SophiaCV
SophiaCV

CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图

目录

  • CVPR2005-用于人体检测的梯度方向直方图 Histograms of Oriented Gradients for Human Detection
    • 使用的数据集
    • 研究方法
      • 数据
      • 流程
    • 双对数坐标上的评价曲线DET
    • 结果综述
    • 算法实现和性能研究
      • 检测器参数
    • 算法实现细节
      • 1.伽马/颜色规范化
      • 2.梯度计算
      • 3.空间/方向bin统计
      • 归一化和描述子块
        • R-HOG
        • C-HOG
        • 归一化策略

CVPR2005-用于人体检测的梯度方向直方图 Histograms of Oriented Gradients for Human Detection

使用的数据集

  • MIT行人数据库
  1. 共924张行人图片（ppm格式，宽高64*128），肩到脚的距离约80像素
  2. 只有正面和背面两个视角
  3. 无负样本，未区分训练集和测试集
  • INRIA数据集
  1. 目前使用较多的静态行人检测数据库
  2. 有原始图片和相应的标注
  3. 训练集有正样本614张（包含2416个行人）；负样本1218张
  4. 测试集有正样本288张（包含1126个行人）；负样本453张
  5. 途中人体大部分为站立姿势且高度大于100像素。部分标注不正确
  6. 图片主要来源GRAZ-01、个人照片及Google图片

研究方法

数据

  • 正样本：1239个行人图片及左右翻转的图片，即共2478个
  • 负样本：1218个没有行人的图片中随机选取12180个检测窗口大小的子图作为负样本

流程

检测出来的是错误分类的负样本
正负样本训练分类器
初始SVM分类器在负样本原图上进行行人检测
难例
加入到初始负样本集,重新训练分类器
最终的分类器

双对数坐标上的评价曲线DET

纵坐标： 漏检率（miss rate， 1-recall rate（查全率，命中率）），FalseNeg（漏检）/（TruePos（检测到）+FalseNeg（漏检））

横坐标： 每个窗口的误报率（FPPW， False Positives Per Window ），两个值越低越好 经常使用10E-4时漏检率作为结果性能的参考点

结果综述

HOG检测器
矩形块ROH
环形极坐标块C-HOG
线性SVM
核函数SVM

算法实现和性能研究

检测器参数

检测器参数
无Gamma校正的RGB颜色空间
梯度算子-1,0,1,无平滑
梯度方向离散到0-180度之间的9个bin中
块block大小为16*16
细胞单元cell大小为8*8
高斯滤波参数theter为8
L2HYs块归一化
块移动步长8个像素
检测窗口为64*128

结论：

1.要想检测器好，需要精细尺度的微分（不需要平滑）

2.梯度方向直方图的bin尽量多，尺寸适度、归一化的重叠的描述子块

算法实现细节

1.伽马/颜色规范化

结论：

1.次论文中，伽马变换对结果影响很小

2.对每个通道进行平方根Gamma压缩（gamma参数1/2），会在10-4FPPW时有1%的性能提升

伽马变换补充

s=cr γ

其中，r为输入图像像素；c为常数；γ为幂，变换的参数

说明：

1.γ>1时，伽马变换将拉低图像灰度值

2.γ<1时，伽马变换将提高图像灰度值

2.梯度计算

使用的模板：

最紧凑的中心二维微分模板
2*2
2*2
模板
一维
-1,1
-1,0,1
1,-8,0.8,-1
3*3sobel模板
2*2对角线模板
0,1,-1,0
-1,0,0,1

结论：

1.[-1 0 1]模板在theter=0（即无平滑）时表现最好

2.更大的模板或增加搞死平滑会降低性能

3.空间/方向bin统计

1.减少混叠现象，梯度投票在相邻bin的中心之间进行方向位置上的双线性差值

2.权重根据梯度幅值计算（可以根据幅值、幅值平方、幅值平方根，但幅值本身最好）

对于行人检测来说：

  • 无符号梯度方向直方图（0-180度）比较有用，符号信息降低性能
  • 无符号方向梯度直方图前提下，增加方向bin的个数能够显著提高检测器性能，大约9个bin

对于其他目标检测来说：

梯度符号信号是有用的，如汽车、摩托等

归一化和描述子块

作用：

  • 消除光照
  • 消除前景背景对比度

结论：

  • 块重叠从0增加至3/4时，10-4FPPW下有4%的性能提升

R-HOG

  • 稠密的网格空间中进行计算，无主方向
  • R-HOG有三个参数：块大小；细胞单元大小；每个细胞的bin方向个数

R-HOG结论：

  • 细胞单元为6-8个像素宽是性能最优
  • 每个块内含22或33个细胞单元时最优
  • 在统计直方图bin前用搞死加权降低块边缘像素权重，10-4FPPW下，使用theter=0.5$\times$block_width的二维高斯核提高1%

C-HOG

C-HOG参数
角度bin个数,4个
半径bin个数,2个
中心圆的半径,以像素为单位,4个像素最好
子半径的伸展因子

完整细胞单元的形式：
CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图_第1张图片
中心单元被分为4个90°扇形的形式：
CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图_第2张图片

归一化策略

CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图_第3张图片
结论：

  • L2-Hys、L2-norm、L1-sqrt的表现差不多一样好
  • 简单的L1-norm会使性能下降5%
  • 如果完全不进行归一化会导致性能下降27%(都是指10-4FPPW时)
    CVPR2005【行人检测】HOG+SVM用于人体检测的梯度方向直方图_第4张图片

你可能感兴趣的:(行人检测)

  • 【深度学习实战】行人检测追踪与双向流量计数系统【python源码+Pyqt5界面+数据集+训练代码】YOLOv8、ByteTrack、目标追踪、双向计数、行人检测追踪、过线计数 阿_旭 AI应用软件开发实战深度学习实战深度学习python行人检测行人追踪过线计数
    《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
  • 【计算机视觉前沿研究 热点 顶会】ECCV 2024中目标检测有关的论文 平安顺遂事事如意 顶刊顶会论文合集计算机视觉目标检测人工智能3d目标跟踪
    整值训练和尖峰驱动推理脉冲神经网络用于高性能和节能的目标检测与人工神经网络(ANN)相比，脑激励的脉冲神经网络(SNN)具有生物合理性和低功耗的优势。由于SNN的性能较差，目前的应用仅限于简单的分类任务。在这项工作中，我们专注于弥合人工神经网络和神经网络在目标检测方面的性能差距。我们的设计围绕着网络架构和尖峰神经元。当行人检测遇到多模态学习时：通才模型和基准数据集近年来，利用不同传感器模态(如RG
  • 【CV论文精读】Adaptive Fusion of Multi-Scale YOLO for Pedestrian Detection基于多尺度自适应融合YOLO的行人检测 量子-Alex CV知识学习和论文阅读YOLO计算机视觉人工智能
    AdaptiveFusionofMulti-ScaleYOLOforPedestrianDetection0.论文摘要和作者信息摘要虽然行人检测技术在不断改进，但由于不同规模的行人和遮挡行人模式的不确定性和多样性，行人检测仍然具有挑战性。本研究遵循单次目标检测的通用框架，提出了一种分而治之的方法来解决上述问题。该模型引入了一个分割函数，可以将一幅图像中没有重叠的行人分割成两个子图像。通过使用网络架
  • 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
  • 【CV论文精读】Pedestrian Detection Based on YOLO Network Model 基于YOLO的行人检测 量子-Alex CV知识学习和论文阅读YOLO深度学习计算机视觉
    【CV论文精读】PedestrianDetectionBasedonYOLONetworkModel0.论文摘要和作者信息摘要——经过深度网络后，会有一些行人信息的丢失，会造成梯度的消失，造成行人检测不准确。本文改进了YOLO算法的网络结构，提出了一种新的网络结构YOLO-R。首先，在原有YOLO网络的基础上增加了三个直通层。直通层由路由层和重组层组成。其作用是将浅层行人特征连接到深层行人特征，并
  • 跨模态行人重识别综述 - 计算机视觉 小小猿D 笔记深度学习
    跨模态行人重识别综述-计算机视觉0引言近年来，随着智能监控领域的不断发展，单纯凭借传统的人力已经很难在对复杂的监控场景做出完善详尽的处理。作为一项在大型非重叠视角多摄像机网络获取到的海量视频画面序列里找到目标行人的任务，行人重识别（PersonRe-Identification）可以被看作是多摄像头的行人检索问题。它建立在行人检测的基础之上，捕捉获取同一目标个体在不同非重叠摄像头中分布位置信息，推
  • PaddleDetection学习2——使用Paddle-Lite在 Android 上实现行人检测 waf13916 paddleandroid
    使用Paddle-Lite在Android上实现行人检测1.环境准备2.准备模型2.1下载模型2.2模型优化3.部署模型3.1目标检测C++代码Pipeline.hPipeline.cpppreprocess_op.hpreprocess_op.cc3.2修改配置文件3.4部署模型到移动端1.环境准备参考前一篇
  • YOLOV5s行人识别改进 引入CoT模块及SIOU损失函数 deleteeee YOLO人工智能计算机视觉神经网络python目标检测视觉检测
    1.项目背景及意义近年来，深度学习算法不断取得了突破性进展，这也推动了人工智能技术的不断进步。机器视觉作为其中的重要一环，在不同领域也焕发出了强烈的生机。行人目标检测是机器视觉的一项重要课题，早就已经引起了国内外学者广泛的研究。在现实生活中，行人检测在车站、商场等场所的人流量检测、汽车的自动驾驶技术、智能交通、健身房辅助教学、电影拍摄中动作捕捉等多种场景中被广泛应用。然而，行人检测通常伴随着遮挡，
  • 计算机设计大赛 交通目标检测-行人车辆检测流量计数 - 计算机设计大赛 iuerfee python
    文章目录0前言1\.目标检测概况1.1什么是目标检测？1.2发展阶段2\.行人检测2.1行人检测简介2.2行人检测技术难点2.3行人检测实现效果2.4关键代码-训练过程最后0前言优质竞赛项目系列，今天要分享的是毕业设计交通目标检测-行人车辆检测流量计数该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分更多资料,项目分
  • YOLOV5单目测距+车辆检测+车道线检测+行人检测（教程-代码） 毕设阿力 YOLO目标跟踪人工智能目标检测
    YOLOv5是一种高效的目标检测算法，结合其在单目测距、车辆检测、车道线检测和行人检测等领域的应用，可以实现多个重要任务的精确识别和定位。首先，YOLOv5可以用于单目测距。通过分析图像中的目标位置和尺寸信息，结合相机参数和几何关系，可以推断出目标与相机之间的距离。这对于智能驾驶、机器人导航等领域至关重要，可以帮助车辆或机器人感知周围环境的远近，并做出相应的决策。其次，YOLOv5可以用于车辆检测
  • 大创项目推荐 目标检测-行人车辆检测流量计数 laafeer python
    文章目录前言1\.目标检测概况1.1什么是目标检测？1.2发展阶段2\.行人检测2.1行人检测简介2.2行人检测技术难点2.3行人检测实现效果2.4关键代码-训练过程最后前言优质竞赛项目系列，今天要分享的是行人车辆目标检测计数系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1.目
  • 使用飞浆训练目标检测模型 无忧秘书智脑 深度学习机器学习人工智能
    参考链接：PP-PicoDet算法训练行人检测模型-CSDN博客文章浏览阅读306次。PP-PicoDet模型特点：方案选择PP-PicoDet轻量化模型，主要看中PP-PicoDet体积小、速度快、精度较高的优势，非常适合本项目的部署环境和性能要求。同时，飞桨提供的预训练模型也可以最大程度上提升模型的收敛速度和精度。https://blog.csdn.net/qq_45437316/articl
  • LNTON人形检测、行人检测工具，支持图片、RTSP实时流、mp4文件中的行人或者人形检测，实用工具，亲测可用！ xiejiashu 视频人工智能行人检测人形检测人物监测检测人的算法羚通算法
    简介LNTON_PID是一个行人检测工具，能够对图像、视频、文件夹中的多个文件或RTSP实时流进行行人检测，并支持自定义输出结果和行人区域位置的保存。该工具提供了灵活的参数配置选项以适应各种应用场景。快速开始-命令行参数格式（Linux/Unix环境）./pid_tools_gensamplesINPUT_PATHOUT_RESULT_DIR[DEFAULT:results]OUT_PATCH_D
  • 智慧工地下烟火检测报警系统 建筑工地火灾监控系统 豌豆云 烟火自动识别预警和监管系统
    智慧工地下烟火检测报警系统建筑工地火灾监控系统基于智能识别的人员密集场所安防预警系统或许能够帮到你。该系统利用监控系统结合模式识别，对现场视频数据进行深度挖掘，突破基于复杂背景下的烟火识别、动态场景下非配合人脸识别以及基于行人检测的越界识别等关键技术。烟感防灾报警系统，在施工现场加工区、材料堆放区、易发生火灾隐患区域安装烟感探测器，监测现场烟雾浓度。探测器内置芯片可实时上传监测数据至“智慧工地监管
  • 目标检测数据集 - 人脸检测数据集下载「包含VOC、COCO、YOLO三种格式」 极智视界 AI训练数据集工作室目标检测YOLO人脸检测人脸检测数据集深度学习人工智能数据集
    数据集介绍：行人检测数据集，真实场景高质量图片数据，涉及场景丰富，比如校园行人、街景行人、道路行人、遮挡行人、严重遮挡行人数据；适用实际项目应用：公共场所监控场景下行人检测项目，以及作为监控场景通用行人检测数据集场景数据的补充；标注说明：采用labelimg标注软件进行标注，标注质量高，提供VOC(xml)、COCO(json)、YOLO(txt)三种常见目标检测数据集格式，可以直接用于如YOLO
  • 目标检测数据集 - 行人检测数据集下载「包含VOC、COCO、YOLO三种格式」 极智视界 AI训练数据集工作室目标检测YOLO行人检测行人检测数据集AI训练数据集深度学习labelimg
    数据集介绍：行人检测数据集，真实场景高质量图片数据，涉及场景丰富，比如校园行人、街景行人、道路行人、遮挡行人、严重遮挡行人数据；适用实际项目应用：公共场所监控场景下行人检测项目，以及作为监控场景通用行人检测数据集场景数据的补充；标注说明：采用labelimg标注软件进行标注，标注质量高，提供VOC(xml)、COCO(json)、YOLO(txt)三种常见目标检测数据集格式，可以直接用于如YOLO
  • 基于YOLOv5的行人检测系统 TechMasterPlus 深度学习#目标检测游戏音视频深度学习人工智能
    若需要完整工程源代码，请私信作者目标检测在计算机视觉领域中的重要性，特别是在人群流量监测方面的应用。其中，YOLO（YouOnlyLookOnce）系列算法在目标检测领域取得了显著的进展，从YOLO到YOLOv5的发展历程表明其在算法性能上的不断优化。文中提到了基于YOLOv5设计的人口密度检测系统，该系统通过深度学习算法对人群进行检测和计数，主要应用于商场、路口等需要控制人流的场所。系统通过YO
  • 无人驾驶卡尔曼滤波 meteor,across T sky Apollo机器学习人工智能
    无人驾驶卡尔曼滤波（行人检测）xk=axk−1+wkx_k=ax_{k-1}+w_kxk=axk−1+wkwkw_kwk：过程噪声状态估计估计飞行器状态（高度）xk=zk−vkx_k=z_k-v_kxk=zk−vk卡尔曼滤波通过同时考虑上一状态值和当前的测量值来获得对当前状态值的估计，对状态xxx的估计：x^\hat{x}x^x^k=x^k−1+gk(zk−x^k−1)\hat{x}_k=\hat
  • 大创项目推荐 深度学习实现行人重识别 - python opencv yolo Reid laafeer python
    文章目录0前言1课题背景2效果展示3行人检测4行人重识别5其他工具6最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的行人重识别算法研究与实现**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：5分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate
  • 目标检测数据集 - 夜间行人检测数据集下载「包含VOC、COCO、YOLO三种格式」 极智视界 AI训练数据集工作室目标检测YOLO人工智能夜间行人检测低光行人检测遮挡行人检测行人检测
    数据集介绍：夜间、低光行人检测数据集，真实场景高质量图片数据，涉及场景丰富，比如夜间街景行人、夜间道路行人、夜间遮挡行人、夜间严重遮挡行人数据；适用实际项目应用：公共场所监控场景下夜间行人检测项目，以及作为监控场景通用行人检测数据集夜间场景数据的补充；标注说明：采用labelimg标注软件进行标注，标注质量高，提供VOC(xml)、COCO(json)、YOLO(txt)三种常见目标检测数据集格式
  • 基于yolov2深度学习网络的车辆行人检测算法matlab仿真 简简单单做算法 MATLAB算法开发#深度学习YOLO深度学习人工智能yolov2车辆行人检测
    目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述5.算法完整程序工程1.算法运行效果图预览2.算法运行软件版本MATLAB2022a3.部分核心程序..........................................................loadyolov2.mat%加载训练好的目标检测器img_size=[224,224];imgPath=
  • C# OpenCvSharp DNN FreeYOLO 密集行人检测 天天代码码天天 C#人工智能实践dnn人工智能神经网络YOLO目标检测计算机视觉c#
    目录效果模型信息项目代码下载C#OpenCvSharpDNNFreeYOLO密集行人检测效果模型信息Inputs-------------------------name：inputtensor：Float[1,3,192,320]---------------------------------------------------------------Outputs--------------
  • 一些想法：关于行人检测与重识别 baidu_huihui 人工智能计算机视觉
    本文主要是介绍我们录用于ECCV'18的一个工作：PersonSearchviaAMask-guidedTwo-streamCNNModel.这篇文章着眼于PersonSearch这个任务，即同时考虑行人检测（PedestrianDetection）与行人重识别（PersonRe-identification），简单探讨了一下行人检测与行人重识别这两个子任务之间的关联性，并尝试利用全景图像中的背景
  • 智能交通技术与数据集大观：揭秘趋动云的无尽能量，引领AI发展的GPU算力及相关资源 virtaitech 人工智能gpu算力
    智能交通是一种先进的交通系统，其核心目标在于通过实时数据的采集、分析以及智能决策，全面提升城市交通的效率、安全性和便捷性。该系统涵盖多项关键技术，包括行人检测、车辆检测、智能交通信号控制、智能导航和路径规划、以及安全监控等。行人检测：智能交通系统利用计算机视觉技术，通过摄像头、激光雷达等传感器对行人进行实时监测和识别。深度学习算法在处理多姿态和遮挡等复杂场景时，能够高效地检测行人的存在、位置和运动
  • YOLO算法改进7【中阶改进篇】：主干网络C3替换为轻量化网络MobileNetV3 梦在黎明破晓时啊 YOLOV5中阶改进篇YOLO
    解决问题：YOLOv5主干特征提取网络采用C3结构，带来较大的参数量，检测速度较慢，应用受限，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型时难以被应用的。首先是模型过于庞大，面临着内存不足的问题，其次这些场景要求低延迟，或者说响应速度要快，想象一下自动驾驶汽车的行人检测系统如果速度很慢会发生什么可怕的事情。所以，研究小而高效的CNN模型在这些场景至关重要，至少目前是这样，尽管未来硬
  • Deep learning-based small object detection: A survey（2023） 怎么全是重名 论文笔记深度学习目标检测人工智能
    文章目录AbstractIntroductionContributionGenericSODalgorithms提高输入特征的分辨率（MostImportant）Methods尺度感知训练Methods融合上下文信息Methods数据增强Methods其他策略Methods关键的SOD任务小人脸检测Methods小型行人检测Methods航拍图像中的SODMethodsEvaluationofSO
  • 36从传统算法到深度学习：目标检测入门实战 --行人检测 Jachin111
    行人检测基本流程在实验1到实验3中我们分别学习了滑动窗口、图像金字塔、方向梯度直方图。本节实验我们将结合这些方法来构建一个传统的行人检测算法。简单来说行人检测就是在提供的图像中，我们想要计算机分辨出哪些是人并且用矩形框标记出人出现在图片中的哪些位置。下图左上角图片中有一个人，如果我们想要用传统的目标检测方法检测到这个人的话，一般分为下面几个步骤。使用图像金字塔将图片按一定缩放比例生成不同尺寸图片（
  • 深度学习模型压缩与加速：深度压缩技术 RRRRRoyal 深度学习人工智能
    深度学习模型压缩与加速：深度压缩技术引言深度学习已广泛应用于移动应用和实时检测任务，例如在自动驾驶车辆中的行人检测。在这些应用中，对于推理速度和模型大小有着极高的要求。深度压缩（DeepCompression）技术旨在减小深度学习模型的大小并加速模型推理，特别适用于对延迟敏感的应用场景。下面我们将详细介绍深度压缩技术及其在实际硬件上的性能。模型压缩与量化深度压缩技术通过权重剪枝、量化等方法来减少模
  • 分类（四）—— 支持向量机 shi_jiaye python机器学习与数据挖掘机器学习人工智能python
    主要内容分类概述决策树归纳K近邻算法支持向量机朴素贝叶斯分类模型评估与选择组合分类小结四、支持向量机支持向量机（SupportVetorMachine，SVM）由Vapnik等人于1995年首先提出，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并推广到人脸识别、行人检测和文本分类等其他机器学习问题中。SVM建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模
  • 基于YOLOv8深度学习的高精度车辆行人检测与计数系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战 阿_旭 深度学习实战AI应用软件开发实战计算机视觉YOLO深度学习python车辆行人检测目标检测
    《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
  • web报表工具FineReport常见的数据集报错错误代码和解释 老A不折腾 web报表finereport代码可视化工具
    在使用finereport制作报表，若预览发生错误，很多朋友便手忙脚乱不知所措了，其实没什么，只要看懂报错代码和含义，可以很快的排除错误，这里我就分享一下finereport的数据集报错错误代码和解释，如果有说的不准确的地方，也请各位小伙伴纠正一下。   NS-war-remote=错误代码\:1117 压缩部署不支持远程设计 NS_LayerReport_MultiDs=错误代码
  • Java的WeakReference与WeakHashMap bylijinnan java弱引用
    首先看看 WeakReference wiki 上 Weak reference 的一个例子： public class ReferenceTest { public static void main(String[] args) throws InterruptedException { WeakReference r = new Wea
  • Linux——（hostname）主机名与ip的映射 eksliang linuxhostname
    一、 什么是主机名 无论在局域网还是INTERNET上，每台主机都有一个IP地址，是为了区分此台主机和彼台主机，也就是说IP地址就是主机的门牌号。但IP地址不方便记忆，所以又有了域名。域名只是在公网（INtERNET)中存在，每个域名都对应一个IP地址，但一个IP地址可有对应多个域名。域名类型 linuxsir.org 这样的； 主机名是用于什么的呢？ 答：在一个局域网中，每台机器都有一个主
  • oracle 常用技巧 18289753290
    oracle常用技巧 ①复制表结构和数据   create table  temp_clientloginUser as   select distinct userid from tbusrtloginlog ②仅复制数据 如果表结构一样 insert into  mytable  select  * &nb
  • 使用c3p0数据库连接池时出现com.mchange.v2.resourcepool.TimeoutException 酷的飞上天空 exception
    有一个线上环境使用的是c3p0数据库，为外部提供接口服务。最近访问压力增大后台tomcat的日志里面频繁出现 com.mchange.v2.resourcepool.TimeoutException: A client timed out while waiting to acquire a resource from com.mchange.v2.resourcepool.BasicResou
  • IT系统分析师如何学习大数据 蓝儿唯美 大数据
    我是一名从事大数据项目的IT系统分析师。在深入这个项目前需要了解些什么呢？学习大数据的最佳方法就是先从了解信息系统是如何工作着手，尤其是数据库和基础设施。同样在开始前还需要了解大数据工具，如Cloudera、Hadoop、Spark、Hive、Pig、Flume、Sqoop与Mesos。系 统分析师需要明白如何组织、管理和保护数据。在市面上有几十款数据管理产品可以用于管理数据。你的大数据数据库可能
  • spring学习——简介 a-john spring
    Spring是一个开源框架，是为了解决企业应用开发的复杂性而创建的。Spring使用基本的JavaBean来完成以前只能由EJB完成的事情。然而Spring的用途不仅限于服务器端的开发，从简单性，可测试性和松耦合的角度而言，任何Java应用都可以从Spring中受益。其主要特征是依赖注入、AOP、持久化、事务、SpringMVC以及Acegi Security 为了降低Java开发的复杂性，
  • 自定义颜色的xml文件 aijuans xml
    <?xml version="1.0" encoding="utf-8"?> <resources> <color name="white">#FFFFFF</color> <color name="black">#000000</color> &
  • 运营到底是做什么的？ aoyouzi 运营到底是做什么的？
    文章来源：夏叔叔（微信号：woshixiashushu），欢迎大家关注！很久没有动笔写点东西，近些日子，由于爱狗团产品上线，不断面试，经常会被问道一个问题。问：爱狗团的运营主要做什么？答：带着用户一起嗨。为什么是带着用户玩起来呢？究竟什么是运营？运营到底是做什么的？那么，我们先来回答一个更简单的问题——互联网公司对运营考核什么？以爱狗团为例，绝大部分的移动互联网公司，对运营部门的考核分为三块——用
  • js面向对象类和对象 百合不是茶 js面向对象函数创建类和对象
    接触js已经有几个月了,但是对js的面向对象的一些概念根本就是模糊的,js是一种面向对象的语言 但又不像java一样有class,js不是严格的面向对象语言 ,js在java web开发的地位和java不相上下  ,其中web的数据的反馈现在主流的使用json,json的语法和js的类和属性的创建相似   下面介绍一些js的类和对象的创建的技术   一:类和对
  • web.xml之资源管理对象配置 resource-env-ref bijian1013 javaweb.xmlservlet
    resource-env-ref元素来指定对管理对象的servlet引用的声明，该对象与servlet环境中的资源相关联 <resource-env-ref> <resource-env-ref-name>资源名</resource-env-ref-name> <resource-env-ref-type>查找资源时返回的资源类
  • Create a composite component with a custom namespace sunjing
    https://weblogs.java.net/blog/mriem/archive/2013/11/22/jsf-tip-45-create-composite-component-custom-namespace   When you developed a composite component the namespace you would be seeing would
  • 【MongoDB学习笔记十二】Mongo副本集服务器角色之Arbiter bit1129 mongodb
     一、复本集为什么要加入Arbiter这个角色 回答这个问题，要从复本集的存活条件和Aribter服务器的特性两方面来说。 什么是Artiber？ An arbiter does not have a copy of data set and cannot become a primary. Replica sets may have arbiters to add a
  • Javascript开发笔记 白糖_ JavaScript
    获取iframe内的元素 通常我们使用window.frames["frameId"].document.getElementById("divId").innerHTML这样的形式来获取iframe内的元素，这种写法在IE、safari、chrome下都是通过的，唯独在fireforx下不通过。其实jquery的contents方法提供了对if
  • Web浏览器Chrome打开一段时间后，运行alert无效 bozch Webchormealert无效
    今天在开发的时候，突然间发现alert在chrome浏览器就没法弹出了，很是怪异。 试了试其他浏览器，发现都是没有问题的。 开始想以为是chorme浏览器有啥机制导致的，就开始尝试各种代码让alert出来。尝试结果是仍然没有显示出来。 这样开发的结果，如果客户在使用的时候没有提示，那会带来致命的体验。哎，没啥办法了 就关闭浏览器重启。   结果就好了，这也太怪异了。难道是cho
  • 编程之美-高效地安排会议 图着色问题 贪心算法 bylijinnan 编程之美
    import java.util.ArrayList; import java.util.Collections; import java.util.List; import java.util.Random; public class GraphColoringProblem { /**编程之美 高效地安排会议 图着色问题 贪心算法 * 假设要用很多个教室对一组
  • 机器学习相关概念和开发工具 chenbowen00 算法matlab机器学习
    基本概念： 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 开发工具 M
  • [宇宙经济学]关于在太空建立永久定居点的可能性 comsci 经济
           大家都知道,地球上的房地产都比较昂贵,而且土地证经常会因为新的政府的意志而变幻文本格式........        所以,在地球议会尚不具有在太空行使法律和权力的力量之前,我们外太阳系统的友好联盟可以考虑在地月系的某些引力平衡点上面,修建规模较大的定居点
  • oracle 11g database control 证书错误 daizj oracle证书错误oracle 11G 安装
    oracle 11g database control 证书错误  win7 安装完oracle11后打开 Database control 后，会打开em管理页面，提示证书错误，点“继续浏览此网站”，还是会继续停留在证书错误页面 解决办法： 是 KB2661254 这个更新补丁引起的，它限制了 RSA 密钥位长度少于 1024 位的证书的使用。具体可以看微软官方公告：
  • Java I/O之用FilenameFilter实现根据文件扩展名删除文件 游其是你 FilenameFilter
    在Java中，你可以通过实现FilenameFilter类并重写accept(File dir, String name) 方法实现文件过滤功能。 在这个例子中，我们向你展示在“c:\\folder”路径下列出所有“.txt”格式的文件并删除。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
  • C语言数组的简单以及一维数组的简单排序算法示例，二维数组简单示例 dcj3sjt126com carray
    # include <stdio.h> int main(void) { int a[5] = {1, 2, 3, 4, 5}; //a 是数组的名字 5是表示数组元素的个数，并且这五个元素分别用a[0], a[1]...a[4] int i; for (i=0; i<5; ++i) printf("%d\n",
  • PRIMARY, INDEX, UNIQUE 这3种是一类 PRIMARY 主键。 就是 唯一 且 不能为空。 INDEX 索引，普通的 UNIQUE 唯一索引 dcj3sjt126com primary
    PRIMARY, INDEX, UNIQUE 这3种是一类PRIMARY 主键。 就是 唯一 且 不能为空。INDEX 索引，普通的UNIQUE 唯一索引。 不允许有重复。FULLTEXT 是全文索引，用于在一篇文章中，检索文本信息的。举个例子来说，比如你在为某商场做一个会员卡的系统。这个系统有一个会员表有下列字段：会员编号   INT会员姓名  
  • java集合辅助类 Collections、Arrays shuizhaosi888 CollectionsArraysHashCode
      Arrays、Collections   1 ）数组集合之间转换 public static <T> List<T> asList(T... a) { return new ArrayList<>(a); }      a）Arrays.asL
  • Spring Security（10）——退出登录logout 234390216 logoutSpring Security退出登录logout-urlLogoutFilter
           要实现退出登录的功能我们需要在http元素下定义logout元素，这样Spring Security将自动为我们添加用于处理退出登录的过滤器LogoutFilter到FilterChain。当我们指定了http元素的auto-config属性为true时logout定义是会自动配置的，此时我们默认退出登录的URL为“/j_spring_secu
  • 透过源码学前端 之 Backbone 三 Model 逐行分析JS源代码 backbone源码分析js学习
    Backbone 分析第三部分  Model 概述： Model 提供了数据存储，将数据以JSON的形式保存在 Model的 attributes里， 但重点功能在于其提供了一套功能强大，使用简单的存、取、删、改数据方法，并在不同的操作里加了相应的监听事件， 如每次修改添加里都会触发 change，这在据模型变动来修改视图时很常用，并且与collection建立了关联。
  • SpringMVC源码总结（七）mvc:annotation-driven中的HttpMessageConverter 乒乓狂魔 springMVC
    这一篇文章主要介绍下HttpMessageConverter整个注册过程包含自定义的HttpMessageConverter，然后对一些HttpMessageConverter进行具体介绍。 HttpMessageConverter接口介绍： public interface HttpMessageConverter<T> { /** * Indicate
  • 分布式基础知识和算法理论 bluky999 算法zookeeper分布式一致性哈希paxos
      分布式基础知识和算法理论 BY [email protected] 本文永久链接：http://nodex.iteye.com/blog/2103218   在大数据的背景下，不管是做存储，做搜索，做数据分析，或者做产品或服务本身，面向互联网和移动互联网用户，已经不可避免地要面对分布式环境。笔者在此收录一些分布式相关的基础知识和算法理论介绍，在完善自我知识体系的同
  • Android Studio的.gitignore以及gitignore无效的解决 bell0901 androidgitignore
    　　github上.gitignore模板合集，里面有各种.gitignore ： https://github.com/github/gitignore 　　自己用的Android Studio下项目的.gitignore文件，对github上的android.gitignore添加了 　　　　　　# OSX files　　　　　　//mac os下　　　　　　.DS_Store
  • 成为高级程序员的10个步骤 tomcat_oracle 编程
    What 软件工程师的职业生涯要历经以下几个阶段：初级、中级，最后才是高级。这篇文章主要是讲如何通过 10 个步骤助你成为一名高级软件工程师。   Why 得到更多的报酬！因为你的薪水会随着你水平的提高而增加 提升你的职业生涯。成为了高级软件工程师之后，就可以朝着架构师、团队负责人、CTO 等职位前进 历经更大的挑战。随着你的成长，各种影响力也会提高。
  • mongdb在linux下的安装 xtuhcy mongodblinux
    一、查询linux版本号： lsb_release -a  LSB Version:    :base-4.0-amd64:base-4.0-noarch:core-4.0-amd64:core-4.0-noarch:graphics-4.0-amd64:graphics-4.0-noarch:printing-4.0-amd64:printing-4.0-noa
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他