- 探索创新科技: Lite-Mono - 简约高效的小型化Mono框架
杭律沛Meris
探索创新科技:Lite-Mono-简约高效的小型化Mono框架Lite-Mono[CVPR2023]Lite-Mono:ALightweightCNNandTransformerArchitectureforSelf-SupervisedMonocularDepthEstimation项目地址:https://gitcode.com/gh_mirrors/li/Lite-Mono如果你在寻找一个轻
- 当NAS遭遇鲁棒性:寻找对抗攻击的坚固架构
甄如冰Lea
当NAS遭遇鲁棒性:寻找对抗攻击的坚固架构RobNets项目地址:https://gitcode.com/gh_mirrors/ro/RobNets在当今深度学习的浪潮中,模型的安全性和鲁棒性日益成为研究的热点。本文将为您揭开一款开源项目——《当NAS遇见鲁棒性:对抗攻击下可搜索的鲁棒架构》的神秘面纱。该项目源自CVPR2020的一篇论文,并提供了详细的实现代码和实验指南,致力于探索在网络架构设计
- 线性代数|机器学习-P33卷积神经网络ImageNet和卷积规则
取个名字真难呐
算法机器学习矩阵人工智能线性代数
文章目录1.ImageNet2.卷积计算2.1两个多项式卷积2.2函数卷积2.3循环卷积3.周期循环矩阵和非周期循环矩阵4.循环卷积特征值4.1卷积计算的分解4.2运算量4.3二维卷积公式5.KroneckerProduct1.ImageNetImageNet的论文paper链接如下:详细请直接阅读相关论文即可通过网盘分享的文件:imagenet_cvpr09.pdf链接:https://pan.
- CVPR 2021 | 即插即用! CA:新注意力机制,助力分类/检测/分割涨点!
Akita·wang
文献解析paperpython机器学习人工智能深度学习计算机视觉
摘要最近关于移动网络设计的研究已经证明了通道注意(例如,挤压和激发注意)对于提升模型性能的显著效果,但是它们通常忽略位置信息,而位置信息对于生成空间选择性注意图是重要的。本文提出了一种新的移动网络注意机制,将位置信息嵌入到信道注意中,我们称之为“协同注意”。与通过2D全局汇集将特征张量转换为单个特征向量的通道注意力不同,坐标注意力将通道注意力分解为两个1D特征编码过程,这两个过程分别沿两个空间方向
- **深度融合未来——DI-Fusion:开启在线三维重建新篇章**
余靖年Veronica
深度融合未来——DI-Fusion:开启在线三维重建新篇章在三维世界探索的前沿,一项名为DI-Fusion的技术正悄然掀起一波科技浪潮。由清华大学的JiahuiHuang、Shi-ShengHuang等人共同研发,这项创新成果已在CVPR2021上大放异彩,它的出现标志着在线隐式三维重构领域的重大突破。项目介绍重塑三维视觉新纪元DI-Fusion,又称为深度融合,是一项基于RGB-D流数据的新型在
- 《Learning to Count without Annotations》CVPR2024
夏日的盒盒
学习计算机视觉人工智能视觉统计目标计数
摘要论文提出了一种名为UnCounTR的模型,该模型能够在没有任何手动标注的情况下学习进行基于参考的对象计数。这是通过构建“Self-Collages”(自我拼贴画)实现的,即在背景图像上粘贴不同对象的图像作为训练样本,提供覆盖任意对象类型和数量的学习信号。UnCounTR基于现有的无监督表示和分割技术,首次成功展示了无需手动监督即可进行参考计数的能力。实验表明,该方法不仅超越了简单的基线和通用模
- 【论文简介】Circle Loss: A Unified Perspective of Pair Similarity Optimization
萝莉狼
machinelearningcirclelossdeepfeaturelearning
CircleLoss:AUnifiedPerspectiveofPairSimilarityOptimization旷世cvpr2020的一篇文章,站在更高的视角,统一了deepfeaturelearning的两大基础loss:基于class-levellabel的loss(如softmax+crossentropy)和基于pair-wiselabel的loss(如tripletloss),指出了
- Object Tracking
ZoneIan
计算机视觉人工智能
目录ECCV2022ECCV2020ICCV2023CVPR2023CVPR2022ECCV20221.(MOT、指标)MOTCOM:TheMulti-ObjectTrackingDatasetComplexityMetric2.(鱼数据集、声呐视频、MOT)TheCaltechFishCountingDataset:ABenchmarkforMultiple-ObjectTrackingandC
- 基于白盒表征的图像卡通化
Mezereon
取自CVPR2020的一篇文章LearningtoCartoonizeUsingWhite-boxCartoonRepresentations图像卡通化,即是将自然拍摄到的图片转化成卡通风格的图片,属于一种风格迁移。图像卡通化的例子如上图所示,左图为真实图片,右图为卡通化的结果。风格迁移很久之前就被人提出来了,比如2016年BAIR实验室提出来的Pix2Pix,以及之后针对非pair数据所提出来的
- 【Motion Forecasting】片段节选:QCNet:双阶段轨迹解码提升运动预测任务的性能
YGGP
MotionForecasting目标跟踪人工智能计算机视觉
Query-CentricTrajectoryPrediction今天要分享的片段来自于《Query-CentricTrajectoryPrediction》,它发布于2023年的CVPR,作者曾在2022年提出了HiVT,同样发表在CVPR。HiVT是运动预测任务中非常经典的一项工作,QCNet基于HiVT进行了较大的改动,提出了Query-Centric的场景编码方法,使得场景当中经过编码器得
- 手势估计- Hand Pose Estimation
我在呀
首先给大家分享一个巨牛巨牛的人工智能教程,是我无意中发现的。教程不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵段子,像看小说一样,哈哈~我正在学习中,觉得太牛了,所以分享给大家!点这里可以跳转到教程1.目前进展1.1相关资料1)HANDSCVPR20162)HANDS2015Dataset3)CVPR20164)Hand3DPoseEstimation(ComputerVisionforA
- 语义补全学习笔记
AI算法网奇
深度学习基础人工智能
自动驾驶VoxFormerVoxFromer仅通过2D图像,不依赖点云数据,能预测完整的3D几何形状和语义信息GitHub-NVlabs/VoxFormer:OfficialPyTorchimplementationofVoxFormer[CVPR2023Highlight]
- 【CVPR‘24】BP-Net:用于深度补全的双边传播网络,新 SOTA!
BIT可达鸭
深度补全:从入门到放弃网络KITTI计算机视觉cvpr深度估计
【CVPR'24】BP-Net:用于深度补全的双边传播网络,新SOTA!摘要介绍方法1.总体架构2.双边传播模块(BilateralPropagationModule)深度参数化参数生成先验编码3.多模态融合(Multi-modalFusion)4.深度细化(DepthRefinement)5.损失函数结果与分析结论论文地址:https://arxiv.org/abs/2403.11270开源代码
- CVPR2024部分研究方向文章梳理(持续更新中)
路漫漫独求索
计算机视觉人工智能深度学习分类AI作画stablediffusion
CVPR2024部分研究方向文章梳理(持续更新中)长尾分布(Long-Tailed)DeiT-LT:DistillationStrikesBackforVisionTransformerTrainingonLong-TailedDatasets.全文地址:DeiT-LT\(rangwani-harsh.github.io\)领域自适应(DomainAdaptation)LearningCNNonV
- 探索舞蹈的未来:Bailando —— 3D舞蹈生成的革命性框架
郁英忆
探索舞蹈的未来:Bailando——3D舞蹈生成的革命性框架Bailando是一个创新的开源项目,源自CVPR2022口头报告论文,它利用Actor-CriticGPT和编舞记忆来实现3D舞蹈序列的自动生成。该项目已更新至[Bailando++],并被TPAMI2023接受,展现了其在3D舞蹈生成领域的前沿地位。1、项目介绍Bailando致力于解决一项挑战性的任务:根据音乐创作出符合舞蹈规则且与
- High-Resolution Image Synthesis with Latent Diffusion Models
仁义礼智信达
深度学习扩散模型CVPR超分辨率重建
一、简介标题:High-ResolutionImageSynthesiswithLatentDiffusionModels(https://arxiv.org/pdf/2112.10752.pdf;GitHub-CompVis/latent-diffusion:High-ResolutionImageSynthesiswithLatentDiffusionModels)期刊:CVPR时间:2022
- CVPR 2023: Multiscale Tensor Decomposition and Rendering Equation Encoding for View Synthesis
结构化文摘
人工智能
我们使用以下6个分类标准对本文的研究选题进行分析:1.表示类型连续场景表示(NeRF类):将场景隐式定义为一个连续场,允许在任意点查询。离散场景表示:使用显式3D结构,例如体素或点云。混合表示:结合连续和离散表示的优势。2.表示编码单尺度编码:直接将特征编码到网格或MLP上。多尺度编码:分层结构允许在不同细节级别进行表示,有助于提高效率和高频细节恢复。张量分解:将特征组织成结构化张量,而不是简单的
- CVPR 2023: Revisiting Residual Networks for Adversarial Robustness
结构化文摘
人工智能3d
我们使用以下6个分类标准对本文的研究选题进行分析:基于MECE原则,以及您提供的论文摘要,以下是对抗鲁棒性研究的六个分类标准:1.提高鲁棒性的重点:对抗训练方法:针对现有架构开发新的对抗训练算法/策略。架构设计:修改网络结构、组件或缩放方式,以获得固有的鲁棒性。2.架构修改级别:块级:更改网络内单个构建块的设计(例如,残差块)。网络缩放:更改网络的深度、宽度和其他宏观缩放参数。3.设计方法:经验实
- 【论文精读CVPR_2023】DiffSwap: High-Fidelity and Controllable Face Swapping via 3D-Aware Masked Diffusion
旋转的油纸伞
人脸相关人工智能从入门到实战3dFaceSwappingAI换脸扩散模型
【论文精读CVPR_2023】DiffSwap:High-FidelityandControllableFaceSwappingvia3D-AwareMaskedDiffusion一、前言Abstract1.Introduction2.RelatedWorkFaceSwapping.DiffusionModels.3.Method3.1.Preliminaries:DiffusionModels3
- 【图像配准】CVPRW21 - 深度特征匹配 DFM
我是大黄同学呀
读点论文-其他深度学习计算机视觉人工智能
文章目录相识相知回顾收录于CVPR2021ImageMatchingWorkshop,github地址:https://github.com/ufukefe/DFM相识图像配准(ImageRegistration)是计算机视觉领域中的一项重要任务,其旨在将不同角度/时间/模态等条件下获取的两张或多张图像进行匹配、叠加。图像匹配的核心在于找到每两幅图像间的对应关系(可以通过这个对应关系进行相互映射)
- 论文阅读:GamutMLP A Lightweight MLP for Color Loss Recovery
Matrix_11
计算摄影与图像处理论文阅读
这篇文章是关于色彩恢复的一项工作,发表在CVPR2023,其中之一的作者是MichaelS.Brown,这个老师是加拿大York大学的,也是ISP领域的大牛,现在好像也在三星研究院担任兼职,这个老师做了很多这种类似的工作,通过一些轻量模型,将一些数据转换过程中的变换关系进行拟合,然后再进行恢复,比如RAW域到sRGB域的转换,这篇文章是wideRGB到sRGB的转换一般相机的ISP或者一些图像编辑
- Pyramid Stereo Matching Network
Songger
https://s3.eu-central-1.amazonaws.com/avg-kitti/data_scene_flow.zipThisrepositorycontainsthecode(inPyTorch)for"PyramidStereoMatchingNetwork"paper(CVPR2018)byJia-RenChangandYong-ShengChen.Citation@inpr
- Detecting Everything in the Open World: Towards Universal Object Detection
nightluo
#CVPR2023文献阅读笔记目标检测计算机视觉深度学习
DetectingEverythingintheOpenWorld:TowardsUniversalObjectDetection,CVPR,2023在OpenWorld中检测一切:面向通用目标检测要点通用目标检测:检测每个场景并预测每个类别,一旦经过训练,通用目标检测器能够直接在未知情况下工作,而无需进一步训练检测器的通用性:(1)训练时,通过图像和空间文本的对齐利用多源图像和异构标签空间,以此
- [论文总结] 深度学习在农业领域应用论文笔记12
落痕的寒假
论文总结深度学习论文阅读人工智能
文章目录1.3D-ZeF:A3DZebrafishTrackingBenchmarkDataset(CVPR,2020)摘要背景相关研究所提出的数据集方法和结果个人总结2.Automatedflowerclassificationoveralargenumberofclasses(ComputerVision,Graphics&ImageProcessing,2008)摘要背景分割与分类数据集和实
- CVPR 2023: GANmouflage: 3D Object Nondetection with Texture Fields
结构化文摘
3d伪装信息熵用户态
我们使用以下6个分类标准对本文的研究选题进行分析:1.伪装类型:自然伪装:此类别关注受自然界伪装策略启发或直接复制的研究。这包括研究动物的体色、图案和纹理,为人工伪装的设计提供信息,通常以生物学真实性和有效性为目标(例如,参考文献[12,19,30,48])。人工伪装:此类别涵盖对人造和工程伪装技术的研究所。这通常涉及利用机器学习和优化算法等计算方法,以及探索新材料和制造技术以实现隐形或欺骗(例如
- CVPR 2023: Style Projected Clustering for Domain Generalized Semantic Segmentation
结构化文摘
人工智能
我们使用以下6个分类标准对本文的研究选题进行分析:1.泛化方法:这一标准区分了不同方法对解决泛化到未见过数据的挑战的处理方式。基于正则化的方法:这些方法尝试将所有图像强制到一个类似的特征空间中,通常通过最小化域特定变化等技术来实现。虽然这促进了对具有相似特征的未见过域的泛化,但它可能会限制有效表示不同风格和特征的能力。示例包括使用域对抗训练或不变特征学习的方法。基于差异的方法:这些方法不是强制同质
- (2023|CVPR,Spider GAN 及其级联,SID)Spider GAN:利用友好邻居加速 GAN 训练
EDPJ
论文笔记生成对抗网络机器学习人工智能
SpiderGAN:LeveragingFriendlyNeighborstoAccelerateGANTraining公和众和号:EDPJ(进Q交流群:922230617或加VX:CV_EDPJ进V交流群)目录0.摘要2.SpiderGAN2.1.我们的贡献2.2.相关工作3.友好邻里在哪里?3.1.SID4.实验5.级联SpiderGAN0.摘要稳定地训练生成对抗网络(GAN)是一项具有挑战性
- 实例分割论文阅读之:FCN:《Fully Convolutional Networks for Semantica Segmentation》
交换喜悲
mdetection系列论文阅读目标检测人工智能实例分割计算机视觉卷积神经网络
论文地址:https://openaccess.thecvf.com/content_cvpr_2015/papers/Long_Fully_Convolutional_Networks_2015_CVPR_paper.pdf代码链接:https://github.com/pytorch/vision摘要卷积网络是强大的视觉模型,可以产生特征层次结构。我们证明,经过端到端、像素到像素训练的卷积网络
- 【深度学习:SegGPT】在上下文中分割所有内容 [解释]
jcfszxc
深度学习知识专栏深度学习人工智能
【深度学习:SegGPT】在上下文中分割所有内容[解释]SegGPT与以前的模型相比如何?SegGPT在实践中是如何工作的?SegGPT培训计划上下文着色上下文集成上下文调整SegGPT训练参数如何尝试SegGPT?使用哪些数据集来训练SegGPT?SegGPT可以用于AI辅助标记吗?结论每年,CVPR都会汇集来自计算机视觉和机器学习领域的一些最聪明的工程师、研究人员和学者。上个月感觉越来越接近计
- 「论文搬运」王亦洲课题组 CVPR 2021 入选论文解读:时间序列疾病预测的因果隐马尔可夫模型
Sternstunden
论文计算机视觉人工智能深度学习cvpr
本文是对发表于计算机视觉和模式识别领域的顶级会议CVPR2021的论文“CausalHiddenMarkovModelforTimeSeriesDiseaseForecasting(时间序列疾病预测的因果隐马尔可夫模型)”的解读。该论文由北京大学王亦洲课题组与深睿医疗等单位合作,针对时间序列疾病预测的问题,提出了因果隐马尔可夫模型描述疾病的动态发展过程,并使用基于VAE的变分框架进行学习。通过对图
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s