- 3dmm近期论文综述
霞客环肥
关于3d重建,离不开3dmm或者是3dmm的思想。3dmm可以分为线性和非线性。关于如何求解3dmm的形状及纹理参数,又可以分为对2d图片做卷积处理,或是直接在mesh上做处理。在mesh上做图卷积是最近冒出来的新方向,在解决非欧几里德结构数据上有优越表现。0.回顾3dmm基于单张图像的三维人脸建模较为基础的方法就是99年的这篇《AMorphableModelForTheSynthesisOf3D
- 3DMM模型
平丘月初
3d
目录BFMBFM_200901_MorphableModel.matexp_pca.bintopology_info.npyexp_info.npyBFMBFM_200901_MorphableModel.matfromscipy.ioimportloadmatoriginal_BFM=loadmat("01_MorphableModel.mat")#dict_keys:['__header__'
- One-Shot Face Reenactment on Megapixels 译文
胖胖腐乳
语音驱动说话人人工智能计算机视觉cv语音识别
百万像素的一次性面部重演链接arxiv:https://arxiv.org/abs/2205.13368引言面部重现的目标是将目标表情和头部姿势转移到源面部,同时保留源身份。随着人脸相关应用的普及,关于这个话题的研究也很多。然而,现有方法的结果仍然局限于低分辨率并且缺乏真实感。在这项工作中,我们提出了一种称为MegaFR的一次性高分辨率面部重演方法。准确地说,我们通过使用基于3DMM的渲染图像来利
- A 3D Morphable Model learnt from 10,000 faces
深蓝蓝蓝蓝蓝
三套人脸数据模型:BFM,Facewarehouse,SFM,LSFM本文提到的是LSFM,提供了9663个不同身份人的3DMM模型和对应人的年龄,性别和种族背景48%男性,52%女性,82%白人,9%亚裔,5%混血,3%黑人,1%其他构建了一套全自动构建3DMM的流程:1.使用渲染图自动提取landmark2.在landmark的引导将原始3D模板形变已匹配输入的3D数据3.构建一个全局PCA,
- 【技术综述】基于3DMM的三维人脸重建技术总结
喜欢打酱油的老鸟
人工智能
基于图像的人脸三维重建在人脸分析与娱乐领域里有巨大的应用场景,同时它也可以用于提升人脸关键点检测,人脸识别,人脸编辑等很多任务。本文重点介绍其中基于3DMM模型的核心技术及其研究进展。作者&编辑|言有三1.什么是人脸三维重建人脸三维重建就是建立人脸的三维模型,它相对于二维人脸图像多了一个维度,在电影,游戏等领域应用广泛。目前获取人脸三维模型的方法主要包括三种,软件建模,仪器采集与基于图像的建模。(
- 数字人创作+SadTalker+GTX1080
三块钱0794
AI作画数字人SadTalkercuda
https://github.com/OpenTalker/SadTalker开源项目SadTalker模型是一个使用图片与音频文件自动合成人物说话动画的开源模型,我们自己给模型一张图片以及一段音频文件,模型会根据音频文件把传递的图片进行人脸的相应动作,比如张嘴,眨眼,移动头部等动作。SadTalker,它从音频中生成3DMM的3D运动系数(头部姿势、表情),并隐式调制一种新颖的3D感知面部渲染,
- Large Pose 3D Face Reconstruction from a Single Image via Direct Volumetric CNN Regression
深蓝蓝蓝蓝蓝
这篇文章解决的是从2D图片直接恢复3D人脸的一个问题。这篇文章没有用3DMM,用的是体素。所谓体素就是三维的像素。文章中提出的模型VRN由HourglassModule(漏斗形的CNN结构,漏斗两端都有对应的残差连接)堆叠而成。如下图所示,尝试了三个模型:1.直接通过2D图片恢复3D人脸2.先恢landmark,再将landmark与2D图像合并后预测3D人脸3.多任务联合优化,也即一边预测lan
- 3D Morphable Model Fitting from Multiple Views
深蓝蓝蓝蓝蓝
提出了一个通过图片流来预测3DMM模型的方式。本文假设所有的图片对应的身份信息和位姿信息都是已知的。计算方法就是将同一个人的多个视角图片联合优化,并且假设这些图片中表情都是一样的,即人脸只进行刚性形变。
- 数字人入门文章速览
Zero_to_zero1234
人工智能
语音驱动三维人脸方法OPPO数字人语音驱动面部技术实践【万字长文】虚拟人漫谈Blendshape学习笔记人脸重建速览,从3DMM到表情驱动动画功能强大的python包(四):OpenCV从Blendshapes到Animoji3D人脸重建算法汇总一、3D人脸重建基础梳理二、开源3D人脸重建项目整理三、3DMM(人脸3D形变统计模型)推荐:3D人脸重建–学习笔记VR来了,3D人脸重建跟上->《三维人
- 探索基于300W-LP的3D人脸关键点检测
烧技湾
ComputerVision3d
目录前言一、3D关键点可视化二、使用步骤1.300W-LP转为YOLO数据格式2.修改数据入口3.开始训练总结前言300WLP数据集提供来丰富的人脸线索,包括2D或3D的关键点信息,HeadAngle和3DMM的参数等.它可以用于2/3D的人脸关键点检测,以及头部姿态检测等任务.这里,我们尝试去实现端到段的3D人脸关键点检测.一、3D关键点可视化如左图所示,其3D特征点其实是在相机平面上的二维投影
- 基于YOLO的3D人脸关键点检测方案
烧技湾
YOLO3d
目录前言一、任务列表二、3D人脸关键点数据H3WB2.下载方法3.任务4.评估5.使用许可3DFAWAFLW2000-3D三、3D关键点的Z维度信息1.基于3DMM模型的方法2.H3WB四、当前SOTA的方法1.方法1五、我们的解决方法1.数据转为YOLO格式2.修改YOLO8Pose的入口出口3.开始训练,并记录过程4.对比分析5.改进总结前言YOLOLandmark解决了2D的人脸关键点检测问
- SadTalker:Stylized Audio-Driven Single Image Talking Face Animation(CVPR2023)
c2a2o2
人工智能ffmpeg
摘要通过人脸图像和一段语音音频生成会说话的头部视频仍然存在许多挑战。例如,不自然的头部运动,扭曲的表情和身份修改。我们认为这些问题主要是因为从耦合的二维运动场中学习。另一方面,显式使用3D信息也存在表达生硬和视频不连贯的问题。我们提出了SadTalker,它从音频中生成3DMM的3D运动系数(头部姿势,表情),并隐式调制了一种新颖的3D感知面部渲染,用于说话的头部生成。为了学习真实的运动系数,我们
- End-to-end 3D face reconstruction with deep neural networks
深蓝蓝蓝蓝蓝
提出了End-to-End3DFAceReconstruction(UH-E2FAR)模型,利用DNN来从单张2D图像中拟合出3DMM的形状参数本文将人脸形状分为两个子任务:身份和表情,然后通过优化两个loss联合训练。为了表示目标人脸S,先假设我们有平均脸S_bar,然后对所有人的中性脸做pca,就可以得到身份的主成分特征。之后再通过每个人不同扫描之间的偏移量做PCA得到表情的主成分特征。将这两
- Nonlinear 3D Face Morphable Model 论文笔记
HR_Reborn
论文笔记深度学习神经网络
1、传统线性3DMM:模型和纹理分别是平均值+基础值*系数——S=S¯+Aα,T(l)=T¯(l)+Bβ,此为3DMM的基础。并且提出了将3D人脸投影到图像平面上使用弱透视投影模型(3D转为2D透视投影模型):g(α,m):3D顶点位置在2D中的函数输出f:比例因子:正交投影矩阵R:欧拉角表示旋转角度t2d:平移向量M:有维度2×4,有六个自由度,通过一个6维向量m来参数化。然后使用2D图像渲染纹
- Morphable Face Reconstruction with Multiple Images
深蓝蓝蓝蓝蓝
使用多张图像来还原3D人脸简介:首先通过2D图像上的特征点结合位姿参数,来估计3D人脸上对应的特征点然后建立2D形状模型来估计3D形状模型最后还使用多张图的纹理特征结合3D人脸的位姿参数来还原3D纹理MorphableShapeModelling这个和3DMM不同,3DMM里既有形状又有纹理,但是这个形状模型(MSM)中只有形状参数,这可以帮助加速运算。这里作者使用了前人提出的2DMSM模型,通过
- 数据压缩算法PCA使用指南
深度之眼
粉丝的投稿深度学习干货python计算机视觉算法
来源:投稿作者:小灰灰编辑:学姐PCA主成分分析算法PCA的使用范围PCA(principalComponentAnalysis),即主成分分析方法,是一种使用最广泛的数据压缩算法。在PCA中,数据从原来的坐标系转换到新的坐标系,由数据本身决定。使用的用途很广,在人脸识别中(EigenFace,deepid),三维人脸重建中的(3DMM模型),想用数据降维时,通过PCA降维可以发现更便于人类理解的
- 3D【8】鸟类重建:Learning Category-Specific Mesh Reconstruction from Image Collections阅读笔记
DCD_Lin
3d
该文章直接预测的是平均mesh的坐标偏差,相机参数和纹理uv图。里面有各种损失函数,很值得学习。这篇论文还有个有意思的点,论文用的训练数据是没有对应的3D模型的(也就是一张图片没有对应的3D模型)。训练过程有点像3DMM的重建过程,即先估计3D模型,将模型渲染到2D;然后比较渲染的图片和原始图片的差异,以更新模型的参数。要将这个过程应用在神经网络中,由于渲染是不可导的,因此需要解决渲染这一步骤的求
- 单张图像三维人脸重建必备入门face3d--pipeline
深度之眼
深度学习干货粉丝的投稿人工智能干货3d深度学习计算机视觉
作者:小灰灰来源:投稿编辑:学姐上期传送门单张图像三维人脸重建必备入门face3d—3DMM三维人脸的必备入门就要看YaoFeng写的https://github.com/YadiraF/face3d这个代码主要介绍了3D人脸的一些功能,处理网格数据,生成3D人脸,从单张二维人脸图片重建三维图像,face3D是个非常轻量化的,而且都是用numpy写的。下载代码:git clone https://
- [CVPR2019]GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction
深蓝蓝蓝蓝蓝
#3D人脸重建论文阅读3d
标题:GANFIT:GenerativeAdversarialNetworkFittingforHighFidelity3DFaceReconstruction链接:https://arxiv.org/pdf/1902.05978这篇文章处理的问题就是从一张2D图片恢复人脸3D形状的问题,使用了经典的3DMM框架,最大的亮点就是在生成纹理图的时候用了GAN。模型输入的三个参数其实可以分为两个部分,
- GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction
理想很丰满,现实很骨感
#单视图三维人脸重建计算机视觉深度学习
1.论文大致介绍论文是基于GAN网络的高精度、基于单张图片的人脸三维重建,重建效果如下图所示我们可以看到人脸的细节还原得特别详细,总而言之,本篇论文的特点如下与传统生成3dmm的颜色系数的方法不同,本文使用GAN网络生成一张高分辨率的人脸UV纹理图,代替3dmm颜色系数来表示人脸的纹理,因此能够还原出很多详细的细节基于设计的GAN网络与可微渲染器(三维的物体渲染成二维图像的时候,其实本质上是进行了
- 「每周CV论文推荐」 初学深度学习单图三维人脸重建需要读的文章
喜欢打酱油的老鸟
人工智能
基于图像的人脸三维重建在人脸分析与娱乐领域里有巨大的应用场景,本文来介绍初学深度学习单张图像人脸三维重建必须要读的文章。作者&编辑|言有三13DMM与数据集虽然这里推荐的是深度学习三维人脸重建需要读的文章,但是因为经常需要用到经典的3DMM模型以及一些数据集,包括最著名的中性表情BFM模型及其2017年新增表情的版本,国内浙大开源的带表情的FareWareHouse数据集。文章引用量:4000+推
- (综述,讲得很好)基于3DMM的三维人脸重建技术总结
薛定谔的炼丹炉!
3D人脸对齐和重建3d计算机视觉深度学习
深度学习全监督重建方法:由于真实的三维人脸和二维人脸图像对非常缺乏,采集成本高,很难得到真实二维三维图像对,通常将多张照片进行modelfitting求解生成了对应的三维人脸模型,将其作为真值(GroundTruth),从而得到了二维三维图像对,这也导致模型泛化到真实数据集的能力较差。自监督的方法则是一个解决该问题的重要思路。这一类方法不依赖于真实的成对数据集,它将二维图像重建到三维,再反投影回二
- 深度学习单图三维人脸重建
andrew P
虚拟人物深度学习计算机视觉cnn
基于图像的人脸三维重建在人脸分析与娱乐领域里有巨大的应用场景,本文来介绍初学深度学习单张图像人脸三维重建必须要读的文章。作者&编辑|言有三13DMM与数据集虽然这里推荐的是深度学习三维人脸重建需要读的文章,但是因为经常需要用到经典的3DMM模型以及一些数据集,包括最著名的中性表情BFM模型及其2017年新增表情的版本,国内浙大开源的带表情的FareWareHouse数据集。文章引用量:4000+推
- ECCV 2022 | 清华&腾讯AI Lab提出REALY: 重新思考3D人脸重建的评估方法
Tom Hardy
算法大数据计算机视觉机器学习人工智能
作者丨人脸人体重建来源丨人脸人体重建编辑丨极市平台极市导读本文围绕3D人脸重建的评估方式进行了重新的思考和探索。作者团队通过构建新数据集RELAY,囊括了更丰富以及更高质量的脸部区域信息,并借助新的流程对先前的数十个重建算法、3DMM进行了评价。本文分享ECCV2022论文《REALY:RethinkingtheEvaluationof3DFaceReconstruction》,对3D人脸重建的评
- 单张图像三维人脸重建必备入门face3d—3DMM
深度之眼
深度学习干货人工智能干货深度学习计算机视觉3DMM
作者:小灰灰来源:投稿编辑:学姐本次的例子是将pipeline生成的图片作用于3DMM,重新拟合成新的图片。loadmodel3DMM的表达式:̅∈3是平均人脸形状,脸扫描训练得到的身份基,是人脸的身份参数。是表情基,是人脸的表情参数。这个公式只要我们确定199维的形状参数和29维的表情参数就可以得到一张三维模型。bfm = MorphabelModel('Data/BFM/Out/BFM.mat
- [CVPR2019](D3DFR)Accurate 3D Face Reconstruction with Weakly-Supervised Learning From Single Image
深蓝蓝蓝蓝蓝
#3D人脸重建论文阅读3d计算机视觉深度学习
标题:Accurate3DFaceReconstructionwithWeakly-SupervisedLearning:FromSingleImagetoImageSet链接:https://arxiv.org/pdf/1903.08527亮点:主要是提出了通过同一人多张图来生成更精细的人脸3D模型的方案,主要框架是基于3DMM的。Lambertiansurface-朗伯面:即入射光会向所有方向
- Face3D学习笔记(4)3DMM示例源码解析【中上】3DMM模型
ESRSchao
Face3D学习python人工智能计算机视觉超分辨率重建视觉检测
写在前面为了保证整个示例项目更加直观,方便理解,在展示一些函数的源码时会使用numpy版本进行展示,而在示例程序中并未使用numpy版本的库,在Cython版本与numpy版本出现差异的原码前会有标注,希望读者留意。3DMM实例程序的jupyter版本后续会更新,完全免费,欢迎大家下载预备上一篇文章在MATLAB里面对BFM模型执行了Face3D提供的程序生成了新的模型数据BFM.mat、BFM_
- Face3D学习笔记(6)3DMM示例源码解析【下】从二维图片的特征点重建三维模型
ESRSchao
Face3D学习python人工智能计算机视觉超分辨率重建视觉检测
写在前面为了保证整个示例项目更加直观,方便理解,在展示一些函数的源码时会使用numpy版本进行展示,而在示例程序中并未使用numpy版本的库,在Cython版本与numpy版本出现差异的原码前会有标注,希望读者留意。3DMM实例程序的jupyter版本后续会更新,完全免费,欢迎大家下载在Face3d中的求解过程可以概述如下:(1)初始化α,β\alpha,\betaα,β为0;(2)利用黄金标准算
- Face3D学习笔记(5)3DMM示例源码解析【中下】从二维图片的特征点重建三维模型——黄金标准算法
ESRSchao
Face3D学习python人工智能计算机视觉超分辨率重建视觉检测
写在前面为了保证整个示例项目更加直观,方便理解,在展示一些函数的源码时会使用numpy版本进行展示,而在示例程序中并未使用numpy版本的库,在Cython版本与numpy版本出现差异的原码前会有标注,希望读者留意。3DMM实例程序的jupyter版本后续会更新,完全免费,欢迎大家下载源码解析在上一篇文章了解3DMM模型以及用随机的形状系数和表情系数生成面部网格进行3DMM模型的前向重建过程后进入
- Face3D学习笔记(3)3DMM示例源码解析【上】准备工作
ESRSchao
Face3D学习python人工智能计算机视觉超分辨率重建视觉检测
写在前面为了保证整个示例项目更加直观,方便理解,在展示一些函数的源码时会使用numpy版本进行展示,而在示例程序中并未使用numpy版本的库,在Cython版本与numpy版本出现差异的原码前会有标注,希望读者留意。3DMM实例程序的jupyter版本后续会更新,完全免费,欢迎大家下载准备工作3DMM的例程里面需要用到BFM模型,这些数据需要自行下载,下面是下载教程:准备BFM数据1.下载原始BF
- 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