绍这个开源
- Swin-Unet:图像分割领域的强大工具
陈凯韵
Swin-Unet:图像分割领域的强大工具【下载地址】Swin-UnetPyTorch代码仓库本仓库提供了一个基于PyTorch实现的Swin-Unet模型的代码资源。Swin-Unet是一种结合了SwinTransformer和U-Net结构的深度学习模型,适用于图像分割任务。该代码可以帮助研究人员和开发者快速上手并应用Swin-Unet模型进行图像分割实验项目地址:https://gitcod
- Swin-Unet多分类:图像分割领域的强大工具
甄亚凌
Swin-Unet多分类:图像分割领域的强大工具【下载地址】Swin-Unet多分类资源文件介绍本仓库提供了一个名为“Swin-Unet多分类”的资源文件,该文件主要用于图像分割任务中的多分类问题。资源文件中包含了一个基于Swin-Unet模型的实现,旨在对图像进行多分类分割项目地址:https://gitcode.com/open-source-toolkit/32588项目介绍在图像处理和计算
- ECCV 2024 | CC-SAM:用于超声图像分割的跨特征注意力和上下文的SAM
小白学视觉
计算机顶会论文解读人工智能ccf-aECCV计算机顶会深度学习
论文信息题目:CC-SAM:SAMwithCross-featureAttentionandContextforUltrasoundImageSegmentationCC-SAM:用于超声图像分割的跨特征注意力和上下文的SAM作者:ShreyankNGowda和DavidA.Clifton论文创新点变分注意力融合模块(VariationalAttentionFusionModule):作者提出了一
- 深度学习学习笔记(第30周)
qq_51339898
深度学习人工智能
一、摘要本周报的目的在于汇报第30周的学习成果,本周主要聚焦于基于深度学习的图像分割领域的常用模型U-net。 U-net是最常用、最简单的一种分割模型,在2015年被提出。UNet网络是一种用于图像分割的卷积神经网络,其特点是采用了U型网络结构,因此称为UNet。UNet算法的关键创新是在解码器中引入了跳跃连接(SkipConnections),即将编码器中的特征图与解码器中对应的特征图进行连接
- 智能优化算法应用:堆优化算法优化脉冲耦合神经网络的图像自动分割
智能算法研学社(Jack旭)
智能优化算法应用图像分割算法神经网络人工智能
智能优化算法应用:堆优化算法优化脉冲耦合神经网络的图像自动分割文章目录智能优化算法应用:堆优化算法优化脉冲耦合神经网络的图像自动分割1.堆优化算法2.PCNN网络3.实验结果4.参考文献5.Matlab代码摘要:本文利用堆优化算法对脉冲耦合神经网络的参数进行优化,以信息熵作为适应度函数,提高其图像分割的性能。1.堆优化算法堆优化算法原理请参考:https://blog.csdn.net/u0118
- 基于纵横交叉算法优化的最小交叉熵图像多阈值分割 python
图像算法打怪
图像分割算法python开发语言
基于纵横交叉算法优化的最小交叉熵图像多阈值分割python文章目录基于纵横交叉算法优化的最小交叉熵图像多阈值分割python1.最小交叉熵阈值分割原理2.基于纵横交叉优化的多阈值分割3.算法结果:4.参考文献:5.Python代码摘要:本文介绍基于最小交叉熵的图像分割,并且应用纵横交叉算法进行阈值寻优。1.最小交叉熵阈值分割原理1993年,Li等人将交叉熵的概念引入到图像处理领域,提出了基于一维灰
- RT-DETR改进策略【Neck】| PRCV 2023,SBA(Selective Boundary Aggregation):特征融合模块,描绘物体轮廓重新校准物体位置,解决边界模糊问题
Limiiiing
RT-DETR改进专栏人工智能计算机视觉深度学习RT-DETR
一、本文介绍本文主要利用DuAT中的SBA模块优化RT-DETR的目标检测网络模型。SBA模块借鉴了医疗图像分割中处理边界信息的独特思路,通过创新性的结构设计,在维持合理计算复杂度的基础上,巧妙融合浅层的边界细节特征与深层的语义信息,实现边界特征的精准提取与语义信息的有效整合。将其应用于RT-DETR的改进过程中,能够使模型着重聚焦于目标物体的边界区域,降低背景及其他无关信息的影响,强化目标物体的
- 国自然青年项目|基于多模态影像组学的乳腺癌分子分型预测研究|基金申请·25-01-20
罗小罗同学
基金申请医学人工智能人工智能国自然
小罗碎碎念今天和大家分享一份国自然青年项目,项目执行期为2021-2023年,直接费用为24万。项目聚焦乳腺癌分子分型预测,综合运用多模态组学数据、影像组学技术和深度学习技术。研究内容包括跨模态医学图像分割、多模态特征提取与融合、模型设计与系统研发。通过提出一系列创新算法,如基于类别中心原型对齐器的图像分割算法、基于自注意力机制与生成对抗网络的聚类算法等,实现了对乳腺癌分子分型的高精度预测,并开发
- K-means聚类:解锁数据隐藏结构的钥匙
陈辰学长
kmeans聚类机器学习
K-means聚类:解锁数据隐藏结构的钥匙在机器学习的广阔领域中,无监督学习以其独特的魅力吸引了众多研究者和实践者。其中,K-means聚类作为一种经典且实用的无监督学习算法,以其简单高效的特点,广泛应用于市场细分、图像分割和基因聚类等领域。本文将深入探讨K-means聚类的工作原理、应用实例及其在这些领域中的具体应用,旨在揭示其如何智能划分数据,解锁隐藏结构,为相关领域提供精准导航。一、K-me
- matlab代码实现了一个基于 SVM(支持向量机)的图像分割系统
go5463158465
MATLAB专栏算法深度学习matlab支持向量机开发语言
clear;clc;main();%1.数据加载和预处理function[features,labels]=prepareData(imageFolder)%获取所有图像和JSON文件imgFiles
- VM-UNet: 基于Vision Mamba UNet的医学图像分割项目推荐
翟洁英
VM-UNet:基于VisionMambaUNet的医学图像分割项目推荐VM-UNet项目地址:https://gitcode.com/gh_mirrors/vm/VM-UNet1.项目基础介绍和主要编程语言VM-UNet是一个基于VisionMambaUNet架构的开源项目,专门用于医学图像分割。该项目的主要编程语言是Python。VM-UNet结合了状态空间模型(StateSpaceModel
- 数据增强方法及其工具
cxr828
大数据
数据增强(DataAugmentation)是指在训练深度学习模型时,通过对现有数据进行一系列变换,从而生成新的样本。数据增强有助于增加数据的多样性,减少过拟合,提升模型的泛化能力,尤其是在数据量有限的情况下。数据增强可以应用于图像、文本、音频等多种类型的数据。以下是一些常见的、简单易行的图像数据增强方法及其具体实现步骤,这些方法也可以广泛应用于目标检测、图像分类、图像分割等任务。一、图像数据增强
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio