- PointCNN代码阅读笔记
脑阔不疼
Readme阅读代码文件内容X-conv及PointCNN架构:pointcnn.py分类任务超参数:pointcnn_cls.py分割任务相关:pointcnn_seg.py关于X-Conv和X-DeConv的参数以shapenet_x8_2048_fps.py文件的代码为例xconv_param_name=('K','D','P','C','links')xconv_params=[dict(
- 3D点云分割系列5:RandLA-Net:3D点云的实时语义分割,随机降采样的重生
yumaomi
3D点云分割算法人工智能机器学习3d图像处理
RandLA-Net《RandLA-Net:EfficientSemanticSegmentationofLarge-ScalePointClouds》发布于CVPR2020。1引言在自动驾驶等领域,高效的分割网络是目前最基本和最关键的研究方向。目前存在的一些点云处理方法包括PointNet、PointNet++、PointCNN、KPConv等方法,或多或少都存在效率不高或是特征采样不足的情况,
- pointcnn pointweb pointconv randla 阅读(三)
官方陈奕迅
算法深度学习人工智能
pointconv逆密度函数S给出和密度相反的权重将逐点相乘改变为矩阵相乘的方法参数量大大减小(具体没看懂,由于数学中的逐点卷积和矩阵相乘如何提高内存效率看不懂)pointconv=反密度函数*MLP学习的权重(权值共享,解决无序性)*特征用多层结构,则类似于pointnet++提取,扩大感受野反卷积操作插值和pointconv反密度函数也能用在采样上如有不对请多多指教
- pointcnn pointweb pointconv randla 阅读(一)
官方陈奕迅
深度学习人工智能
参考文献:s1.(各种测评指标意义)(8条消息)【深度理解】语义分割中常用的评价指标含义GA、OA、mAcc、IoU、mIoU_Gisleung的博客-CSDN博客_语义分割oahttps://blog.csdn.net/qq_27816785/article/details/125833556首先进行评测指标的学习,数据集有semantic3d,S3DIS数据集s3dis数据集室内数据集只能脚本
- pointcnn pointweb pointconv randla 阅读(二)
官方陈奕迅
算法人工智能
pointweb不同于DGCNN,本文章考虑所有的局部邻域内的两点之间的关系对于FPS采样和KNN得出的邻域内点集合F,其中的每个点都看作Fi本身特征加邻域内的特征其中fimp是MLP得出得Fj对Fi的影响(Fj为邻域内所有点)其中后面作者进行消融实验,发现fimp使用减法效果最好g函数是减法效果最好用于计算Fj对Fi的影响量,而frel表示Fj与Fi的关系总式变为下面是使用AFA模块的网络结构图
- PointCNN 论文翻译解析
weixin_30950607
人工智能
1.前言卷积神经网络在二维图像的应用已经较为成熟了,但CNN在三维空间上,尤其是点云这种无序集的应用现在研究得尤其少。山东大学近日公布的一项研究提出的PointCNN可以让CNN在点云数据的处理刷新了多项深度学习任务的纪录。由于项目需要,我对PointCNN论文的核心部分做了翻译及部分解析,希望能够帮助大家更好地学习理解PointCNN。2.概述如Fig1,传统的卷积作用在二维图像上。在图像中数据
- 论文阅读 | PointCNN: Convolution On X -Transformed Points
btee
论文阅读深度学习
前言:NeurIPS2018上的通过X-Transform对无序的点进行卷积的方法论文地址:【here】补充材料地址:【here】代码地址:【here】PointCNN:ConvolutionOnX-TransformedPoints引言点云和2D图像值不一样,第一,它是无序的,第二,它有空间位置信息作者用以下四幅图来阐释:图(i)即展示了2D卷积的邻域点来聚合特征的过程,比如2*2的卷积,则可以
- 【计算机视觉】简述对DLA-Net的理解
YXLiu_XMYang_PCSS
计算机视觉深度学习
针对大场景点云来说,如果采用点卷积那样的算法(PointConv,PointCNN,KPConv等)或者PointNet++等,他们都是利用FPS(最远点采样)的方法,虽然这种采样方法可以使用比较少量的点并且极大地保留的点云的结构,但是他们采样的时间非常的慢,就像我之前有篇博客介绍一样,它没有RS采样的速度,所以对大场景点云来说,目前只有随机采样(RS)才够快。今天介绍的这篇文章是DLA-Net,
- pointcnn pointweb pointconv randla阅读(四)
官方陈奕迅
深度学习人工智能
ranla1.基于随机采样提高运行速度2.设计LFA模块提取局部特征重点设计内容在于LFA模块的特征提取LFA模块主要包括局部特征编码自注意力机制扩张残块局部特征编码与原来特征拼接得到F尖k自注意力模块自注意力模块学习权重局部的每个特征s将权重与特征相乘得到加权后的F一共五层LFA解码采用最邻近插值和拼接整体框架如上图LFA模块针对解决的问题是什么没看懂如有不对,请多多指教
- 论文学习笔记(二) D-CNN: Depth-aware CNN for RGB-D Segmentation
Wilber529
#PointCloud深度学习计算机视觉语义分割深度相机
『写在前面』继续学习基于深度学习的点云分割算法~~~在PointCNN之后,依次阅读了PointNet、PointNet++和FrustumPointnets三部曲,然后才看的D-CNN。鉴于“三部曲”的篇幅较长且相关blog已经有很多朋友写过,今天我就先把D-CNN给码了,后面有时间再整理。本篇blog为方便自己回忆要点用,建议参照原版paper使用。欢迎各位指正纰漏。作者repo:https:
- 【计算机视觉】简述对PointCNN的理解
YXLiu_XMYang_PCSS
深度学习计算机视觉
对于图像分割和点云分割而言,不同的区别是图像是固定的,而点云是无序的,不规则的。PointNet和PointNet++利用maxpooling(对称函数)的方法实现了排序不变性,但这样做的后果就是丢失了一些局部的信息,但是如果像图像一样直接对点云进行卷积时,会导致(相同形状的点云可能具有不同的排序方式)得到的输出不一致。会出现如下图的情况。从上图可以看到,如果让一种参数对一组点云的特征进行一个乘积
- 【3D点云】PointCNN:论文翻译及Pytorch代码实现
kandy990125
3D点云#分类算法分类算法
目录1CNN(卷积神经网络)1.1卷积层1.2完全连接层1.3卷积的应用2PointNet2.1网络结构2.2局限性3PointCNN:ConvolutionOnX-TransformedPoints3.1Abstract3.2Introduction3.3RelatedWork3.4PointCNN3.4.1分层卷积3.4.2X卷积算子3.4.3PointCNN架构3.5分类实验3.5.1数据集
- PointCNN: Convolution On X-Transformed Points
qq_37534947
论文学习深度学习
PointNet:DeepLearningonPointSetsfor3DClassificationandSegmentation一:摘要二:介绍三:相关工作四:PointCNN五:实验六:结论七:补充一:摘要二:介绍三:相关工作分别比较:优劣:优劣:优劣:四:PointCNN五:实验六:结论七:补充分类训练结构:
- PointCNN代码组织结构分析——以分割为例
Leroy Sane
pointclouddeeplearning
初次用PointCNN的同学,容易看不太懂它的代码结构。我们从README.md开始看起。以分割任务中的Semantic3D数据为例: cddata_conversions#bashdownload_semantic3d.shbashun7z_semantic3d.shmkdir../../data/semantic3d/val#建了一个验证集,把四个数据放了进去。mv../../data/sem
- PointCNN运行
Null_ooo
1、PointCNN代码地址:https://github.com/yangyanli/PointCNN作者团队管理的特别好,提出问题会很快回答解决2、配置环境:Ubuntu16.04+Cuda9+Cudnn7+anaconda(python3.5)+tensorflow1.6(GPUcp35)参考:https://zhuanlan.zhihu.com/p/34321583注意:cuda版本9.0
- 关于pointnet++系列编译文件(tf_ops)的问题
谢琛(xiec177)
TensorflowTensorFlowpointnettf_ops编译
点云分割与处理以pointnet系列为首,得到了比较好的成果,但是从pointnet++开始,作者开始在Ubuntu环境下进行网络训练,需要编写动态文件.so(包括后续的PointCNN、pointSift、ASIS、GSPN),使之很难迁移到Windows下进行。当然,点云剩余的其余算法(SGPN、DGCNN、PointGrid)可以在双系统环境下运行,不存在编译问题。由此以来编译时大问题,我在
- pointCNN
Oscar_hailiang
https://github.com/yangyanli/PointCNN编译过程中的坑:tf_sampling.cpp:6:42:fatalerror:tensorflow/core/framework/op.h:没有那个文件或目录/bin/bashPYTHON=python3CUDA_PATH=/usr/local/cuda-9.0TF_LIB=PYTHON-c'importtensorflo
- 点云深度学习系列1——PointCNN代码阅读心得
Leroy Sane
pointclouddeeplearning
先是一点题外话,作者的Github维护的很好,经常更新,而且对读者的答疑也很及时,大赞。下面进入正题。看过代码的同学都知道,作者的核心思想X变换在代码pointcnn.py中,里面主要包含两部分,特征提取和X矩阵训练。下面分开来说。用于提取邻域特征的只有两个dense层(也叫fc层/MLP),很简单地将尺度为(P,K,C)的邻域结构升维到了(P,K,C’)。#Preparefeaturestobe
- 点云深度学习系列2——PointNet/PointCNN代码比较(变换矩阵部分)
Leroy Sane
pointcloudPointNetPointCNNdeepleaningpointcloud
PointNet与PointCNN从文章到代码都有很多相似之处,两者对比看待,或许更有助于我们理解。众所周知,PointNet中使用了maxpooling和T-net,作者文章中起到关键作用的是maxpooling,而T-net对性能的提升作用也还是有的(两个T-net加上regularization贡献了2.1个百分点),但奇怪的是在PointNet++的代码中,已经看不到T-net了(这一点论
- linux远程服务器tensorboard使用
a_zhua66
本人PC为win10环境,实验室服务器为linux环境,跑了个pointcnn模型,想看一下训练的过程,需要用到tensorboard。tensorboard--logdir=YourPATH--port=6006使用时,需要将yourPATH替换为events所在路径,只要该路径包含events就行,tensorboard会把该路径下所有events都显示出来。但在服务器上执行该指令时,会给你一
- Semantic3D——户外场景点云分割数据集
Leroy Sane
pointclouddeeplearning
网站链接:http://www.semantic3d.net/view_dbase.php?chl=1虽然PointCNN的论文中是没有这块实验的,但是在github上,作者做了实验,代码也都发出来了。Semantic3D是户外场景点云数据库,为什么要介绍这个数据库呢?因为我们使用‘户外场景’的数据做实验,这种论文能投的期刊范围会更广一些。比如遥感类的期刊,就很喜欢这种场景,它不喜欢ModelNe
- 深蓝学院点云公开课《基于三维点云场景的语义及实例分割》(RandLA-Net、3D-BoNet)笔记
dtuyg
该笔记来源于深蓝学院公开课基于三维点云场景的语义及实例分割.介绍之前的点云工作介绍大场景三维点云的语义分割方法RandLA-Net。1)目标大多数方法如pointnet,pointnet++,pointcnn等只是处理小范围(如4k个点的1m×1mblocks),少量方法可处理大场景,但它们依赖于耗时的预处理或昂贵的体素化的步骤,预处理的时候进行了切块,把本该连一起的点云切开了,切开的部分可能成了
- Pointnet网络结构与代码解读
Chris_34
计算机视觉学习
前言Pointnet开创性地将深度学习直接用于三维点云任务。由于点云数据的无序性,无法直接对原始点云使用卷积等操作。Pointnet提出对称函数来解决点的无序性问题,设计了能够进行分类和分割任务的网络结构,本文结合源码与个人的理解对于T-net网络和对称函数进行分析。点的无序性针对点的无序性问题实际上是文章提出了三个方案:对于无序点集进行排序(Pointcnn)。把点集当做序列进行处理,但是这种方
- Linux Ubuntu 16.04系统Tensorflow-GPU安装和配置(以使用PointCNN开源代码为例)
樱木大王
激光点云
之前文章介绍了在win10安装linux子系统,方便我们跑一些支持Linux环境的开源代码。但如果要用到Nvidia的GPU和CUDA,我们最好找个服务器,目的是方便自己快速训练模型;如果只是想跑跑模型,不训练的话,可以在双系统上配置tensorflow环境(虚拟机实在太慢)。为什么不在子系统配置呢?最主要的原因是,目前win10支持的linux子系统还比较简单,找不到Nvidia的GPU(给你们
- PointCNN: Convolution On X-Transformed Points 解读
美不胜收:-)
深度学习
1摘要点云具有不规则和无序性,直接在点云上使用卷积核提取特征,会导致形状信息的丢失和对点云输入顺序的敏感。本文提出了x-transform,解决两个问题:(1)给学习到的特征赋予权重(2)将特征按某种潜在的顺序排列。2引言如果数据是按特定顺序表达的,如i所示,比如图片,CNNs就可以很好的完成任务。但是如果是点云数据,如ii、iii、iv所示,由于点云的不规则和无序性,CNNs就不能很好的发挥作用
- 点云分割学习笔记之PointCNN代码运行
uri_yang
点云处理
分类部分:以modelnet40为例cddata_conversionspython3./download_datasets.py-dmodelnetcd../pointcnn_cls./train_val_modelnet.sh-g0-xmodelnet_x3_l4#在这过程中有些module没有,会报错,你必须安装:sudopipinstallmodule。。。#在下载数据的时候报了SSLEr
- 点云深度学习系列二: PointCNN
fool_wenCC
点云深度学习
1.主要思想从前一层的数据中取K个候选点(p1,p2,...pK),使用MLP(多层感知器)来学习一个K×K的变换矩阵(X-transformation,X变换)也就是说X=MLP(p1,p2,...pK),然后用它同时对输入特征进行加权和置换,最后对经过变换的特征应用典型卷积。我们称这个过程为X-Conv,它是PointCNN的基本构建模块。从前一层中选取代表点集的方法,暂时的实现是:-对分类问
- TensorFlow错误:fatal error: tensorflow/core/framework/op.h: 没有那个文件或目录(PointCNN遇到的错误)
金刚哥葫芦娃
人工智能
跑了PointCNN,基于TensorFlow,遇到了错误,编译的时候找不到头文件。我是Virtualenv方式安装的Tensorflow,但是编译文件tf_sampling_compile.sh里面的路径是这么写的:TF_PATH=/usr/local/lib/python$PYTHON_VERSION/dist-packages/tensorflow/include但是我的TensorFlow
- SO-Net论文阅读笔记(1)SOM
Link2Link
论文笔记
SO-Net论文阅读笔记(1)SOM这是CVPR2018新出来的论文,大体看了一下,里面用的想法和之前写的PointCNN有神似之处,挺赶兴趣的,于是就精读一下。markdown对图片的支持真的难受,凑合一下吧。这是整体的网络结构,我们来一点一点分析。1.SOM自组织竞争网络 最底层(最前面)的SOM被用于产生点云数据的低维表示(在这篇文章里是2维)。使用的学习方法是无监督竞争学习,而不是反向传
- PointCNN 论文阅读笔记
Link2Link
论文笔记
最近在做velodyne的识别问题,导师让用深度学习,正好看到说是山东大学的PointCNN刷新了多项点云识别和分割的记录,就好好读读这篇论文。这篇论文先举例子解释了为什么卷积无法直接应用在点云数据上。如图1,传统的卷积是作用在2维图像数据上。图像中每个像素的顺序是固定的,也就是说数据是结构化存储的。直接使用conv2d就能从这种潜在的空间结构中获取信息。而点云数据是点集,如果直接使用卷积会出现图
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =