435fa00b72e7
435fa00b72e7

R-CNN

本文相关

  • Paper Summary:https://github.com/FDU-VTS/CVPaper
  • Code:https://github.com/FDU-VTS/CVCode

原文链接

  • https://arxiv.org/abs/1311.2524

定义

  • region proposal(region of interest): 候选区域
  • ground truth: 样本区域
  • IoU: 计算重叠面积 = (A∩B) / (A∪B)

算法流程

CNN训练

  • 数据集准备
    • 选取训练集中的ground truth,并使用selective search计算出region proposals
    • 计算ground truth和roi之间的IoU,选取其中值大于0.5的rois,然后选取25%计入正样本中
    • 第二步中IoU小于0.5中选取正样本3倍的数量记为background
  • 训练网络
    • alex_net/VGG-16
  • 损失函数
    • cross entropy

SVM训练

  • 数据集准备
    • 按照CNN训练中的,不过这次挑选IoU大于0.5的proposals, 和ground truth一起组成正样本集合
    • IoU小于0.3的归为负样本集合
  • 训练m个类别的SVM

bounding box regression

  • 坐标和尺度变换:
  • 损失函数
  • 正确值

你可能感兴趣的:(R-CNN)

  • Python编程：使用 YOLO 目标检测 倔强老吕 python开发语言
    YOLO（YouOnlyLookOnce）是一种基于深度学习的实时目标检测算法，由JosephRedmon等人于2016年首次提出。与传统的两阶段目标检测方法（如R-CNN系列）不同，YOLO将目标检测任务视为一个单一的回归问题，直接在图像上进行一次推理即可预测边界框和类别概率。YOLO的核心思想单次前向传播（SingleShotDetection）：YOLO只需对输入图像进行一次神经网络推理，就
  • 基于YOLOv8和Faster R-CNN的输电线路异物目标检测项目 检测 输电线异物数据集 输电线缺陷数据集 绝缘子 如何使用YOLOv8和Faster R-CNN训练输电线路异物目标检测数据集 QQ67658008 YOLOr语言cnn输电线路绝缘子线路异物目标检测
    电力篇-输电线路缺陷数据集输电线路异物目标检测数据集16000张5种检测目标：‘burst’-爆裂‘defect’-缺陷‘foreign_obj’-异物‘insulator’-绝缘体‘nest’-窝（巢）带标注-YOLO格式可直接用于YOLO系列目标检测算法模型训练如何使用YOLOv8和FasterR-CNN训练输电线路异物目标检测数据集的详细步骤和代码。假设数据集包含16000张图片和5种检测目
  • Mask R-CNN 论文译读笔记 songyuc cnn笔记人工智能
    MaskR-CNN摘要  本文提出了一种概念简单、灵活且通用的目标实例分割框架。本文的方法能够高效检测图像中的目标，同时为每个实例生成高质量的分割掩码。该方法被称为MaskR-CNN，它对现有的FasterR-CNN进行扩展并行增加一个对象掩膜预测分支同时包含原有的边界框识别分支。MaskR-CNN训练简单，相比FasterR-CNN仅增加少量开销，推断速度可达5fps。此外，MaskRCNN易于
  • YOLO 从零开始 宅男很神经 python开发语言
    第一章：双阶与单阶的对决——目标检测的“前YOLO时代”在YOLO横空出世之前，目标检测领域被以R-CNN(RegionswithCNNfeatures)家族为代表的“双阶”（Two-Stage）检测器所统治。理解双阶检测器的工作流程，是理解YOLO革命性意义的关键。1.1R-CNN家族：精雕细琢的“学院派”想象一位侦探在犯罪现场寻找线索。他不会一眼就看遍整个房间然后指出所有证物。相反，他会先仔细
  • YOLOv1 技术详解：目标检测的实时革命 要努力啊啊啊 计算机视觉YOLO目标检测人工智能深度学习计算机视觉
    YOLOv1技术详解：目标检测的实时革命一、前言在目标检测领域，传统方法如R-CNN系列虽然精度高，但存在速度慢、流程复杂的问题。直到2016年，JosephRedmon等人提出YOLO（YouOnlyLookOnce）算法，将目标检测问题转化为一个统一的回归任务，实现了端到端的单阶段实时检测，成为目标检测领域的里程碑之作。本文将深入解析YOLOv1的核心思想、网络结构、预测机制和损失函数设计，帮
  • Dive-into-DL-PyTorch项目解析：目标检测中的R-CNN系列算法演进 陆或愉
    Dive-into-DL-PyTorch项目解析：目标检测中的R-CNN系列算法演进Dive-into-DL-PyTorch本项目将《动手学深度学习》(DiveintoDeepLearning)原书中的MXNet实现改为PyTorch实现。项目地址:https://gitcode.com/gh_mirrors/di/Dive-into-DL-PyTorch引言目标检测是计算机视觉领域的核心任务之一
  • 目标检测我来惹1 R-CNN 吧啦吧啦吡叭卜 机器学习目标检测
    目标检测算法：识别图像中有哪些物体和位置目标检测算法原理：记住算法的识别流程、解决问题用到的关键技术目标检测算法分类：两阶段：先区域推荐ROI，再目标分类regionproposal+CNN提取分类的目标检测框架RCNNFASTERRCNN端到端：一个网络，输入到输出：类别加位置yoloSSD目标检测的任务：分类原理：得到每个类别的概率，取最大概率CNN--卷积神经网络输入层+卷积、激活、池化+全
  • 【论文翻译】目标检测Fast R-CNN论文翻译 Ziko_AI 目标检测目标检测图像识别FastR-CNN人工智能
    FastR-CNN摘要本文提出了一种快速的，基于区域的卷积网络方法（FastR-CNN）用于目标检测.FastR-CNN建立在前人的工作上使用深层卷积网络。来有效分类候选目标。相比于之前的工作，FastR-CNN应用了几个创新点来提高了训练与测试速度，也增加了检测准确度。FastR-CNN在非常深的VGG16网络上比R-CNN快9倍，在测试阶段快213倍，并且在Pascal2012数据集上达到以更
  • YOLOv5与YOLOv4的区别与优缺点分析 AI天才研究院 AI大模型企业级应用开发实战AIAgent应用开发计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    YOLOv5与YOLOv4的区别与优缺点分析作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming/TextGenWebUILLM1.背景介绍1.1问题的由来在深度学习和计算机视觉领域，物体检测是研究的核心之一。从早期基于全连接层的算法如R-CNN系列到如今流行的轻量级检测器如SSD、FasterR-CNN以及单阶段检测器如YOLO系列，算法一直在追求更高
  • 计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析 xcLeigh 计算机视觉CV计算机视觉目标检测算法人工智能AI
    计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析一、前言二、R-CNN算法解析2.1R-CNN算法原理2.1.1候选区域生成2.1.2特征提取2.1.3分类与回归2.2R-CNN代码示例2.2.1候选区域生成代码示例2.2.2特征提取代码示例2.2.3分类与回归代码示例2.3R-CNN算法的优缺点2.3.1优点2.3.2缺点三、YOLO算法解析3.1YOLO算法原理3.1.1整体架
  • YOLOv1 目标检测算法深度解析 mozun2020 DL1:深度学习YOLO目标跟踪人工智能计算机视觉目标检测目标识别
    YOLOv1目标检测算法深度解析一、算法原理与核心创新1.1端到端检测范式突破YOLOv1彻底颠覆了传统目标检测的"候选框生成+分类"两阶段模式，其核心思想是将目标检测转化为单一回归问题。输入图像经神经网络直接输出边界框坐标（x,y,w,h）和类别概率，实现真正意义上的端到端优化。这种设计使得检测速度相比R-CNN系列提升1000倍，达到45FPS（基础版）和155FPS（快速版）。1.2空间网格
  • AI是如何修复老照片的？ 人工之梦 AI随想人工智能
    AI修复老照片的核心技术主要涉及深度学习和计算机视觉，具体来说，它利用神经网络来自动填补缺损、增强分辨率、恢复颜色、去除噪点等。以下是AI修复老照片的主要步骤：1.图像预处理老照片可能存在划痕、噪点、撕裂、折痕、颜色褪色等问题。在修复前，AI先对图片进行预处理：去噪：利用卷积神经网络（CNN）识别并去除噪点，提高图片质量。去划痕：使用掩膜R-CNN识别照片中的划痕，并用图像修复（Inpaintin
  • 基于深度学习的水下目标检测系统：UI界面 + R-CNN + 数据集 深度学习YOLO目标检测实战项目 深度学习目标检测cnn人工智能uir语言
    水下目标检测是一项挑战性极大的任务，主要因为水下环境的特殊性：光线较暗、水的浑浊度、低对比度以及水流的复杂性。这些因素使得传统的计算机视觉方法在水下目标检测中表现不佳。然而，随着深度学习技术的飞速发展，尤其是目标检测领域的不断进步，基于深度学习的水下目标检测技术逐渐成为可能并取得了令人瞩目的成果。本篇博客将全面介绍如何基于深度学习和R-CNN（Region-basedConvolutionalNe
  • Faster R-CNN 算法详解 reset2021 目标检测FasterR-CNN目标检测
    FasterR-CNN是在R-CNN和FastR-CNN的基础上进一步优化的一种目标检测算法。它通过引入RegionProposalNetwork(RPN)将区域建议和目标检测整合到一个统一的框架中，大幅提高了检测效率。以下是对FasterR-CNN算法的详细解析：1.概述FasterR-CNN主要由三部分组成：深度特征网络（BackboneNetwork）：用于提取图像的高层次特征，比如VGG或
  • 《目标检测双雄：YOLO与Faster R-CNN，谁主沉浮？》 人工智能
    在计算机视觉的广阔天地里，目标检测技术宛如一颗璀璨的明星，照亮了无数应用场景。从安防监控中对行人与车辆的精准识别，到自动驾驶领域对道路障碍物的快速判断，再到工业生产里对产品缺陷的严格检测，目标检测无处不在，发挥着至关重要的作用。而在目标检测算法的江湖中，YOLO和FasterR-CNN无疑是备受瞩目的两大高手，它们各自拥有独特的“武功秘籍”，在不同的场景中展现出非凡的实力。今天，就让我们深入探寻这
  • 使用 YOLOv8 进行实时物体检测和图像分割(一)更快的 R-CNN 空间机器人 YOLOv：从理论到实践LLM语言模型学习笔记YOLOcnn人工智能
    使用YOLOv8进行实时物体检测和图像分割物体检测技术已经成为计算机视觉领域的核心技术之一，广泛应用于自动驾驶、视频监控、智能家居等多个领域。物体检测的任务不仅是识别图像中的物体，还要精确地定位这些物体的具体位置，这就要求算法在精度和速度之间找到一个平衡点。在这篇文章中，我们将深入探讨三种物体检测的核心算法：FasterR-CNN、SSD（单次多框检测器）和YOLO（YouOnlyLookOnce
  • 《Python机器学习基础教程》第十二章计算机视觉基础12.8 深度解析：目标检测算法（R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD）及其应用场景 精通代码大仙 机器学习python机器学习开发语言
    12.8深度解析：目标检测算法（R-CNN、FastR-CNN、FasterR-CNN、YOLO和SSD）及其应用场景12.8目标检测12.8.1目标检测的基本概念12.8.2R-CNN12.8.3FastR-CNN12.8.4FasterR-CNN12.8.5YOLO12.8.6SSD12.8.7实操代码示例12.8.7.1使用R-CNN进行目标检测12.8.7.2使用FastR-CNN进行目标
  • 常见经典目标检测算法 109702008 人工智能#深度学习目标检测人工智能
    ChatGPT目标检测（ObjectDetection）是计算机视觉领域的一个重要分支，其目的是识别数字图像中的不同对象，并给出它们的位置和类别。近年来，许多经典的目标检测算法被提出并广泛应用。以下是一些常见的经典目标检测算法：1.R-CNN（RegionswithCNNfeatures）:R-CNN通过使用区域提议方法（如选择性搜索）首先生成潜在的边界框，然后使用卷积神经网络(CNN)提取特征，
  • Faster R-CNN原理详解以及Pytorch实现模型训练与推理 阿_旭 深度学习实战cnnpytorch人工智能FasterRCNN
    《------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.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统
  • 目标检测进化史：从R-CNN到YOLOv11，技术的狂飙之路 紫雾凌寒 AI炼金厂#机器学习算法#深度学习深度学习计算机视觉python目标检测YOLOcnn人工智能
    一、引言在计算机视觉领域中，目标检测是一项至关重要的任务，它旨在识别图像或视频中感兴趣的目标物体，并确定它们的位置。目标检测技术的应用广泛，涵盖了自动驾驶、安防监控、智能机器人、图像编辑等多个领域。随着深度学习技术的飞速发展，目标检测算法也取得了巨大的突破，从最初的R-CNN到如今的YOLOv11，每一次的技术演进都为该领域带来了新的活力和可能性。回顾目标检测的发展历程，R-CNN作为第一个将深度
  • End-to-End Object Detection with Transformers M1kk0 目标检测计算机视觉神经网络
    End-to-EndObjectDetectionwithTransformers会议：2020ECCV论文：https://arxiv.org/abs/2005.12872代码：https://github.com/facebookresearch/detr创新点：\作者摒弃了基于anchor、NMS等这种需要手工设计的模块，和R-CNN系列、YOLO系列，以及其他anchor-free的方法都
  • 基于深度学习的钢材表面缺陷检测系统：UI界面 + R-CNN + 数据集 深度学习&目标检测实战项目 R-CNN检测系统深度学习uir语言开发语言计算机视觉cnn人工智能
    在制造业中，钢材表面缺陷的检测是保证产品质量和生产效率的关键环节。随着工业自动化水平的提高，传统的人工检测已经无法满足快速、精确的检测要求。基于深度学习的钢材表面缺陷检测系统能够通过计算机视觉自动识别钢材表面的缺陷类型和位置，极大地提升了检测的准确性和效率。本文将详细介绍如何基于深度学习、R-CNN算法和自定义数据集构建一个钢材表面缺陷检测系统。内容涵盖从数据准备、R-CNN模型训练到UI界面设计
  • 焦损函数（Focal Loss）与RetinaNet目标检测模型详解 人工智能
    焦损函数（FocalLoss）与RetinaNet目标检测模型详解阅读时长：19分钟发布时间：2025-02-14近日热文：全网最全的神经网络数学原理（代码和公式）直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】目前，精度最高的目标检测器大多基于由R-CNN推广的两阶段方法，即对稀疏的候选目标位置集应用分类器。相比之下，在规则、密集的可
  • R-CNN架构 人工智能
    R-CNN架构架构RCCN由三个模块组成：第一个模块生成与类别无关的区域提议。这些提议定义了我们的检测器可用的候选检测集。第二个模块是一个大型卷积神经网络，它从每个区域中提取固定长度的特征向量。第三个模块是一组特定类别的线性支持向量机（SVM）。虽然R-CNN对特定的区域提议方法不挑剔，但选择性搜索（Selectivesearch）是最常用的方法，以便与之前的检测工作进行有对照的比较。实现在测试时
  • 基于深度学习的遥感目标检测系统：UI界面、R-CNN模型与数据集准备 2025年数学建模美赛 R-CNN检测系统人工智能深度学习r语言cnnpythonui目标检测
    一、引言遥感图像中的目标检测在很多领域，如环境监测、土地利用、城市规划、农业资源监测等方面有着广泛应用。遥感图像具有高分辨率和丰富的空间信息，但同时也带来了目标检测中的许多挑战，特别是在目标尺度变化、遮挡和复杂背景的情况下。因此，采用深度学习技术，尤其是卷积神经网络（CNN）和区域卷积神经网络（R-CNN），在遥感图像目标检测中取得了显著的成果。本文将详细介绍基于深度学习的遥感目标检测系统，使用R
  • 基于R-CNN深度学习的无人机目标检测系统：数据集、模型和UI界面的完整实现 2025年数学建模美赛 R-CNN检测系统深度学习cnn无人机计算机视觉目标检测人工智能
    摘要随着无人机技术的迅猛发展，无人机在军事、农业、环境监测等多个领域的应用日益广泛。无人机目标检测系统的建设成为提升无人机自主飞行和环境感知能力的重要环节。本文将详细介绍如何构建一个基于深度学习的无人机目标检测系统，采用R-CNN（区域卷积神经网络）算法，通过用户界面设计和数据集处理，实现高效的目标检测功能。通过本项目，旨在为无人机目标检测提供一种可行的解决方案，并提高其在复杂环境下的工作效率。目
  • 计算机视觉与深度学习：使用深度学习训练基于视觉的车辆检测器（MATLAB源码-Faster R-CNN） ZhShy23 javascript深度学习
    在人工智能领域，计算机视觉是一个重要且充满活力的研究方向。它使计算机能够理解和分析图像和视频数据，从而做出有意义的决策。其中，目标检测是计算机视觉中的一项关键技术，它旨在识别并定位图像中的多个目标对象。车辆检测作为目标检测的一个重要应用，在自动驾驶、智能交通系统等领域有着广泛的应用前景。本文将介绍如何使用MATLAB和深度学习技术，特别是FasterR-CNN模型，来训练一个车辆检测器。文章目录一
  • 论文阅读瞎记(四) Cascade R-CNN: Delving into High Quality Object Detection 2017 码大哥 深度学习人工智能
    概述在物体检测中1，IOU阈值被用于判定正负样本。在低IOU阈值比如0.5的状态下训练模型经常产生噪音预测，然而检测效果会随着IOU增加而降低。两个主要因素：1.训练时的过拟合，正样本指数消失2.检测器最优IOU与输入假设的不匹配。一个单阶段的物体检测器CascadeR-CNN被提出用于解决这些问题。网络由一个检测序列组成，这些序列训练时会伴随IOU增长从而对FP样本更加有选择性地判别。检测器一个
  • 目标检测：Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】 智维探境 AI与SLAM论文解析目标检测cnnCascadeR-CNN
    查看新版本论文：目标检测：CascadeR-CNN:HighQualityObjectDetectionandInstanceSegmentation-2019【方法解读】目录摘要：1.引言2.相关工作3.对象检测3.1.边界框回归3.2.分类3.3.检测质量4.级联R-CNN4.1.级联边界框回归4.2.级联检测摘要：在目标检测中，需要一个交并比（IoU）阈值来定义正样本和负样本。使用低IoU阈
  • R-CNN、Fast R-CNN、Faster R-CNN实现 今 晚 打 老 虎 面试之CV基础知识深度学习点滴
    R-CNN：传统的目标检测算法：使用穷举法（不同大小比例的滑窗）进行区域选择，时间复杂度高对提取的区域进行特征提取（HOG或者SIFT），对光照、背景等鲁棒性差使用分类器对提取的特征进行分类（SVM或Adaboost）R-CNN的过程：采用SelectiveSearch生成类别独立的候选区域使用AlexNet来提取特征，输入是227*227*3，输出是4096将4096维的特征向量送入SVM来分类
  • 书其实只有三类 西蜀石兰 类
    一个人一辈子其实只读三种书，知识类、技能类、修心类。 知识类的书可以让我们活得更明白。类似十万个为什么这种书籍，我一直不太乐意去读，因为单纯的知识是没法做事的，就像知道地球转速是多少一样（我肯定不知道），这种所谓的知识，除非用到，普通人掌握了完全是一种负担，维基百科能找到的东西，为什么去记忆？ 知识类的书，每个方面都涉及些，让自己显得不那么没文化，仅此而已。社会认为的学识渊博，肯定不是站在
  • 《TCP/IP 详解，卷1：协议》学习笔记、吐槽及其他 bylijinnan tcp
    《TCP/IP 详解，卷1：协议》是经典，但不适合初学者。它更像是一本字典，适合学过网络的人温习和查阅一些记不清的概念。 这本书，我看的版本是机械工业出版社、范建华等译的。这本书在我看来，翻译得一般，甚至有明显的错误。如果英文熟练，看原版更好： http://pcvr.nl/tcpip/ 下面是我的一些笔记，包括我看书时有疑问的地方，也有对该书的吐槽，有不对的地方请指正： 1.
  • Linux—— 静态IP跟动态IP设置 eksliang linuxIP
    一.在终端输入 vi /etc/sysconfig/network-scripts/ifcfg-eth0 静态ip模板如下： DEVICE="eth0" #网卡名称 BOOTPROTO="static" #静态IP（必须） HWADDR="00:0C:29:B5:65:CA" #网卡mac地址 IPV6INIT=&q
  • Informatica update strategy transformation 18289753290
    更新策略组件： 标记你的数据进入target里面做什么操作，一般会和lookup配合使用，有时候用0,1,1代表 forward  rejected rows被选中，rejected row是输出在错误文件里，不想看到reject输出，将错误输出到文件，因为有时候数据库原因导致某些column不能update，reject就会output到错误文件里面供查看，在workflow的
  • 使用Scrapy时出现虽然队列里有很多Request但是却不下载，造成假死状态 酷的飞上天空 request
    现象就是： 程序运行一段时间，可能是几十分钟或者几个小时，然后后台日志里面就不出现下载页面的信息，一直显示上一分钟抓取了0个网页的信息。 刚开始已经猜到是某些下载线程没有正常执行回调方法引起程序一直以为线程还未下载完成，但是水平有限研究源码未果。 经过不停的google终于发现一个有价值的信息，是给twisted提出的一个bugfix 连接地址如下http://twistedmatrix.
  • 利用预测分析技术来进行辅助医疗 蓝儿唯美 医疗
    2014年，克利夫兰诊所（Cleveland Clinic）想要更有效地控制其手术中心做膝关节置换手术的费用。整个系统每年大约进行2600例此类手术，所以，即使降低很少一部分成本，都可以为诊 所和病人节约大量的资金。为了找到适合的解决方案，供应商将视野投向了预测分析技术和工具，但其分析团队还必须花时间向医生解释基于数据的治疗方案意味着 什么。  克利夫兰诊所负责企业信息管理和分析的医疗
  • java 线程(一)：基础篇 DavidIsOK java多线程线程
                                                            &nbs
  • Tomcat服务器框架之Servlet开发分析 aijuans servlet
    最近使用Tomcat做web服务器，使用Servlet技术做开发时，对Tomcat的框架的简易分析： 疑问： 为什么我们在继承HttpServlet类之后，覆盖doGet(HttpServletRequest req, HttpServetResponse rep)方法后，该方法会自动被Tomcat服务器调用，doGet方法的参数有谁传递过来？怎样传递？ 分析之我见： doGet方法的
  • 揭秘玖富的粉丝营销之谜 与小米粉丝社区类似 aoyouzi 揭秘玖富的粉丝营销之谜
    玖富旗下悟空理财凭借着一个微信公众号上线当天成交量即破百万，第七天成交量单日破了1000万;第23天时，累计成交量超1个亿……至今成立不到10个月，粉丝已经超过500万，月交易额突破10亿，而玖富平台目前的总用户数也已经超过了1800万，位居P2P平台第一位。很多互联网金融创业者慕名前来学习效仿，但是却鲜有成功者，玖富的粉丝营销对外至今仍然是个谜。   　　近日，一直坚持微信粉丝营销
  • Java web的会话跟踪技术 百合不是茶 url会话Cookie会话Seession会话Java Web隐藏域会话
    会话跟踪主要是用在用户页面点击不同的页面时,需要用到的技术点   会话:多次请求与响应的过程     1,url地址传递参数,实现页面跟踪技术          格式:传一个参数的 url?名=值     传两个参数的 url?名=值 &名=值   关键代码
  • web.xml之Servlet配置 bijian1013 javaweb.xmlServlet配置
    定义： <servlet> <servlet-name>myservlet</servlet-name> <servlet-class>com.myapp.controller.MyFirstServlet</servlet-class> <init-param> <param-name>
  • 利用svnsync实现SVN同步备份 sunjing SVN同步E000022svnsync镜像
    1. 在备份SVN服务器上建立版本库    svnadmin create test 2. 创建pre-revprop-change文件     cd test/hooks/     cp pre-revprop-change.tmpl pre-revprop-change 3. 修改pre-revprop-
  • 【分布式数据一致性三】MongoDB读写一致性 bit1129 mongodb
    本系列文章结合MongoDB，探讨分布式数据库的数据一致性，这个系列文章包括： 数据一致性概述与CAP 最终一致性(Eventually Consistency) 网络分裂(Network Partition)问题 多数据中心(Multi Data Center) 多个写者(Multi Writer)最终一致性 一致性图表(Consistency Chart) 数据
  • Anychart图表组件-Flash图转IMG普通图的方法 白糖_ Flash
    问题背景：项目使用的是Anychart图表组件，渲染出来的图是Flash的，往往一个页面有时候会有多个flash图，而需求是让我们做一个打印预览和打印功能，让多个Flash图在一个页面上打印出来。   那么我们打印预览的思路是获取页面的body元素，然后在打印预览界面通过$("body").append(html)的形式显示预览效果，结果让人大跌眼镜：Flash是
  • Window 80端口被占用 WHY? bozch 端口占用window
    平时在启动一些可能使用80端口软件的时候，会提示80端口已经被其他软件占用，那一般又会有那些软件占用这些端口呢？    下面坐下总结：         1、web服务器是最经常见的占用80端口的，例如：tomcat , apache  , IIS , Php等等；         2
  • 编程之美-数组的最大值和最小值-分治法（两种形式） bylijinnan 编程之美
    import java.util.Arrays; public class MinMaxInArray { /** * 编程之美 数组的最大值和最小值 分治法 * 两种形式 */ public static void main(String[] args) { int[] t={11,23,34,4,6,7,8,1,2,23}; int[]
  • Perl正则表达式 chenbowen00 正则表达式perl
    首先我们应该知道 Perl 程序中，正则表达式有三种存在形式，他们分别是： 匹配：m/<regexp>;/ （还可以简写为 /<regexp>;/ ，略去 m） 替换：s/<pattern>;/<replacement>;/ 转化：tr/<pattern>;/<replacemnt>;
  • [宇宙与天文]行星议会是否具有本行星大气层以外的权力呢? comsci
          举个例子: 地球,地球上由200多个国家选举出一个代表地球联合体的议会,那么现在地球联合体遇到一个问题,地球这颗星球上面的矿产资源快要采掘完了....那么地球议会全体投票,一致通过一项带有法律性质的议案,既批准地球上的国家用各种技术手段在地球以外开采矿产资源和其它资源........    &
  • Oracle Profile 使用详解 daizj oracleprofile资源限制
    Oracle Profile 使用详解 转 一、目的： Oracle系统中的profile可以用来对用户所能使用的数据库资源进行限制，使用Create Profile命令创建一个Profile，用它来实现对数据库资源的限制使用，如果把该profile分配给用户，则该用户所能使用的数据库资源都在该profile的限制之内。 二、条件： 创建profile必须要有CREATE PROFIL
  • How HipChat Stores And Indexes Billions Of Messages Using ElasticSearch & Redis dengkane elasticsearchLucene
    This article is from an interview with Zuhaib Siddique, a production engineer at HipChat, makers of group chat and IM for teams. HipChat started in an unusual space, one you might not
  • 循环小示例，菲波拉契序列，循环解一元二次方程以及switch示例程序 dcj3sjt126com c算法
    # include <stdio.h> int main(void) { int n; int i; int f1, f2, f3; f1 = 1; f2 = 1; printf("请输入您需要求的想的序列："); scanf("%d", &n); for (i=3; i<n; i
  • macbook的lamp环境 dcj3sjt126com lamp
      sudo vim /etc/apache2/httpd.conf   /Library/WebServer/Documents 是默认的网站根目录   重启Mac上的Apache服务   这个命令很早以前就查过了，但是每次使用的时候还是要在网上查： 停止服务：sudo /usr/sbin/apachectl stop 开启服务：s
  • java ArrayList源码 下 shuizhaosi888 ArrayList源码
    版本 jdk-7u71-windows-x64   JavaSE7 ArrayList源码上：http://flyouwith.iteye.com/blog/2166890     /** * 从这个列表中移除所有c中包含元素 */ public boolean removeAll(Collection<?> c) {
  • Spring Security（08）——intercept-url配置 234390216 Spring Securityintercept-url访问权限访问协议请求方法
    intercept-url配置 目录 1.1     指定拦截的url 1.2     指定访问权限 1.3     指定访问协议 1.4     指定请求方法   1.1   &n
  • Linux环境下的oracle安装 jayung oracle
    linux系统下的oracle安装 本文档是Linux(redhat6.x、centos6.x、redhat7.x) 64位操作系统安装Oracle 11g(Oracle Database 11g Enterprise Edition Release 11.2.0.4.0 - 64bit Production)，本文基于各种网络资料精心整理而成，共享给有需要的朋友。如有问题可联系：QQ：52-7
  • hotspot虚拟机 leichenlei javaHotSpotjvm虚拟机文档
    JVM参数  http://docs.oracle.com/javase/6/docs/technotes/guides/vm/index.html   JVM工具 http://docs.oracle.com/javase/6/docs/technotes/tools/index.html   JVM垃圾回收 http://www.oracle.com
  • 读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” noaighost Webnode.js
    读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” 眼里的Node.JS 初初接触node是一年前的事，那时候年少不更事。还在纠结什么语言可以编写出牛逼的程序，想必每个码农都会经历这个月经性的问题：微信用什么语言写的？facebook为什么推荐系统这么智能，用什么语言写的？dota2的外挂这么牛逼，用什么语言写的？……用什么语言写这句话，困扰人也是阻碍
  • 快速开发Android应用 rensanning android
    Android应用开发过程中，经常会遇到很多常见的类似问题，解决这些问题需要花时间，其实很多问题已经有了成熟的解决方案，比如很多第三方的开源lib，参考 Android Libraries 和 Android UI/UX Libraries。 编码越少，Bug越少，效率自然会高。 但可能由于 根本没听说过、听说过但没用过、特殊原因不能用、自己已经有了解决方案等等原因，这些成熟的解决
  • 理解Java中的弱引用 tomcat_oracle java工作面试
    　不久之前，我 面试了一些求职Java高级开发工程师的应聘者。我常常会面试他们说，“你能给我介绍一些Java中得弱引用吗？”，如果面试者这样说，“嗯，是不是垃圾回收有关的？”，我就会基本满意了，我并不期待回答是一篇诘究本末的论文描述。 　　然而事与愿违，我很吃惊的发现，在将近20多个有着平均5年开发经验和高学历背景的应聘者中，居然只有两个人知道弱引用的存在，但是在这两个人之中只有一个人真正了
  • 标签输出html标签" target="_blank">关于标签输出html标签 xshdch jsp
    http://back-888888.iteye.com/blog/1181202 关于<c:out value=""/>标签的使用，其中有一个属性是escapeXml默认是true(将html标签当做转移字符，直接显示不在浏览器上面进行解析)，当设置escapeXml属性值为false的时候就是不过滤xml，这样就能在浏览器上解析html标签， &nb
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他