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)

  • 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
  • 【计算机视觉】Openvino给yolov5目标检测提速实战 Sciengineer-Mike 目标检测计算机视觉openvino人工智能
    1.摘要目标检测是计算机视觉主要应用方向之一。目标检测通常包括两方面的工作，首先是找到目标，然后就是识别目标。常用的目标检测方法分为两大流派：一步走（one_stage）算法：直接对输入的图像应用算法并输出类别和相应的定位，典型的算法有yolo，ssd；两步走（two_stage)算法：先产生候选区域，然后在进行CNN分类，代表的算法有R-CNN。其中一步走目标检测算法检测速度快，实时性好，在模型
  • 目标检测YOLO实战应用案例100讲--一文详解目标检测相关知识（最全系列） 林聪木 目标检测人工智能计算机视觉
    关于目标检测相关实战案例，各位小伙伴可移步至目标检测YOLO系列实战应用案例精讲100例目录前言目标检测经典模型两阶段（2-stage）检测模型R-CNN:R-CNN系列的开山之作FastR-CNN:共享卷积运算FasterR-CNN:两阶段模型的深度化单阶段（1-stage）检测模型YOLO损失函数的设计SSD:SingleShotMultiboxDetector检测模型基本特点模型的评测与训练
  • R-CNN阅读笔记 tang-0203 R-CNN系列文章R-CNN阅读笔记目标检测VOC
    原文地址：http://blog.csdn.net/hjimce/article/details/50187029作者：hjimce一、相关理论过去十年在许多视觉识别任务中主要流行的是SIFT与HOG（这两种方法都是基于图像中梯度方向直方图的特征提取方法），但在过去十年中的进步非常缓慢。R-CNN是第一次将CNN用到目标检测领域上来的算法。（待确认）本篇博文主要讲解2014年CVPR上的经典pap
  • CV案例解析：YOLO——从v1到v5 CV案例精选
    ©作者|小欣目标检测一直是计算机视觉的热门领域，它也具有丰富的应用场景，从无人驾驶到缺陷检测等等。在YOLO诞生之前，目标检测领域热门的深度学习模型是R-CNN系列模型，这一类的模型被称之为二阶段模型（two-stage），其大致思路就是先找出可能含有物体的区域，进而再细致的找出这片区域内的物体是什么，在哪个位置。这一类模型的特点就是准确率较高，但是速度较慢，难以做到实时检测。而这时候，YOLOV
  • YOLO系列详解(YOLO1-YOLO5)【实时物体检测算法】 super_journey YOLO算法深度学习
    YOLO是什么？YOLO，全称"YouOnlyLookOnce"，是一种流行的实时物体检测算法。这种算法由JosephRedmon等人在2016年的论文"YouOnlyLookOnce:Unified,Real-TimeObjectDetection"中提出。与传统的物体检测方法（例如R-CNN系列）不同，YOLO将物体检测视为一个回归问题，直接从图像中预测物体的边界框和类别。这种方法的主要优点是
  • 目标检测的发展史及关键技术概述 kadog ByGPT目标检测人工智能计算机视觉深度学习cnn神经网络
    目标检测的发展史及关键技术概述目标检测是计算机视觉领域中的一个基础问题，它旨在识别出图像中所有感兴趣的目标，并给出它们的位置和类别。从早期的模板匹配到现代的深度学习方法，目标检测技术经历了多个发展阶段。本文将透过时间的迷雾，回顾目标检测技术的发展历程，并介绍其关键技术点与代表性成果。目录早期阶段：模板匹配与特征工程机器学习时代：特征学习的兴起深度学习革命：CNN的突破区域建议网络（R-CNN）系列
  • 用树莓派4b构建深度学习应用（九）Yolo篇 bluishfish
    前言上一篇我们在树莓派上安装了OpenVINO的环境，并跑了几个官方demo，作为关键点的模型转换工作，以各个版本的yolo实现为例，在这篇做一下实现。imageimage目标检测是人工智能应用比较成熟的领域，不仅要能够识别出图片的目标，还要定位其位置，在自动驾驶方面会是一个基础的场景。一般分为两大类别，一类是two-stage的，基于R-CNN，FastR-CNN,FasterR-CNN等等，先
  • 计算机视觉的基本概念和技术有哪些? shanshan2099 计算机视觉人工智能
    计算机视觉是一种让计算机能够“看”和理解图像和视频的技术。以下是一些基本的计算机视觉的概念和技术：图像处理：这是计算机视觉的基础，包括图像的基本操作，如滤波、边缘检测、色彩空间转换等。特征提取：这是从图像中提取有用信息的过程，例如SIFT、SURF、HOG等。目标检测和识别：这是识别图像中特定对象的过程，例如使用Haar级联、R-CNN、YOLO等技术。深度学习：这是一种强大的机器学习技术，被广泛
  • 基于深度学习的目标检测入门：Faster R-CNN，YOLO，SSD Real_man
    在学习深度学习的过程中，经常弹出不同的算法名称，同样是做目标检测的，每篇论文给出了不同的方式，这些算法之间到底有什么区别？目标检测算法有哪些？image.png图片分类给一张图片，预测这张图片中的对象是什么，就是图片分类。当我们创建了一个狗的分类器，拿一张狗的照片，然后预测照片的分类：image.png如果当狗和猫都出现在照片中呢？image.png我们的模型会预测出什么结果？我们可以训练一个多标
  • Faster R-CNN 圆圆栗子君 cnn人工智能神经网络目标检测深度学习
    1FasterR-CNN的改进RPN实际上是FasterR-CNN中的一个小的神经网络，通过这个网络来生成候选区域框ROI；集成RegionProposalNetwork(RPN)网络:1FasterR-CNN=FastR-CNN+RPN2使用RPN网络取代SelectiveSearch模块解决FastR-CNN的性能瓶颈3候选框生成网络RPN和检测网络FastR-CNN共享卷积层计算4Regio
  • R-CNN 圆圆栗子君 深度学习人工智能
    1RCNN的简介CVPR2014经典paper：《Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation》，http://https://arxiv.org/abs/1311.2524这篇论文的算法思想被称为R-CNN(RegionswithConvolutionalNeuralNetworkFeatures)
  • Faster R-CNN原理 酸酸甜甜我最爱 基础理论学习cnn人工智能神经网络
    R-CNN->FastR-CNN->FasterR-CNN一、R-CNN（RegionwithCNNfeature)R-CNN是利用深度学习进行目标检测的开山之作。RCNN算法流程可分为4个步骤：一张图像生成1K~2K个候选区域（使用SelectiveSearch算法）；对每个候选区域，使用深度网络提取特征（这里的深度网络就是图片分类网络）；特征送入每一类的SVM分类器，判别是否属于该类；使用回归
  • Mask Scoring R-CNN,代码运行报错KeyError: ‘Non-existent config key: MODEL.PRETRAINED_MODELS‘ 骑走的小木马 报错MaskScoringR-CNN
    这几天在做MaskScoringR-CNN算法运行，可是运行命令：pythontools/train_net.py--config-fileconfigs/e2e_mask_rcnn_R_50_FPN_1x.yaml总是报错：KeyError:'Non-existentconfigkey:MODEL.PRETRAINED_MODELS'我是根据，下面几个博客进行修改config下面的e2e_mas
  • 3.2 ThunderNet思考 深度学习模型优化
    1设计思想ThunderNet的优化目标是二阶段检测器中计算开销大的结构。在backbone部分，设计了轻量级网络SNet；在detection部分，借鉴Light-HeadR-CNN的思路，并进一步压缩RPN和R-CNN子网络。为了避免性能的衰退，设计了2个高效的结构CEM和SAM来改善性能。2网络架构图1ThunderNet网络架构ThunderNet的输入是分辨率的图像。Backbone部分
  • 深度学习之目标检测Fast-RCNN模型算法流程详解说明（超详细理论篇） Studying 开龙wu 图像分类目标检测语义分割理论深度学习目标检测算法
    1.Fast-RCNN论文背景2.Fast-RCNN算法流程3.FastR-CNN问题和缺点这篇以对比RCNN来说明，如果你对RCNN网络没太熟悉，可访问这链接，快速了解，点下面链接深度学习之目标检测R-CNN模型算法流程详解说明（超详细理论篇）一、Fast-RCNN论文背景论文地址https://arxiv.org/abs/1504.08083  FastR-CNN是一篇由RossGirshic
  • 深度学习|RCNN&Fast-RCNN AI小白龙* 深度学习人工智能cnn神经网络pytorchRCNN
    1.RCNN2014年提出R-CNN网络，该网络不再使用暴力穷举的方法，而是使用候选区域方法（regionproposalmethod）创建目标检测的区域来完成目标检测的任务，R-CNN是以深度神经网络为基础的目标检测的模型，以R-CNN为基点，后续的FastR-CNN、FasterR-CNN模型都延续了这种目标检测思路。1.1RCNN算法流程RCNN的流程如下图所示：步骤是：候选区域生成：使用选
  • 目标检测系列——Faster R-CNN原理详解 AI小白龙* 目标检测r语言cnn机器学习人工智能计算机视觉jupyter
    目标检测系列——FasterR-CNN原理详解写在前面前文我已经介绍过R-CNN、FastR-CNN的原理，具体内容可以点击下面链接阅读。【注：阅读此篇之前建议对R-CNN和FastR-CNN有一定的了解】FasterR-CNN算是这个目标检测系列的最后一篇了，在速度和准确率上也相对达到了比较好的效果，所以还是非常重要的。后面可能会更新语义分割MaskRCNN，当然这都是后话啦。现在就和我一起来学
  • YOLO系列 搁浅丶. 机器学习与深度学习YOLO深度学习人工智能
    1.YOLO概述目标检测算法通常分为两类，包括onestage和twostage它们两者的区别在于twostage算法需要先生成一个有可能包含待检物体的预选框，然后再在这些预选框进行分类和回归；而onestage算法会直接在网络中提取特征来预测物体分类和位置。以往的物体检测方法R-CNN、FastR-CNN等通常将检测问题转变为分类问题，而YOLO将检测变为一个回归问题，并且它的训练和检测均是在一
  • Faster R-CNN DQ小恐龙 cnn人工智能神经网络
    FasterR-CNN流程图相较于R-CNN与FastR-CNN而言，其采用了RPN去代替之前的SS算法去生成候选区域。当生成候选区域后进行的仍然和FastR-CNN一样的操作（Rolpooling->FC->softmax&边界框预测）。RPN在特征图上采用3x3卷积，padding=1,dilation=1这里clslayer是进行的卷积，2k个大小1x1的卷积核进行处理，reglayer则是
  • 文本检测最近文章检索（2） 葛葛葛立鹏啊 文献
    期刊1）RotatedcascadeR-CNN:Ashaperobustdetectorwithcoordinateregression旋转叶栅R-CNN：具有坐标回归的形状鲁棒检测器YixingZhu;ChixiangMa;JunDu;NationalEngineeringLaboratoryforSpeechandLanguageInformationProcessingUniversityo
  • Mask R-CNN 学习笔记 丶夜未央丶 深度学习计算机视觉
    MaskR-CNN学习笔记前述从VGGNet到ResNet从ROIPooling到ROIAlign量化误差是从哪来的ROIAlign的改进之处网络结构FPN网络损失函数参考博客前述从R-CNN，fastR-CNN，fasterR-CNN一直看到了现在的maskR-CNN，一步一步看着从detection到segmentation是如何一步一步走来的，人们是如何改进的。前面几篇文章作为了解，但是Ma
  • 实例分割论文精读：Mask R-CNN 交换喜悲 mdetection系列cnn深度学习目标检测计算机视觉人工智能图像处理神经网络
    1.摘要本文提出了一种概念简单、灵活、通用的实例分割方法，该方法在有效地检测图像中的物体同时，为每个物体实例生成一个实例分割模板，添加了一个分支，用于预测一个对象遮罩，与现有的分支并行，用于边界框识别，MaskR-CNN易于训练，只给FasterR-CNN增加了很小的开销,运行速度为5fps,另外,MaskR-CNN很容易推广到其他任务，例如，允许我们在同一框架中估计人类姿势，我们展示了COCO系
  • 论文阅读_Fast R-CNN xieyan0811
    论文地址：https://arxiv.org/pdf/1504.08083.pdf代码链接：https://github.com/rbgirshick/fast-rcnn.《FastR-CNN》是2015年发表在cs.CV上的一篇论文，FastR-CNN的全称是FastRegion-basedConvolutionalNetwork快速的基于区域的卷积神经网络，它是针对目标检测方法R-CNN的改进
  • Faster R-CNN pytorch源码血细胞检测实战（二）数据增强 CHEN7_98 深度学习目标检测pytorch深度学习人工智能开发语言
    FasterR-CNNpytorch源码血细胞检测实战（二）数据增强文章目录FasterR-CNNpytorch源码血细胞检测实战（二）数据增强1.资源&参考2.数据增强2.1代码运行2.2文件存放3数据集划分4.训练&测试5.总结1.资源&参考FasterR-CNNpytorch版源码调试过程参考：FasterR-CNNpytorch源码血细胞检测实战（详细版）数据增强源码参考：voc数据集对有
  • 六、计算机视觉相关内容 穆_清 深度学习计算机视觉人工智能
    文章目录前言一、图像增广1.1常用的图像增广1.1.1翻转和裁剪1.1.2变换颜色1.1.3结合多种图像增广方法二、微调2.1微调的步骤2.2具体案例三、目标检测和边界框3.1边界框四、锚框五、多尺度目标检测六、目标检测数据集七、单发多框检测(SSD)八、区域卷积神经网络(R-CNN)系列8.1R-CNN8.2FastR-CNN8.3FasterR-CNN8.4MaskR-CNN九、语义分割和数据
  • [YOLO] YOLO介绍，YOLOv1~YOLOv8版本变更，每个版本的特点介绍 老狼IT工作室 YOLOYOLOYOLOv8
    什么是YOLO?YOLO之前，双阶段（two-stage）的R-CNN系列算法，在目标检测领域独占鳌头。先利用RPN网络进行感兴趣区域的生成，再对该区域进行分类与位置的回归。R-CNN优缺点：提升了精度，但限制了检测速度。AlexeyBochkovskiy和JosephRedmon于2016年提出YOLO(YouOnlyLookOnce)算法，YOLO是一种实时目标检测算法，它利用CNN卷积神经网
  • 计算机视觉技术-区域卷积神经网络（R-CNN） 白云如幻 人工智能深度学习PyTorch计算机视觉cnn人工智能
    区域卷积神经网络（region-basedCNN或regionswithCNNfeatures，R-CNN）(Girshicketal.,2014)也是将深度模型应用于目标检测的开创性工作之一。本节将介绍R-CNN及其一系列改进方法：快速的R-CNN（FastR-CNN）(Girshick,2015)、更快的R-CNN（FasterR-CNN）(Renetal.,2015)和掩码R-CNN（Mas
  • 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