hzhj
hzhj

那些年我们一起追过的ILSVRC冠军

ILSVRC共举办7年， 其中产生一些如AlexNet，GoogleNet等经典网络，如下对其检测和分类领域的冠军进行总结。ps:下图前三个图展示了不同task对应的意义。

那些年我们一起追过的ILSVRC冠军_第1张图片 图片来源

 

 

年代 task 网络/队名 结果  说明
2012 分类 AlexNet test top-5 error =0.16422 仅使用2012年的数据(使用2011年的数据时，top5 error=0.15315)
　 单目标检测 AlexNet test top-5 error =0.341905 仅使用2012年的数据(使用2011年的数据时，top5 error=0.335463)
2013 分类 Clarifai公司(ZFNet) test top-5 error =0.11743

当年数据集上多个模型的平均结果(使用额外数据集时的top5 error=0.11197)；       

ZFNet采用4种结构的5个网络取得top5 error=0.13511(论文中为0.148)的成绩；                                 

ZFNet网络的作者Matthew D. Zeiler是Clarifai的创始人兼CEO。
  单目标检测 OverFeat Error=0.298772 Yann Lecun在纽约大学的团队提出了著名的OverFeat算法
  检测 UvA-Euvision map=0.22581 使用先验知识运行两次的结果;  OverFeat - NYU使用额外数据进行预训练map=0.194009排名第五。
2014 task 1a:基于提供数据的目标检测 NUS(新加坡国立大学) map=0.37212 基于多模型得分混合后的结果
  task 1b:使用额外数据的目标检测 GoogLeNet map=0.439329 Ensemble of detection models
  task 2a:基于提供数据的单目标检测 VGG（定位冠军）GoogLeNet(分类冠军) 定位误差(vgg) 0.253231                    分类误差(GoogLeNet) 0.06656 (VGG)多网络组合后的平均结果
  task 2b:使用额外数据的目标检测 Adobe-UIUC(定位冠军) CASIA_CRIPAC_We-ak_Supervision(分类冠军) 定位误差(Adobe) 0.300961                    分类误差(CASIA) 0.11358 CASIA_CRIPAC为中科院自动化所http://www.cripac.ia.ac.cn/CN/model/index.htm
2015 task 1a:基于提供数据的目标检测 MSRA(微软亚洲研究院)(ResNet) map=0.620741

集成模型的结果；                 

单模型的map=0.588451为亚军;         

MSRA参赛人员中包括何凯明，即ResNet网络的作者
  task 1b:使用额外数据的目标检测 Amax map=0.57848

Amax组成人员来自：                

1、悉尼科技大学；                  

2、南京信息工程大学；
  task 2a:基于提供数据的单目标检测 MSRA(微软亚洲研究院) 定位误差0.090178    分类误差0.03567  
  task 2b:使用额外数据的目标检测

Trimps-Soushen(定位冠军)          

Amax(分类冠军)

 定位误差(Soushen)0.122285    分类误差(Amax)0.04354 Trimps-Soushen为公安部三所
  task 3a:基于提供视频数据的目标检测 CUVideo map=0.678216

CUVideo参赛人员来自：             

1、香港中文大学；                  

2、SenseTime Group Limited(商汤科技)；
  task 3b:使用额外视频数据的目标检测 Amax  

Amax组成人员来自：                

1、悉尼科技大学；                  

2、南京信息工程大学；
  task 4a:使用提供数据的场景分类 WM 分类误差0.168715

WM组成人员来自：                   

1、中国科学院大学(Li Shen);        

2、北京大学(Zhouchen Lin )
  task 4b:使用额外数据的场景分类 NEIOP 分类误差0.203539  
2016 task 1a:基于提供数据的目标检测 CUImage map=0.662751 6个模型集成的结果
  task 1b:使用额外数据的目标检测 CUImage map=0.660081  
  task 2a:基于提供数据的单目标检测 Trimps-Soushen 定位误差0.077087    分类误差0.02991

定位使用的是emsemble3,            

分类使用的是emsemble2             

ResNeXt为分类的亚军，误差为0.03031              
  task 2b:使用额外数据的目标检测 Trimps-Soushen 定位误差0.077377    分类误差0.02991 ensemble5
  task 3a:基于提供视频数据的目标检测 NUIST map=0.808292 NUIST(南京信息工程大学)
  task 3b:使用额外视频数据的目标检测 NUIST map=0.79593 NUIST(南京信息工程大学)
  task 3c:使用提供视频数据的目标检测和跟踪 CUVideo map=0.558557

CUVideo参赛人员来自：             

1、香港中文大学；                  

2、SenseTime Group Limited(商汤科技)；
  task 3d:使用额外视频数据的目标检测和跟踪 NUIST map=0.583898 NUIST(南京信息工程大学)
  场景分类 Hikvision top-5 error =0.0901 Hikvision(海康威视)
  常见解析 SenseCUSceneParsing Average of mIoU and pixel accuracy=0.57205

参赛人员来自：                    

1、香港中文大学；                  

2、SenseTime(商汤)；
2017 task 1a:基于提供数据的目标检测 BDAT map=0.732227

参赛人员来自：                    

1、南京信息工程大学；                  

2、伦敦帝国理工学院；
  task 1b:使用额外数据的目标检测 BDAT map=0.731613  
  task 2a:基于提供数据的单目标检测

NUS-Qihoo_DPNs (CLS-LOC)

(定位冠军)           

WMW(分类冠军) SENet

 定位误差0.062263   分类误差(WMW)0.02251

NUS-Qihoo_DPNs (CLS-LOC)参赛人员来自：                              

1、新加坡国立大学；                

2、奇虎360                        

WMW参赛人员来自：                  

1、Momenta(国内的自动驾驶公司)     

2、牛津大学                          
  task 2b:使用额外数据的目标检测 NUS-Qihoo_DPNs (CLS-LOC) 定位误差0.061941    分类误差0.02713 两个结果来自不同的网络
  task 3a:基于提供视频数据的目标检测 IC&USYD map=0.818309

参赛人员来自：                    

1、伦敦帝国理工学院(IC)；              

2、悉尼大学（USYD）
  task 3b:使用额外视频数据的目标检测 IC&USYD map=0.819339  
  task 3c:使用提供视频数据的目标检测和跟踪 IC&USYD map=0.641474  
  task 3d:使用额外视频数据的目标检测和跟踪 IC&USYD map=0.642935  


参考文献：

  1. ILSVRC官网
  2. http://www.cnblogs.com/liaohuiqiang/p/9609162.html
  3. https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/object_localization_and_detection.html
  4. CNN 浅析和历年 ImageNet 冠军模型解析

你可能感兴趣的:(深度学习)

  • 人工智能概念 zhangpeng455547940 计算机人工智能
    机器学习、深度学习、大模型机器学习提供框架，使得系统可以从数据中学习算法：线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻算法深度学习是实现这一目标的工具，模仿人脑，使用多层神经网络进行学习算法：多层感知器、卷积神经网络、循环神经网络、长短期记忆网络大模型指参数量巨大的深度学习模型人工智能应用：自然语言处理、图像识别与生成、语音识别、政务与企业服务...
  • 机器学习(二) 本文(2.5万字) | KNN算法原理及Python复现 | 小酒馆燃着灯 机器学习算法k近邻算法
    文章目录一KNN算法原理二KNN三要素三机器学习中标准化四KNN分类预测规则五KNN回归预测规则六KNN算法实现方式七KDTree7.1构造KDtree7.2KDtree查找最近邻八KNN特点九KNN算法实现案例一案例二1.机器学习2.深度学习与目标检测3.YOLOv54.YOLOv5改进5.YOLOv8及其改进6.Python与PyTorch7.工具8.小知识点9.杂记一KNN算法原理K近邻分类
  • 再添殊荣！移远通信工业智能品牌宝维塔™斩获AI创新应用奖 移远通信 算力人工智能工业智能
    12月24日，2024中国物联网产业大会暨第21届慧聪品牌盛会在深圳圆满落幕。会上，移远通信凭借其工业智能品牌宝维塔™在推动AI技术落地与应用创新方面的卓越贡献，获颁“AI创新应用奖”。作为科技发展的前沿力量，AI技术正深刻改变着各行各业的生产模式和效率，尤其在工业领域，展现出了巨大潜力。宝维塔™是移远通信精心打造的工业智能品牌，专注于将人工智能、边缘计算、机器视觉、深度学习、软件算法平台等前沿技
  • 验证码识别：使用OCR技术识别图形验证码详解 数据知道 2025年爬虫和逆向教程ocrpython爬虫OCR识别验证码识别图片验证码
    文章目录一、基本原理二、所需工具2.1Python环境2.2图像处理库2.3OCR引擎2.4Python接口三、实现步骤3.1获取验证码图像3.2图像预处理3.3使用OCR进行字符识别3.4基本OCR识别样例四、提高识别准确率的方法4.1字符分割4.2使用深度学习模型4.3数据增强4.4集成多个OCR引擎五、实际应用中的注意事项六、总结验证码（CAPTCHA）是一种用于区分人类用户和自动化程序的安
  • 从LayerNorm到RMSNorm：深度学习归一化技术的进化！qwen2.5的技术。 KangkangLoveNLP qwen2.5深度学习人工智能transformerpytorch自然语言处理python神经网络
    RMSNorm（RootMeanSquareNormalization，均方根归一化）是一种用于深度学习的归一化技术，是LayerNorm（层归一化）的一种改进。它通过计算输入数据的均方根（RootMeanSquare,RMS）来进行归一化，避免了传统归一化方法中均值和方差的计算1.LayerNorm（层归一化）LayerNorm（层归一化）是一种用于深度学习的归一化技术，主要用于稳定训练过程、加
  • 【漫话机器学习系列】137.随机搜索（Randomized Search） IT古董 漫话机器学习系列专辑机器学习人工智能
    随机搜索（RandomizedSearch）详解在机器学习和深度学习的模型训练过程中，超参数调优（HyperparameterTuning）是至关重要的一环。随机搜索（RandomizedSearch）是一种高效的超参数优化方法，它通过在候选超参数的数值分布（如正态分布、均匀分布等）中随机选择超参数组合，从而找到最优的超参数配置。1.超参数调优的必要性超参数是模型在训练之前需要人为设定的参数，例如
  • 医学人工智能影像诊断数据收集与整理 V搜xhliang0246 人工智能健康医疗算法
    在医学领域中，人工智能（AI）尤其是深度学习技术，已经被广泛应用于医学影像的分析和诊断。为了训练这些模型，需要大量的高质量标注数据。下面我会给出一个简单的示例流程，介绍如何收集、整理和准备医学影像数据集，并提供一些基础的Python代码示例。数据收集首先，你需要收集包含医学影像的数据集。这些数据通常来自医院或研究机构，并且需要经过伦理审查和患者同意。示例数据集假设我们有一个包含肺部X光片的数据集，
  • 深度学习模块缝合教程：从理论到实践 RockLiu@805 深度学习模块机器视觉深度学习人工智能
    深度学习模块缝合教程：从理论到实践引言随着深度学习的不断发展，模型的设计与优化成为研究者关注的核心问题之一。如何有效地“缝合”不同模块，以实现更高效的计算和更强大的功能，是当前深度学习研究中的一个重要课题。在本文中，我们将从基础概念出发，详细探讨深度学习模块缝合的方法、技巧及其应用场景。无论是理论深厚的研究者还是实验导向的实践者，都可以从中获得启发。一、深度学习基础知识详解深度学习是人工智能领域的
  • 大模型开发教程：从零开始的入门指南！ 程序员二飞 人工智能java数据库职场和发展深度学习
    概述大模型开发教程引领人工智能领域前沿，从基础概念至实战项目，全面覆盖Python与深度学习框架使用，指导初学者构建线性回归、逻辑回归、神经网络等模型，深入探索图像分类、情感分析等复杂应用，为探索未来智能世界提供坚实基石。前排提示，文末有大模型AGI-CSDN独家资料包哦！二、基础知识2.1人工智能与深度学习的概念人工智能(AI)是计算机科学的一个分支，旨在使计算机能够执行通常需要人类智能的任务。
  • GAN生成对抗网络小记 文弱_书生 乱七八糟生成对抗网络人工智能神经网络
    生成对抗网络（GAN）深入解析：数学原理与优化生成对抗网络（GenerativeAdversarialNetwork,GAN）是一个基于博弈论的深度学习框架，通过生成器（G）和判别器（D）之间的对抗训练，生成高度逼真的数据。其核心思想是让GGG生成伪造数据以欺骗DDD，而DDD则努力分辨真实数据与伪造数据。GAN在理论上可以看作一个极小极大（Minimax）优化问题。1.GAN的数学公式1.1生成
  • 深度学习之优化器Optimizer介绍 yueguang8 人工智能深度学习人工智能
    优化器(Optimizer)是深度学习训练中非常关键的组件,它负责根据损失函数的梯度来更新模型参数,从而使模型性能不断提升。1.优化器的作用和重要性优化器是训练深度学习模型的核心组件之一。它负责根据损失函数的梯度来更新模型参数,推动模型性能不断提高。选择合适的优化器可以极大地影响模型的收敛速度和最终性能。2.优化器的基本原理优化器的基本思路是利用梯度下降法来最小化损失函数。每一步都根据当前梯度的方
  • 深度学习 常见优化器 Humingway 深度学习人工智能
    一、基础优化器随机梯度下降（SGD）•核心：∇θJ(θ)=η*∇θJ(θ)•特点：学习率固定，收敛路径震荡大•适用场景：简单凸优化问题•改进方向：动量加速二、动量系优化器2.SGDwithMomentum•公式：v_t=γv_{t-1}+η∇θJ(θ)•效果：平滑梯度更新，加速收敛•经典参数：γ=0.9（多数场景推荐）三、自适应学习率家族3.Adagrad•创新：∇θJ(θ)_t=∇θJ(θ)/(
  • 深度学习中常用的优化器 无能者狂怒 深度学习计算机视觉人工智能深度学习算法
    梯度下降是优化神经网络的首选方法。本文将介绍各种基于梯度下降的优化器，如Momentum，Adagrad以及Adam等等StochasticGradientDescent（SGD）MomentumAdagradRMSpropAdamAdaMax1：梯度下降假设梯度下降法是一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视
  • 常见的深度学习优化器 青灯剑客 算法python人工智能机器学习自然语言处理深度学习
    一直用优化器解决问题，但是没有对它进行一个系统的总结。。不对，系统的总结进行过，只是时过境迁，早已忘却。一、照进我脑海的几个家伙一开始学习的当然是SGD，只是学着学着就忘记了。后来呢，接触到网上介绍的几种常用的优化器，看着原理挺给力，可是记了好几次都记不住。直到遇到《百面机器学习》，它从最基本的原理出发，给了我一点灵感。（1）几种常用的优化器，详情见这里链接34（2）二、以为自己遇见了大海老师说，
  • 深度学习 bert与Transformer的区别联系 Humingway 深度学习berttransformer
    BERT（BidirectionalEncoderRepresentationsfromTransformers）和Transformer都是现代自然语言处理（NLP）中的重要概念，但它们代表不同的层面。理解这两者之间的区别与联系有助于更好地掌握它们在NLP任务中的应用。TransformerTransformer是一种特定的深度学习模型架构，由Vaswani等人在2017年的论文《Attenti
  • PyTorch 和 Python关系 一只积极向上的小咸鱼 pythonpytorch人工智能
    1PyTorch和Python关系PyTorch和Python是两个不同但相互关联的工具，主要用于机器学习和深度学习领域。以下是它们之间的关系和各自的作用：Python编程语言:Python是一种高级编程语言，以其简洁易读的语法而闻名。广泛使用:Python在数据科学、人工智能、Web开发、自动化等多个领域有着广泛的应用。库和生态系统丰富:Python拥有丰富的第三方库和工具，如NumPy、pan
  • Python与人工智能：为何它们是天作之合？ 纪至训至 python人工智能开发语言
    引言在人工智能（AI）飞速发展的今天，Python已成为这一领域的“明星语言”。从机器学习到深度学习，从自然语言处理到计算机视觉，Python的身影无处不在。那么，Python究竟为何能成为AI开发的首选工具？本文将探讨Python与AI之间的深度关联，并解析其背后的原因。1.Python的简洁性与可读性AI开发的核心在于快速迭代和实验，而Python以其简洁的语法和直观的代码结构著称。开发者无需
  • python和pytorch关系_PyTorch：Python优先的深度学习框架 weixin_39877182
    最近，Torch7团队开源了PyTorch。据该项目官网介绍，PyTorch是一个Python优先的深度学习框架，能够在强大的GPU加速基础上实现张量和动态神经网络。PyTorch是一个Python软件包，其提供了两种高层面的功能：使用强大的GPU加速的Tensor计算（类似numpy）构建于基于tape的autograd系统的深度神经网络如有需要，你也可以复用你最喜欢的Python软件包（如nu
  • 基于YOLOv5的车牌识别系统：从数据集到UI界面的实现 深度学习&目标检测实战项目 YOLOv5实战项目YOLOui分类数据挖掘目标跟踪
    1.引言随着智能交通系统的发展，车牌识别技术已成为交通管理、停车场自动化、路面监控等应用中的关键技术之一。车牌识别系统（LicensePlateRecognition,LPR）主要用于识别车辆的车牌号码，并将其转化为可以进一步处理的数据。车牌识别系统通常由图像处理、字符识别、目标检测等多种技术组成。近年来，随着深度学习技术的飞速发展，基于卷积神经网络（CNN）的目标检测算法，如YOLO（YouOn
  • 点云空洞的边界识别提取 pso-bp 神经网络的模型来修复点云空洞 附python代码 点云-激光雷达-Slam-三维牙齿 激光雷达点云c++为主神经网络人工智能深度学习点云python
    代码是一个Python程序，用于处理3D点云数据，特别是检测和修复点云中的孔洞区域。1.**导入库**：-`numpy`：用于数学运算。-`open3d`：用于处理3D数据和可视化。-`torch`：PyTorch库，用于深度学习。-`torch.nn`和`torch.optim`：PyTorch的神经网络和优化器模块。-`mpl_toolkits.mplot3d`和`matplotlib.pyp
  • Python深度学习033：Python、PyTorch、CUDA和显卡驱动之间的关系 若北辰 Python深度学习python深度学习pytorch
    Python、PyTorch、CUDA和显卡驱动之间的关系相当紧密，它们共同构成了一个能够执行深度学习模型的高效计算环境。下面是它们之间关系的简要概述：PythonPython是一种编程语言，广泛用于科学计算、数据分析和机器学习。它是开发和运行PyTorch代码的基础环境。PyTorchPyTorch是一个开源的机器学习库，用于应用如自然语言处理和计算机视觉的深度学习模型。它提供了丰富的API，使
  • Activeloop Deep Lake: AI时代的数据湖解决方案 HGWAcsdgvs 人工智能python
    技术背景介绍在当前AI技术蓬勃发展的背景下，数据的存储和检索显得尤为重要。ActiveloopDeepLake是一种多模态向量存储解决方案，支持嵌入和元数据（如文本、Json、图像、音频、视频等）的存储。它适用于本地、云端或Activeloop存储，通过嵌入以及其属性进行混合搜索。该解决方案是一个无服务器的数据湖，具备版本控制、查询引擎和深度学习框架的流媒体数据加载器。核心原理解析DeepLake
  • Deep Lake：人工智能时代的数据湖 开源项目精选 人工智能
    DeepLake是一款由Activeloop开发的开源深度学习数据湖，旨在解决深度学习数据管理的挑战。它提供高效的多模态数据管理、类似Git的版本控制、强大的查询和可视化功能，并与MLOps生态系统无缝集成，助你轻松驾驭海量数据，加速模型训练！Stars数8,458Forks数652主要特点多模态数据支持：支持图像、视频、音频、文本、点云等各种数据类型。张量存储：以深度学习框架友好的张量格式存储数
  • PyTorch深度学习框架进阶学习计划 - 第21天：自然语言处理基础 凡人的AI工具箱 深度学习pytorch学习人工智能AI编程AIGC自然语言处理
    PyTorch深度学习框架进阶学习计划-第21天自然语言处理基础今天我们将深入学习自然语言处理(NLP)的基础概念，重点关注词嵌入技术、序列建模原理以及主流模型之间的区别和优缺点。通过理解这些基础知识，你将能够更好地应用PyTorch构建NLP应用。1.词嵌入原理与实现词嵌入(WordEmbeddings)是NLP中的核心概念，它将单词映射到连续向量空间，使得语义相似的词在向量空间中距离较近。为什
  • PyTorch深度学习框架60天进阶学习计划 - 第19天：时间序列预测 凡人的AI工具箱 深度学习pytorch学习人工智能AI编程迁移学习python
    PyTorch深度学习框架60天进阶学习计划-第19天：时间序列预测目录时间序列预测概述滑动窗口数据构造方法归一化策略对比：MinMaxvsZ-ScoreLSTM基础原理Attention机制与LSTM结合LSTM-Attention模型实现TeacherForcing技术与应用Prophet基准模型对比多步预测的滚动验证方法综合实战：股票价格预测1.时间序列预测概述时间序列预测是机器学习中的一个
  • PyTorch深度学习框架60天进阶学习计划 - 第18天：模型压缩技术 凡人的AI工具箱 深度学习pytorch学习python人工智能
    PyTorch深度学习框架60天进阶学习计划-第18天：模型压缩技术目录模型压缩技术概述知识蒸馏详解软标签生成策略KL散度损失推导温度参数调节结构化剪枝技术通道剪枝评估准则L1-norm剪枝算法APoZ剪枝算法量化训练基础量化类型与精度PyTorch量化API剪枝与量化协同优化Torch.fx动态计算图修改自动化模型压缩流程实现实战案例：ResNet模型压缩性能评估与分析进阶挑战与思考1.模型压缩
  • 深度学习c++资源库：vector容器，蓝桥杯常用算法sort，unique（排序+去重） AI少女小鹿 c++算法开发语言
    vector容器1.基本概念是STL中的一个容器类，不同于普通数组的静态空间，vector可以动态扩展。动态扩展：并不是在原空间连接新空间，而是找到更大的内存空间，将原数据拷贝到新空间，释放原空间。是一个序列容器，它允许用户在容器的末尾快速地添加或删除元素。与数组相比，提供了更多的功能，如自动调整大小、随机访问等。2.声明与初始化需要指定元素类型，可通过多种方式进行初始化：#include#inc
  • 《探秘人工智能与鸿蒙系统集成开发的硬件基石》 人工智能深度学习
    在科技飞速发展的当下，人工智能与鸿蒙系统的集成开发开辟了创新的前沿领域。这一融合不仅代表着技术的演进，更预示着智能设备生态的全新变革。而在这场技术盛宴的背后，坚实的硬件配置是确保开发顺利进行的关键，它就像一座大厦的基石，决定了上层建筑的高度和稳定性。处理器：运算核心的澎湃动力处理器作为硬件系统的核心，在人工智能与鸿蒙系统集成开发中扮演着至关重要的角色。对于模型训练任务，尤其是深度学习模型，其复杂的
  • AI基于深度学习的代码搜索案例（一） 人工智能MOS 人工智能深度学习机器学习
    1.背景近年来，人工智能逐渐进入各个领域并展现出了强大的能力。在计算机视觉领域，以ImageNet为例，计算机的图像分类水平已经超过了人类。在自然语言处理(NLP)领域，BERT、XLNet以及MASS也一遍遍的刷新着任务榜单。当人工智能进入游戏领域，也取得了惊人的成绩，在Atari系列游戏中，计算机很容易超过了大部分人类，在围棋比赛中，AlphaGo和AlphaZero也已经超越了人类顶尖棋手。
  • 大模型相关知识学习随记 m0_65156252 语言模型人工智能自然语言处理
    2024/3/151，概念解释：通义千问，是阿里云推出的一个超大规模的语言模型，功能包括多轮对话、文案创作、逻辑推理、多模态理解、多语言支持。能够跟人类进行多轮的交互，也融入了多模态的知识理解，且有文案创作能力，能够续写小说，编写邮件等。2，多模态大模型：多模态大模型是一种基于深度学习的机器学习技术，其核心思想是将不同媒体数据（如文本、图像、音频和视频等）进行融合，通过学习不同模态之间的关联，实现
  • JVM StackMapTable 属性的作用及理解 lijingyao8206 jvm字节码Class文件StackMapTable
            在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率，在字节码规范中添加了Stack Map Table属性，以下简称栈图，其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
  • 回调函数调用方法 百合不是茶 java
    最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记 记录一下   代码很简单:           MainDemo  :调用方法  得到方法的返回结果        
  • [时间机器]制造时间机器需要一些材料 comsci 制造
          根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质     和材料...       甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......      
  • 开口埋怨不如闭口做事 邓集海 邓集海 做人 做事 工作
    “开口埋怨，不如闭口做事。”不是名人名言，而是一个普通父亲对儿子的训导。但是，因为这句训导，这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子，叫张明正。 　　 　　张明正出身贫寒，读书时成绩差，常挨老师批评。高中毕业，张明正连普通大学的分数线都没上。高考成绩出来后，平时开口怨这怨那的张明正，不从自身找原因，而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。 　　 　　
  • jQuery插件开发全解析，类级别与对象级别开发 IT独行者 jquery开发插件　函数
    jQuery插件的开发包括两种： 一种是类级别的插件开发，即给 jQuery添加新的全局函数，相当于给 jQuery类本身添加方法。 jQuery的全局函数就是属于 jQuery命名空间的函数，另一种是对象级别的插件开发，即给 jQuery对象添加方法。下面就两种函数的开发做详细的说明。   1 、类级别的插件开发 类级别的插件开发最直接的理解就是给jQuer
  • Rome解析Rss 413277409 Rome解析Rss
    import java.net.URL;  import java.util.List;    import org.junit.Test;    import com.sun.syndication.feed.synd.SyndCategory;  import com.sun.syndication.feed.synd.S
  • RSA加密解密 无量 加密解密rsa
    RSA加密解密代码 代码有待整理 package com.tongbanjie.commons.util; import java.security.Key; import java.security.KeyFactory; import java.security.KeyPair; import java.security.KeyPairGenerat
  • linux 软件安装遇到的问题 aichenglong linux遇到的问题ftp
    1 ftp配置中遇到的问题    500 OOPS: cannot change directory   出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了   修改方法:1 修改/etc/selinux/config 中SELINUX=disabled    2 source /etc
  • 面试心得 alafqq 面试
    最近面试了好几家公司。记录下； 支付宝，面试我的人胖胖的，看着人挺好的；博彦外包的职位，面试失败； 阿里金融，面试官人也挺和善，只不过我让他吐血了。。。 由于印象比较深，记录下； 1，自我介绍 2，说下八种基本类型；（算上string。楼主才答了3种，哈哈，string其实不是基本类型，是引用类型） 3，什么是包装类，包装类的优点； 4，平时看过什么书？NND，什么书都没看过。。照样
  • java的多态性探讨 百合不是茶 java
    java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况 //package 1; class A{ public void test(){ System.out.println("A"); } } class D extends A{ public void test(){ S
  • 网络编程基础篇之JavaScript-学习笔记 bijian1013 JavaScript
    1.documentWrite <html> <head> <script language="JavaScript"> document.write("这是电脑网络学校"); document.close(); </script> </h
  • 探索JUnit4扩展：深入Rule bijian1013 JUnitRule单元测试
            本文将进一步探究Rule的应用，展示如何使用Rule来替代@BeforeClass，@AfterClass，@Before和@After的功能。         在上一篇中提到，可以使用Rule替代现有的大部分Runner扩展，而且也不提倡对Runner中的withBefores()，withAfte
  • [CSS]CSS浮动十五条规则 bit1129 css
    这些浮动规则，主要是参考CSS权威指南关于浮动规则的总结，然后添加一些简单的例子以验证和理解这些规则。   1. 所有的页面元素都可以浮动 2. 一个元素浮动后，会成为块级元素，比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动，会向最近的块级父元素的左上角移动，直到浮动元素的左外边界碰到块级父元素的左内边界；如果这个块级父元素已经有浮动元素停靠了
  • 【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景 bit1129 partition
    0.Kafka服务器配置 3个broker 1个topic，6个partition，副本因子是2 2个consumer，每个consumer三个线程并发读取   1. Producer package kafka.examples.multibrokers.producers; import java.util.Properties; import java.util.
  • zabbix_agentd.conf配置文件详解 ronin47 zabbix 配置文件
    Aliaskey的别名，例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1]， 或者ttlsa的用户ID。你可以使用key：vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1]，也可以使用ttlsa.userid。备注: 别名不能重复，但是可以有多个
  • java--19.用矩阵求Fibonacci数列的第N项 bylijinnan fibonacci
    参考了网上的思路，写了个Java版的： public class Fibonacci { final static int[] A={1,1,1,0}; public static void main(String[] args) { int n=7; for(int i=0;i<=n;i++){ int f=fibonac
  • Netty源码学习-LengthFieldBasedFrameDecoder bylijinnan javanetty
    先看看LengthFieldBasedFrameDecoder的官方API http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html API举例说明了LengthFieldBasedFrameDecoder的解析机制，如下： 实
  • AES加密解密 chicony 加密解密
    AES加解密算法，使用Base64做转码以及辅助加密： package com.wintv.common; import javax.crypto.Cipher; import javax.crypto.spec.IvParameterSpec; import javax.crypto.spec.SecretKeySpec; import sun.misc.BASE64Decod
  • 文件编码格式转换 ctrain 编码格式
    package com.test; import java.io.File; import java.io.FileInputStream; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStream; import java.io.OutputStream;
  • mysql 在linux客户端插入数据中文乱码 daizj mysql中文乱码
    1、查看系统客户端，数据库，连接层的编码  查看方法： http://daizj.iteye.com/blog/2174993 进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+------
  • 好代码是廉价的代码 dcj3sjt126com 程序员读书
      长久以来我一直主张：好代码是廉价的代码。 当我跟做开发的同事说出这话时，他们的第一反应是一种惊愕，然后是将近一个星期的嘲笑，把它当作一个笑话来讲。 当他们走近看我的表情、知道我是认真的时，才收敛一点。 当最初的惊愕消退后，他们会用一些这样的话来反驳： “好代码不廉价，好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。” 我只
  • Android网络请求库——android-async-http dcj3sjt126com android
    在iOS开发中有大名鼎鼎的ASIHttpRequest库，用来处理网络请求操作，今天要介绍的是一个在Android上同样强大的网络请求库android-async-http，目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库，网络处理均基于Android的非UI线程，通
  • ORACLE 复习笔记之SQL语句的优化 eksliang SQL优化Oracle sql语句优化SQL语句的优化
    转载请出自出处：http://eksliang.iteye.com/blog/2097999   SQL语句的优化总结如下   sql语句的优化可以按照如下六个步骤进行： 合理使用索引 避免或者简化排序 消除对大表的扫描 避免复杂的通配符匹配 调整子查询的性能 EXISTS和IN运算符 下面我就按照上面这六个步骤分别进行总结：
  • 浅析：Android 嵌套滑动机制（NestedScrolling） gg163 android移动开发滑动机制嵌套
    谷歌在发布安卓 Lollipop版本之后，为了更好的用户体验，Google为Android的滑动机制提供了NestedScrolling特性 NestedScrolling的特性可以体现在哪里呢？<!--[if !supportLineBreakNewLine]--><!--[endif]--> 比如你使用了Toolbar，下面一个ScrollView，向上滚
  • 使用hovertree菜单作为后台导航 hvt JavaScriptjquery.nethovertreeasp.net
      hovertree是一个jquery菜单插件，官方网址：http://keleyi.com/jq/hovertree/ ，可以登录该网址体验效果。 0.1.3版本：http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm hovertree插件包含文件： http://keleyi.com/jq/hovertree/css
  • SVG 教程 （二）矩形 天梯梦 svg
    SVG <rect> SVG Shapes SVG有一些预定义的形状元素，可被开发者使用和操作： 矩形 <rect> 圆形 <circle> 椭圆 <ellipse> 线 <line> 折线 <polyline> 多边形 <polygon> 路径 <path>
  • 一个简单的队列 luyulong java数据结构队列
    public class MyQueue { private long[] arr; private int front; private int end; // 有效数据的大小 private int elements; public MyQueue() { arr = new long[10]; elements = 0; front
  • 基础数据结构和算法九：Binary Search Tree sunwinner Algorithm
      A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
  • 项目出现的一些问题和体会 Steven-Walker DAOWebservlet
         第一篇博客不知道要写点什么，就先来点近阶段的感悟吧。     这几天学了servlet和数据库等知识，就参照老方的视频写了一个简单的增删改查的，完成了最简单的一些功能，使用了三层架构。 dao层完成的是对数据库具体的功能实现，service层调用了dao层的实现方法，具体对servlet提供支持。  &
  • 高手问答：Java老A带你全面提升Java单兵作战能力！ ITeye管理员 java
    本期特邀《Java特种兵》作者：谢宇，CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答，欢迎网友积极提问，与专家一起讨论! 作者简介： 淘宝网资深Java工程师，CSDN超人气博主，人称“胖哥”。 CSDN博客地址： http://blog.csdn.net/xieyuooo 作者在进入大学前是一个不折不扣的计算机白痴，曾经被人笑话过不懂鼠标是什么，
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他