《DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation》翻译（上）

Abstract

This paper introduces an extremely efficient CNN architecture named DFANet for semantic segmentation under resource constraints. Our proposed network starts from a single lightweight backbone and aggregates discriminative features through sub-network and sub-stage cascade respectively. Based on the multi-scale feature propagation, DFANet substantially reduces the number of parameters, but still obtains sufficient receptive field and enhances the model learning ability, which strikes a balance between the speed and segmentation performance. Experiments on Cityscapes and CamVid datasets demonstrate the superior performance of DFANet with 8× less FLOPs and 2× faster than the existing state-of-the-art real-time semantic segmentation methods while providing comparable accuracy. Specifically, it achieves 70.3% Mean IOU on the Cityscapes test dataset with only 1.7 GFLOPs and a speed of 160 FPS on one NVIDIA Titan X card, and 71.3% Mean IOU with 3.4 GFLOPs while inferring on a higher resolution image.

摘要

本文介绍了一种非常有效的CNN架构，名为DFANet，用于资源约束下的语义分割。我们提出的网络从单个轻量级网络框架开始，分别通过子网和子级级联聚合判别特征。基于多尺度特征传播，DFANet大大减少了参数的数量，但仍然获得了足够的感受野，提高了模型学习能力，在速度和分割性能之间取得了平衡。在Cityscapes和CamVid数据集上的实验证明了DFANet的优越性能，其FLOP比现有的最先进的实时语义分割方法少8倍，同时提供相当的精度。具体来说，它在Cityscapes测试数据集上实现了70.3％的平均IOU，在一张NVIDIA Titan X卡上只有1.7 GFLOP和160 FPS的速度，在推出更高分辨率的图像时，有71.3％的平均IOU和3.4 GFLOP。

1. Introduction

Semantic segmentation, which aims to assign dense labels for all pixels in the image, is a fundamental task in computer vision. It has a number of potential applications in the fields of autonomous driving, video surveillance, robot sensing and so on. For most such applications, how to keep efficient inference speed and high accuracy with highresolution images is a critical question.

1.介绍

语义分割旨在为图像中的所有像素分配密集标签，这是计算机视觉中的基本任务。它在自动驾驶，视频监控，机器人传感等领域具有许多潜在的应用。对于大多数此类应用，如何使用高分辨率图像保持有效的推理速度和高精度是一个关键问题。

Previous real-time semantic segmentation approaches [1][25][27][29][33][22] have already obtained promising performances on various benchmarks[10][9][18][36][2]. However, the operations on the high-resolution feature maps consume significant amount of time in the U-shape structures. Some works reduce the computation complexity by restricting the input image size[27], or pruning the redundant channels in the network to boost the inference speed[1][22]. Though these methods seem effective, they easily lose the spatial details around boundaries and small objects. Also, a shallow network weakens feature discriminative ability. In order to overcome these drawbacks, other methods [33][29] adopt a multi-branch framework to combine the spatial details and context information. Nevertheless, the additional branches on the high-resolution image limit the speed, and the mutual independence between branches limits the model learning ability in these methods.

以前的实时语义分割方法[1] [25] [27] [29] [33] [22]已经在各种基准上获得了有希望的表现[10] [9] [18] [36] [2]。然而，高分辨率特征图上的操作在U形结构中消耗大量时间。一些工作通过限制输入图像大小[27]或修剪网络中的冗余信道来提高推理速度[1] [22]，从而降低了计算复杂度。虽然这些方法似乎很有效，但它们很容易丢失边界和小物体周围的空间细节。此外，浅网络削弱了特征辨别能力。为了克服这些缺点，其他方法[33] [29]采用多分支框架来组合空间细节和上下文信息。然而，高分辨率图像上的附加分支限制了速度，并且分支之间的相互独立性限制了这些方法中的模型学习能力。

Commonly, semantic segmentation task usually borrows ’funnel’ backbone pretrained from image classification task, such as ResNet[11], Xception[8], DenseNet[13] and so on. For real-time inference, we adopt a lightweight backbone model and investigate how to improve the segmentation performance with limited computation. In mainstream semantic segmentation architectures, a pyramid-style feature combination step like Spatial Pyramid Pooling[34][5] is used to enrich features with high-level context, while leading a sharp increase in computational cost. Moreover, traditional methods usually enrich the feature maps from the final output of a single path architecture. In this kind of design, the high-level context is lacking in incorporation with the former level features which also retain the spatial detail and semantic information in the network path. In order to enhance the model learning capacity and increase the receptive field simultaneously, feature reuse is an immediate thought. This motivates us to find a lightweight method to incorporate multi-level context into encoded features.

通常，语义分割任务通常借用从图像分类任务预训练的“漏斗”框架，如ResNet [11]，Xception [8]，DenseNet [13]等。对于实时推理，我们采用轻量级模型框架，并研究如何通过有限的计算来提高分割性能。在主流语义分割体系结构中，类似于空间金字塔池化[34] [5]的金字塔式特征组合步骤用于丰富具有高级上下文的特征，同时导致计算成本的急剧增加。此外，传统方法通常从单路径架构的最终输出中丰富特征映射。在这种设计中，高级上下文缺乏与前一级特征的结合，这些特征也保留了网络路径中的空间细节和语义信息。为了增强模型学习能力并同时增加感受野，特征重用是一种直接的想法。这促使我们找到一种将多级上下文合并到编码特征中的轻量级方法。

In our work, we deploy two strategies to implement cross-level feature aggregation in our model. First, we reuse high-level features extracted from the backbone to bridge gap between semantic information and structure de- tails. Second, we combine features of different stages in the processing path of the network architecture to enhance feature representation ability. These ideas are visualized in Figure 2.

在我们的工作中，我们部署了两种策略来在我们的模型中实现跨级别的特征聚合。首先，我们重用从骨干中提取的高级特征来弥合语义信息和结构细节之间的差距。其次，我们将网络体系结构处理路径中不同阶段的特征结合起来，以增强特征表示能力。这些想法在图2中可视化。

In detail, we replicate the lightweight backbone to verify our feature aggregation methods. Our proposed Deep Feature Aggregation Network (DFANet) contains three parts: the lightweight backbones, sub-network aggregation and sub-stage aggregation modules. Because depthwise separable convolution is proved to be one of the most efficient operation in real-time inference, we modify the Xception network as the backbone structure. In pursuit of better accuracy, we append a fully-connected attention module in the tail of the backbone to reserve the maximum receptive field. Sub-network aggregation focuses on upsampling the highlevel feature maps of the previous backbone to the input of the next backbone to refine the prediction result. From another perspective, sub-network aggregation can be seen as a coarse-to-fine process for pixel classification. Sub-stage aggregation assembles feature representation between corresponding stages through ”coarse” part and ”fine” part. It delivers the receptive field and high dimension structure details by combining the layers with the same dimension. After these three modules, a slight decoder composed of convolution and bilinear upsampling operations is adopted to combine the outputs of each stage to generate the coarse-to-fine segmentation results. The architecture of the proposed network is shown in Figure 3.

具体来说，我们复制轻量级框架以验证我们的特征聚合方法。我们提出的深度特征聚合网络（DFANet）包含三个部分：轻量级网络框架，子网络聚合和子阶段聚合模块。由于深度可分卷积被证明是实时推理中最有效的操作之一，因此我们将Xception网络修改为backbone结构。为了追求更高的准确性，我们在backbone末端添加了一个基于注意力机制的全连接模块，以保留最大的感受野。子网络聚合侧重于将先前backbone的高级特征映射上采样到下一个backbone的输入以改进预测结果。从另一个角度来看，子网络聚合可以被视为在像素分类中由粗略到精细的过程。子阶段聚合通过“粗略”部分和“精细”部分组装相应阶段之间的特征表示。它通过组合具有相同尺寸的层来提供感受野和高维结构细节。在这三个模块之后，采用由卷积和双线性上采样操作组成的轻量解码器来组合每个阶段的输出以生成粗略到精细的分割结果。所提出的网络的体系结构如图3所示。

We test the proposed DFANet on two standard benchmarks, Cityscapes and CamVid. With a 1024×1024 input, DFANet achieves 71.3% Mean IOU with 3.4G FLOPs and speed of 100 FPS on a NVIDIA Titan X card. While implemented on a smaller input size and a lighter backbone, the Mean IOU still stays in 70.3% and 67.1% with only 1.7G FLOPs and 2.1G FLOPs respectively, better than most of the state-of-the-art real-time segmentation methods.

我们在Cityscapes和CamVid这两个标准基准测试中测试了提出的DFANet。凭借1024×1024输入，DFANet在NVIDIA Titan X卡上实现了71.3％的平均IOU和3.4G FLOP以及100 FPS的速度。虽然在较小的输入尺寸和较轻的backbone上实现，但平均IOU仍然分别保持在70.3％和67.1％，仅分别具有1.7G FLOP和2.1G FLOP，优于大多数最先进的实时分割方法。

Our main contributions are summarized as follows:

We set a new record for the real-time and low calculation semantic segmentation. Compared to existing works, our network can be up to 8× smaller FLOPs and 2× faster with better accuracy.
We present a brand new segmentation network structure with multiple interconnected encoding streams to incorporate high-level context into the encoded features.
Our structure provides a better way to maximize the usage of multi-scale receptive fields and refine highlevel features several times while computation burden increases slightly.
We modify the Xception backbone by adding a FC attention layer to enhance receptive field with little additional computation.

我们的主要贡献总结如下：

我们获得了实时和低计算量的语义分割上的新记录。与现有工作相比，我们的网络可以提供高达8倍的FLOP和2倍的更快速度，并且具有更高的准确性。
我们提供了一个全新的分段网络结构，其中包含多个互连的编码流，以将高级上下文合并到编码的功能中。
我们的结构提供了一种更好的方法，可以最大限度地利用多尺度感知字段并多次优化高级特征，同时计算负担略有增加。
我们通过添加FC感知层来修改Xception backbone，以增加感受野，几乎不需要额外的计算。

Figure 1. Inference speed, FLOPs and mIoU performance on Cityscapes test set. The bigger the circle, the faster the speed. Results of existing real-time methods, including ICNet[33], ENet[22], SQ[25], SegNet[1], FRRN[24], FCN-8S[19], Two- Column[27], BiSeNet[29]. Two classical networks DeepLab[7] and PSPNet[34] are displayed. Also, Our DFANet based on two backbone networks and two input sizes are compared.

图1. Cityscapes测试集的推理速度，FLOP和mIoU性能。圆圈越大，速度越快。现有实时方法的结果，包括ICNet [33]，ENet [22]，SQ [25]，SegNet [1]，FRRN [24]，FCN-8S [19]，双列[27]，BiSeNet [29]。显示两个经典网络DeepLab [7]和PSPNet [34]。此外，我们比较了基于两个骨干网和两个输入大小的DFANet。

2. Related Work

Real-time Segmentation: Real-time semantic segmentation algorithms are aiming to generate the high-quality prediction under limited calculation. SegNet[1] utilizes a small architecture and pooling indices strategy to reduce network parameters. ENet[22] considers reducing the number of downsampling times in pursuit of an extremely tight framework. Since it drops the last stages of the model, the receptive field of this model is too small to segment larger objects correctly. ESPNet[26] performs new spatial pyramid module to make computation efficient. ICNet[33] uses multi-scale images as input and a cascade network to raise efficiency. BiSeNet[29] introduces spatial path and semantic path to reduce calculation. Both in ICNet and BiSeNet, only one branch is deep CNN for feature extraction, and other branches are designed to make up resolution details. Different from these methods, we enhance a single model capacity in feature space to reserve more detail information.

实时分割：实时语义分割算法旨在在有限的计算下生成高质量的预测。 SegNet [1]利用小型架构和汇集指数策略来减少网络参数。 ENet [22]考虑在追求极其紧凑的框架时减少下采样次数。由于它会丢弃模型的最后阶段，因此该模型的感知区域太小，无法正确分割较大的对象。 ESPNet [26]执行新的空间金字塔模块以提高计算效率。 ICNet [33]使用多尺度图像作为输入和级联网络来提高效率。 BiSeNet [29]引入了空间路径和语义路径来减少计算。在ICNet和BiSeNet中，只有一个分支是用于特征提取的深度CNN，而其他分支用于构成分辨率细节。与这些方法不同，我们在特征空间中增强单个模型容量以保留更多详细信息。

Depthwise Separable Convolution: Depthwise separable convolution (a depthwise convolution followed by a pointwise convolution), is a powerful operation adopted in many recent neural network designs. This operation reduces the computation cost and the number of parameters while maintaining similar (or slightly better) performance. In particular, our backbone network is based on the Xception model[8], and it shows efficiency in terms of both accuracy and speed for the task of semantic segmentation.

深度可分离卷积：深度可分卷积（深度卷积后跟逐点卷积）是最近许多神经网络设计中采用的有力操作。该操作降低了计算成本和参数数量，同时保持了相似（或略微更好）的性能。特别是，我们的backbone网络基于Xception模型[8]，它表现出了语义分割任务的准确性和速度方面的效率。

High-level Features: The key issues in segmentation task are about the receptive field and the classification ability. In a general encoder-decoder structure, high-level feature of the encoder output depicts the semantic information of the input image. Based on this, PSPNet[34], DeepLab series[7][5][4], PAN[16] apply an additional operation to combine more context information and multi-scale feature representation. Spatial pyramid pooling has been widely employed to provide a good descriptor for overall scene interpretation, especially for various objects in multiple scales. These models have shown high-quality segmentation results on several benchmarks while usually need huge computing resources.

高级特征：分割任务中的关键问题是感知领域和分类能力。在通用编码器 - 解码器结构中，编码器输出的高级特征描绘了输入图像的语义信息。基于此，PSPNet [34]，DeepLab系列[7] [5] [4]，PAN [16]应用了一个额外的操作来组合更多的上下文信息和多尺度特征表示。空间金字塔池化被广泛用于为整体场景解释提供良好的描述符，尤其是对于多尺度的各种对象。这些模型在几个基准测试中显示出高质量的分割结果，同时通常需要巨大的计算资源。

Context Encoding: As SE-Net[12] explores the channel information to learn a channel-wise attention and has achieved state-of-the-art performance in image classification, attention mechanism becomes a powerful tool for deep neural networks[3]. It can be seen as a channelwise selection to improve module features representation. EncNet[32][20][6] introduces context encoding to enhance per-pixel prediction that is conditional on the encoded semantics. In this paper, we also propose a fully-connected module to enhance backbone performance, which has little impact on calculation.

上下文编码：随着SE-Net [12]探索渠道信息以学习渠道关注并在图像分类中取得了最先进的性能，注意机制成为深度神经网络的有力工具[3]。它可以被视为改进模块特征表示的渠道选择。 EncNet [32] [20] [6]引入了上下文编码来增强以像素编码语义为条件的每像素预测。在本文中，我们还提出了一个完全连接的模块来增强backbone性能，这对计算几乎没有影响。

Feature Aggregation: Traditional approaches implement a single path encoder-decoder network to solve pixelto-pixel prediction. As the depth of network increase, how to aggregate features between blocks deserves further attention. Instead of simple skip connection design, RefineNet[17] introduces a complicated refine module in each upsampling stage between the encoder and decoder to extract multi-scale features. Another aggregation approach is to implement dense connection. The idea of dense connections has been recently proposed for image classification in [13] and extended to semantic segmentation in [14] [28]. DLA[31] extent this method to develop deeper aggregation structures to enhance feature representation ability.

特征聚合：传统方法实现单路径编码器 - 解码器网络以解决像素到像素预测。随着网络深度的增加，如何在块之间聚合特征值得进一步关注。 RefineNet [17]在编码器和解码器之间的每个上采样阶段引入了一个复杂的细化模块，以提取多尺度特征，而不是简单的跳过连接设计。另一种聚合方法是实现密集连接。密集连接的概念最近已被提出用于[13]中的图像分类，并扩展到[14] [28]中的语义分割。 DLA [31]将此方法扩展到更深层次的聚合结构以增强特征表示能力。

Figure 2. Structure Comparison. From left to right: (a) Multi-branch. (b) Spatial pyramid pooling. (c) Feature reuse in network level. (d) Feature reuse in stage level. As a comparison, the proposed feature reuse methods enrich features with high-level context in another aspect.

图2.结构比较。从左到右：（a）多分支。（b）空间金字塔汇集。（c）网络级别的特征重用。（d）阶段级别的特征重用。作为比较，所提出的特征重用方法在另一方面丰富了具有高级上下文的特征。

3.Deep Feature Aggregation Network

We start with our observation and analysis of calculation volume when applying current semantic segmentation methods in the real-time task. This motivates our aggregation strategy to combine detail and spatial information in different depth position of the feature extraction network to achieve comparable performance. The whole architecture of Deep Feature Aggregation Network (DFANet) is illustrated in Figure 3.

3.深度特征聚合网络

我们从在实时任务中应用当前语义分割方法时对计算量的观察和分析开始。这促使我们的聚合策略将特征提取网络的不同深度位置中的细节和空间信息组合以实现可比较的性能。 Deep Feature Aggregation Network（DFANet）的整个架构如图3所示。

3.1. Observations

We take a brief overview of the segmentation network structures, shown in Figure 2.

我们简要概述了分段网络结构，如图2所示。

For real-time inference, [33][29] apply multiple branches to perform multi-scale extraction and preserve image spatial details. For example, BiSeNet[29] proposed a shallow network process for high-resolution images and a deep network with fast downsampling to strike a balance between classification ability and receptive filed. This structure is displayed in Figure 2(a). Nevertheless, the drawback of these methods is obvious that these models are short of dealing with high-level features combined from parallel branches, since it merely implements convolution layers to fuse features. Moreover, features lack communication between parallel branches. Also, the additional branches on high-resolution images limit the acceleration of speed.

对于实时推理，[33] [29]应用多个分支来执行多尺度提取并保留图像空间细节。例如，BiSeNet [29]提出了一种用于高分辨率图像的浅层网络过程和一种具有快速下采样的深度网络，以在分类能力和接收域之间取得平衡。该结构如图2（a）所示。然而，这些方法的缺点显而易见，这些模型缺乏处理由并行分支组合的高级特征，因为它仅仅实现了卷积层以融合特征。此外，功能缺乏并行分支之间的通信。此外，高分辨率图像上的附加分支限制了速度的加速。

In semantic segmentation task, spatial pyramid pooling (SPP) module is a common approach to deal with highlevel features [5] (Figure 2(b)). The ability of spatial pyramid module is to extract high-level semantic context and increase receptive field, such as [4][34][16]. However, implementing spatial pyramid module is usually time-consuming.

在语义分割任务中，空间金字塔池（SPP）模块是处理高级特征的常用方法[5]（图2（b））。空间金字塔模块的能力是提取高级语义上下文并增加感受野，如[4] [34] [16]。但是，实现空间金字塔模块通常很耗时。

Inspired by the above methods, we firstly replace the high-level operation by upsampling the output of a network and refining the feature map with another sub-network, as shown in Figure 2(c). Different from SPP module, the feature maps are refined on a larger resolution and sub-pixel details are learned simultaneously. However, as the whole structure depth grows, high-dimension features and receptive field usually suffer precision loss since the feature flow is a single path.

受上述方法的启发，我们首先通过对网络输出进行上采样并用另一个子网络优化特征映射来替换高级操作，如图2（c）所示。与SPP模块不同，特征图在更大的分辨率上得到细化，并且同时学习子像素细节。然而，随着整个结构深度的增加，高维特征和感受场通常会遭受精确损失，因为特征流是单一路径。

Pushing a bit further, we propose stage-level method (Figure 2(d)) to deliver low-level features and spatial information to semantic understanding. Since all these subnetworks have the similar structure, stage-level refinement can be produced by concatenating the layers with the same resolution to generate the multi-stage context. Our proposed Deep Feature Aggregation Network aims to exploit features combined from both network-level and stage-level.

进一步推进，我们提出了阶段级方法（图2（d）），以便将低级特征和空间信息传递给语义理解。由于所有这些子网都具有相似的结构，因此可以通过以相同的分辨率连接层来生成阶段级细化，以生成多阶段上下文。我们提出的深度特征聚合网络旨在利用网络级和阶段级结合的功能。

Figure 3. Overview of our Deep Feature Aggregation Network: sub-network aggregation, sub-stage aggregation, and dual-path decoder for multi-level feature fusion. In the figure, ”C” means concatenation, ”xN” is N× up-sampling operation.

图3.深度特征聚合网络概述：子网络聚合，子阶段聚合和用于多级特征融合的双路径解码器。在该图中，“C”表示连接，“xN”表示N×上采样操作。

3.2. Deep Feature Aggregation

We focus on making the fusion of different depth features in networks. Our aggregation strategy is composed of sub-network aggregate and sub-stage aggregate methods. The structure of DFANet is illustrated in Figure 3.

3.2. 深度特征聚合

我们专注于在网络中融合不同深度特征。我们的聚合策略由子网络聚合和子阶段聚合方法组成。 DFANet的结构如图3所示。

Sub-network Aggregation. Sub-network aggregation implements combination of high-level features at the network level. Based on the above analysis, we implement our architecture as a stack of backbones by feeding the output of the previous backbone to the next. From another perspective, sub-network aggregation could be seen as a refinement process. A backbone process is defined as y = Φ(x), the output of encoder Φn is the input of encoder Φn+1, so sub-network aggregate can be formulated as: Y = Φn(Φn−1(...Φ1(X))).

子网络聚合。 子网络聚合在网络级别实现了高维特征的组合。基于上述分析，我们通过将前一个backbone的输出提供给下一个backbone，将我们的体系结构实现为一堆backbone。从另一个角度来看，子网络聚合可以被视为一种细化过程。 backbone运行过程可定义为y =Φ（x），编码器Φn的输出是编码器Φn+ 1的输入，因此子网聚合可以表示为：Y =Φn（Φn-1（...Φ1（ X）））。

A similar idea has been introduced in [21]. The structure is composed with a stack of encoder-decoder ”hourglass” network. Sub-network aggregation allows these high-level features to be processed again to further evaluate and reassess higher order spatial relationships.

在[21]中引入了类似的想法。该结构由一堆编码器 - 解码器“沙漏”网络组成。子网络聚合允许再次处理这些高级特征，以进一步评估和重新评估更高阶的空间关系。

Sub-stage Aggregation. Sub-stage aggregation focuses on fusing semantic and spatial information in stage-level between multiple networks. As the depth of network grows, spatial details suffer losing. Common approaches, like U-shape, implement skip connection to recover image details in the decoder module. However, the deeper encoder blocks lack low-level features and spatial information to make judgments in large-scale various objects and precise structure edge. Parallel-branch design uses original and decreased resolution as input, and the output is the fusion of large-scale branch and small-scale branch results, while this kind of design has a lack of information communication between parallel branches.

子阶段聚合。 子阶段聚合侧重于在多个网络之间的阶段级融合语义和空间信息。随着网络的深度增长，空间细节遭受损失。常见的方法，如U形状，实现了跳过连接以恢复解码器模块中的图像细节。然而，较深的编码器块缺乏低级特征和空间信息，无法在大规模的各种对象和精确的结构边缘进行判断。并行分支设计使用原始和降低的分辨率作为输入，输出是大规模分支和小规模分支结果的融合，而这种设计缺乏并行分支之间的信息通信。

Our sub-stage aggregation is proposed to combine features through encoding period. We make the fusion of different stages in the same depth of sub-networks. In detail, the output of a certain stage in the previous sub-network is contributed to the input of the next sub-network in the corresponding stage position.

我们提出的子阶段聚合通过编码周期来组合特征。我们在相同深度的子网络中进行不同阶段的融合。详细地说，前一子网中某一级的输出有助于相应级位置中下一个子网的输入。

For a single backbone Φn(x), a stage process can be defined as $\Phi_{n}^{i}$ . The stage in the previous backbone network is $\Phi_{n-1}^{i}$ . i means the index of the stage. Sub-stageaggregation method can be formulated as:

对于单个backboneΦn（x），阶段过程可以定义为 $\Phi_{n}^{i}$ 。前一个骨干网的阶段是 $\Phi_{n-1}^{i}$ 。 i表示stage的索引。子阶段聚合方法可以表述为：

$x_n^i=\left\{\begin{matrix} x_n^{i-1}+\Phi_n^i(x_{n}^{i-1}) &n=1 \\ [x_{n}^{i-1}, x_{n-1}^{i}]+\Phi_n^i( [x_{n}^{i-1}, x_{n-1}^{i}])& otherwise \end{matrix}\right.$

$x_{n-1}^i=x_{n-1}^{i-1}+\Phi_{n-1}^{i}(x_{n-1}^{i-1})$

Traditional approaches are learning a mapping of F(x)+x for $x_{n}^{i-1}$ . In our proposed method, sub-stage aggregation method is learning a residual formulation of $[x_{n}^{i-1}, x_{n-1}^{i}]$ at the beginning of each stage.

传统方法是学习F(x)+x对 $x_{n}^{i-1}$ 的映射。在我们提出的方法中，子阶段聚合方法是在每个阶段的开始学习 $[x_{n}^{i-1}, x_{n-1}^{i}]$ 的残差公式。

For n > 1 situation, the input of i-th stage in n-th network is given by combining the ith stage output in (n − 1)-th network with the (i − 1)-th stage output in n-th network, then the i-th stage learns a residual representation of $[x_{n}^{i-1}, x_{n-1}^{i}]$ . $x_{n}^{i-1}$ has the same resolution as $x_{n-1}^{i}$ , and we implement concatenation operation to fuse features.

对于n> 1的情况，在第n层网络的第i阶段的输入是通过将第（n-1）层网络中的第i级输出与第n层网络中的第（i-1）级输出相结合得到的，然后第i阶段学习 $[x_{n}^{i-1}, x_{n-1}^{i}]$ 的残差表示。 $x_{n}^{i-1}$ 具有与 $x_{n-1}^{i}$ 相同的分辨率，并且我们实现级联操作以融合特征。

We keep the feature always flow from high-resolution into the low-resolution. Our formulation not only learns a new mapping of nth feature maps but also preserves (n − 1)th features and receptive field. Information flow can be transferred through multiple networks.

我们始终保持特征从高分辨率流向低分辨率。我们的公式不仅学习了第n个特征图的新映射，还保留了（n - 1）个特征和感受野。信息流可以通过多个网络传输。

3.3. Network Architecture

The whole architecture is shown in Figure 3. In general, our semantic segmentation network could be seen as an encoder-decoder structure. As discussed above, the encoder is an aggregation of three Xception backbones, composed with sub-network aggregate and sub-stage aggregate methods. For real-time inference, we don’t put too much focus on the decoder. The decoder is designed as an efficient feature upsampling module to fuse low-level and high-level features. For convenience to implement our aggregate strategy, our sub-network is implemented by a backbone with single bilinear upsampling as a naive decoder. All these backbones have the same structure and are initalized with same pretrained weight.

3.3. 网络结构

整个架构如图3所示。总的来讲，我们的语义分割网络可以看作是编码器 - 解码器结构。正如之前所叙述的，编码器是三个Xception backbone的集合，由子网络聚合和子阶段聚合方法组成。对于实时推理，我们不会过多关注解码器。解码器设计为高效的特征上采样模块，用于融合低层次特征和高层次特征。为了方便实现我们的聚合策略，我们的子网络由一个backbone实现，单个双线性上采样作为一个简易的解码器。所有这些骨架具有相同的结构并且使用相同的预训练权重进行初始化。

Backbone. The basic backbone is a lightweight Xception model with little modification for segmentation task, we will discuss the network configuration in the next section. For semantic segmentation, not only providing dense feature representation, how to gain semantic context effectively remains a problem. Therefore, we preserve fullyconnected layers from ImageNet pretraining to enhance semantic extraction. In classification task, fully-connected (FC) layer is followed by global pooling layers to make final probability vectors. Since classification task dataset [15] provides large amount of categories than segmentation datasets [10][36]. Fully-connected layer from ImageNet pretraining could be more powerful to extract category information than training from segmentation datasets. We apply a 1 × 1 convolution layer followed with FC layer to reduce channels to match the feature maps from Xception backbone. Then N ×C ×1×1 encoding vector is multiplied with original extracted features in channel-wise manner.

Backbone。基本backbone是轻量级Xception模型，对分段任务几乎没有修改，我们将在下一节讨论网络配置。对于语义分割，不仅提供密集的特征表示，如何有效地获得语义上下文仍然是一个问题。因此，我们保留ImageNet预训练中的完全连接层以增强语义提取。在分类任务中，全连接（FC）层之后是全局池化层以产生最终概率向量。由于分类任务数据集[15]提供了大量的类别而不是分割数据集[10] [36]。与使用分段数据集进行训练相比，ImageNet预训练中的完全连接层可以更强大地提取类别信息。我们应用1×1卷积层，然后使用FC层来减少通道以匹配来自Xception backbone的特征映射。然后，以通道方式将N×C×1×1编码矢量与原始提取特征相乘。

Decoder. Our proposed decoder module is illustrated in Figure 3. For real-time inference, we don’t put too much focus on designing complicated decoder module. According to DeepLabV3+[7], not all the features of the stages are necessary to contribute to decoder module. We propose to fuse high-level and low-level features directly. Because our encoder is composed of three backbones, we firstly fuse highlevel representation from the bottom of three backbones. Then the high-level features are bilinearly upsampled by a factor of 4, and low-level information from each backbone that have the same spatial resolution is fused respectively. Then the high-level features and low-level details are added together and upsampled by a factor of 4 to make the final prediction. In decoder module, we only implement a few convolution calculations to reduce the number of channels.

解码器。我们提出的解码器模块如图3所示。对于实时推理，我们不太关注设计复杂的解码器模块。根据DeepLabV3 + [7]，并非所有阶段的功能都必须为解码器模块做出贡献。我们建议直接融合高级和低级功能。因为我们的编码器由三个主干组成，我们首先融合三个主干底部的高级表示。然后将高级特征双线性上采样4倍，并且分别融合来自具有相同空间分辨率的每个主干的低级信息。然后将高级特征和低级细节相加并上采样4倍以进行最终预测。在解码器模块中，我们仅实现一些卷积计算以减少通道数量。

你可能感兴趣的:(翻译,DFANet,翻译)

在家可以做的兼职有哪些配音就业圈
网络的兴起，也伴随着另一个新兴的职业诞生，网络兼职，我们习惯的既不想成为一个工作族又想着如何能赚到一些钱，也许网络兼职正好是解决那些在家兼职甚至全职的问题的关键了。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。很多人都看到了身边
swift 可选类型详解 (optionals) 匠人科 iOS 可选类型optional swift
可选类型（optionals）来处理值可能缺失的情况。解释说明：对于从oc转swift的同学来讲，其实swift可选是比较容易理解的，可选类型其实对应oc的nil类型比较类似。oc的nil只是针对对象来说的。但是swift的可选类型（？）则是对结构体，枚举，c语言类型，并且对象（个人以为是swift里边的所有数据类型）。直观表示废话不说直接上代码：（代码源于swift2.0中文翻译）varserv
亲子沟通：做刚刚好的妈妈圆慧亲子关系与生命成长
英国精神分析学家温尼科特提出过一个术语“抱持”，他认为：好的父母会提供抱持性环境，当孩子表现好的时候给予认可，当孩子受到挫折的时候提供支持，能够给孩子提供“抱持”环境的父母不需要完美，GOODENOUGHMOTHER，“足够好的妈妈”，不能是差劲的匮乏性的妈妈，也不必是完美妈妈，刚刚好就可以了。国内精神分析学家曾奇峰老师翻译为“60分妈妈”。《P.E.T.父母效能训练》里面，托马斯.戈登博士提出“
深度探索：机器学习中的序列到序列模型（Seq2Seq）原理及其应用生瓜蛋子机器学习机器学习人工智能
目录1.引言与背景2.庞特里亚金定理与动态规划3.算法原理4.算法实现5.优缺点分析优点缺点6.案例应用7.对比与其他算法8.结论与展望1.引言与背景在当今信息爆炸的时代，机器学习作为人工智能领域的核心驱动力，正以前所未有的深度和广度渗透进我们的日常生活。从语言翻译、文本摘要、语音识别到对话系统，众多自然语言处理（NLP）任务的成功解决离不开一种强大的模型架构——序列到序列（Sequence-to
沈庆云 | 莫拉尔小姐（连载六十二）一日三色编辑部
......梦幻般的奇迹出现了：说是宝娜曾给当过翻译的一位很大、很大的领导亲笔批示：导游拿回扣属违纪行为，不构成受贿罪，立即放人！宝娜从省女监回来了！她静悄悄地走进家门，出现在丈夫铁新面前。但可怕的是，她的头发全白了，散披着，像逃在深山的“白毛女”。她的脖子好长好长，像一节竹竿。往日圆润诱人的双乳，眼下竟像两个芒果贴挂在胸前。她目光呆滞，几乎连丈夫看也不看一眼……铁新惊呆了，他犹豫片刻，这才扑上前
2024年地推最新项目有哪些？分享5个地推项目最新项目声优配音圈
地推最新项目有哪些？不论何时都是广大地推拉新人员都十分关心的问题之一。因为在地推拉新行业内，项目无时无刻不在更新迭代，稍有一个不留神就又推出了许多地推最新项目。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。那么在2024年推出的
分享四个足不出户，在家就能做的副业声优配音圈
以前的话，赚钱可能真的很难，尤其是对于那些家里是农村的，没有条件，没有资源，没有背景，祖祖辈辈都是以种田为生的。有的好不容易上了大学毕业工资也就三四千块钱兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。，有的背井离乡进厂打工或者说
配音员真的很赚钱么，配音员的收入真那么高吗? 配音就业圈
一、配音员的收入有多高？配音员的收入因人而异，一般来说，在演艺界算是相对稳定的职业之一。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。根据配音员的经验、知名度和项目规模，收入可以有很大的差异。一些知名配音员可以获得数十万甚至上百
RNN及其变体豫儿啊~ lstm 人工智能 rnn
RNN及其变体RNN模型定义循环神经网络:一般接受的一序列进行输入,输出也是一个序列作用和应用场景:RNN擅长处理连续语言文本,机器翻译,文本生成,文本分类,摘要生成RNN模型的分类根据输入与输出结构NVsN:输入和输出等长,应用场景:对联生成;词性标注;NERNVs1:输入N,输出为单值,应用场景:文本分类1VsN:输出是一个,输出为N,应用场景:图片文本生成NVsM:输入和输出不等长,应用场景
brew 更新php,在Mac上使用Homebrew升级到PHP 8 人家卖汽车的啦 brew 更新php
本文翻译自：https://stitcher.io/blog/php-8-upgrade-mac用Homebrew升级首先要确保Brew是最新的：brewupdate接下来，升级PHP：brewupgradephp通过运行php-v以下命令检查当前版本：php-v重新启动Nginx或Apache：sudonginx-sreloadsudoapachectlrestart并通过访问以下脚本确保本地W
喜马拉雅怎么配音赚钱，喜马拉雅配音兼职赚钱吗配音新手圈
一、怎样在喜马拉雅平台进行配音赚钱在喜马拉雅平台进行配音赚钱是一种非常受欢迎的兼职方式。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。首先，你需要注册一个喜马拉雅账号，并进行实名认证。然后，你可以浏览平台上的配音岗位，选择自己感
汇编、C/C++编译过程迷的人 c++
前言最近安装汇编环境的时候了解到代码的执行与编译过程，对自己曾经学习过语言的编译过程无法准确的回答，借此进行一些简单的梳理。一、汇编的编译过程汇编作为我们能够接触到最底层的语言、低级语言，汇编语言的编译方法多是基于对于寄存器的控制，可以直接翻译成机器代码，它同样是其他高级语言的基础，高级语言如Python、C++和Java与汇编语言的关系是一对多。比如，C++的一条语句就会扩展为多条汇编指令。故汇
论语学习丨子罕第九（27）爱读书的无业游民
原文：子曰:衣敝缊袍,与衣狐貉者立,而不耻者,其由也与!“不忮不求,何用不臧?”子路终身诵之。子曰:是道也,何足以臧?翻译：孔子说：穿着破旧絮袍和穿狐裘貂裘的人站在一起而不以为耻的，大概只有仲由了吧！《诗经》里那句“不忮不求，何用不臧”子路诵读终身。孔子听说后说：只靠不忮不求，何足以臧？论语别裁：孔子说他,穿着破旧的袍子,与富贵中人穿了皮袍的——大陆北方冬季严寒,非穿皮袍不可,至少穿羊皮,高级的穿
送外卖能兼职吗，女孩适合送外卖吗声优配音圈
一、送外卖兼职是件好选择吗送外卖兼职是一种灵活的工作选择，适合那些想要利用业余时间赚取额外收入的人群。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。通过送外卖兼职，可以自由安排工作时间，提高个人收入，同时也能够增加人际交往和沟通
窦燕山，有义方。教五子，名俱扬。雨后天晴之后才能看见彩虹
原文句子：窦燕山，有义方。教五子，名俱扬。古文翻译：五代时，燕山一个名为窦禹钧的人，教子有好方法。教了五个儿子，都做了大官名扬天下。我的理解：五代的时候，在燕山这个地方，有一个名为窦禹均的人，对孩子有一套很好的教导式，他的五个孩子在他的调教之下，个个都很有成就，也因此得了好名声，名扬天下。……待更新
很适合配音的文案短句，很适合配音的文案古风声优配音圈
1、不要总是去挑剔别人，既然你当初决定要爱那样的他，就不要等在一起之后不断去挑剔，在要求别人进步之前，要让自己先进步。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。2、真正的平静，不是避开车马喧嚣，而是在心中修篱种菊。尽管如流往
日语自学该怎么学才好呢？蓝色的枕头12
说一下日语自学的步骤：1、起步阶段——日语的字母叫做五十音图。背诵五十音图的时候不但要能熟练地按行背，还要能按列背，这对将来的学习是非常重要的。片假名的记忆一直是初学者的难题。推荐的做法是：总结一些有效的句子，让同学们按照平假名将其书面翻译成片假名，开始有些困难，但一两天后就能牢记了。来测测你的日语天赋吧2、单词学习——单词记忆讲究拆散和联合。“拆散”是指背单词的时候要知道单词中每个汉字的读音，开
2024年最热门的副业有哪些？声优配音圈
2024年又有了新的风口。今年的关键词是自媒体和AI，我将围绕这两个主题，给大家总结一下今年可能最有前景的一些副业。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。自媒体这可能是最没有门槛的一门副业了——卖自媒体培训课的老师们如是
2019.12.20感恩日志微风_f546
1.感恩天地的庇佑，父母的养育之恩2.感恩早晨孙姐的引领，诵读金正宣言3.感恩早晨一起排练节目，雅丽老师的付出，大家不断努力提高水准4.感恩小姨的午餐5.感恩下午韩总对易经的讲解，是易心得经典，是大自然的翻译官，通过讲解发现了很多以前不知道的，五行的运作，感恩老祖宗给我们留下无穷的智慧6.感恩下午的彩排7.感恩今天所有的发生对不起，请原谅，谢谢你，我爱你下周工作:1.核实平台数据是否派发2.做一年
游戏感：虚拟感觉的游戏设计师指南——译序和引言铁文
这是一本游戏设计方面的好书转自天：天之虹的博客：http://blog.sina.com.cn/jackiechueng感谢天之虹的无私奉献Word版可到本人的资源中下载译序笑着说我又奋不顾身地开了下一个坑，然后再奋不顾身地冲刺加速，最终把这个坑填平。说起来这是我行业生涯中翻译的第二本书了。既然是译序，不想喧宾夺主，用更华丽的辞藻和更贴合东方人思考的习惯来抢先作者一步做出更有吸引力的总结式译序。为
分享5个在家就可以做的兼职配音就业圈
很多小伙伴已经放假回家啦，而且正赶上今年疫情的重返，又没有办法出去玩，还有很多工作者没有办法正常工作，只能呆在家中，不如趁现在赚个零花钱，下面就给大家分享5个在家就可以做的兼职。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。一、
文字模型训练分析评论（算法实战）富士达幸运星算法人工智能机器学习
文字模型训练，尤其是在自然语言处理（NLP）领域，是构建能够理解、解释、生成人类语言系统的核心步骤。这类模型广泛应用于文本分类、情感分析、机器翻译、聊天机器人、摘要生成等多个方面。针对文字模型训练后的分析评论，可以从以下几个方面进行：1.性能评估准确率/错误率：评估模型在测试集上的准确率或错误率是最直接的方式，这能反映模型的基本性能。混淆矩阵：对于分类任务，混淆矩阵可以详细展示模型在各个类别上的表
地推兼职是什么工作，好做吗？声优配音圈
最近有很多人对地推兼职产生了兴趣，想利用自由的时间开展副业、兼职赚钱。那么地推兼职是什么意思？又要去哪里找地推兼职项目？本文将带你一次性了解地推兼职。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、等等。。。每日更新兼职。一、地推兼职是什么？首先得了解地推是什
教育的目的是什么？ yh小树苗
这段时间是新网师选课的时间，我果断地选了马增信和郭建老师的《教育学经典解读》，按照选课说明，我购买了王立中老师翻译的英国哲学家怀特海的《教育的目的》。选课说明里要求学员们先预习第一至三章，并写下批注，作为第一次预习作业。我试着翻开了这本书。王立中老师说，这是一本奇书！为什么这么说呢？因为它是影响欧美命运的一本书。它是一针见血洞悉教育目的的一本书。它是关乎所有人命运的一本书。王老师把这本书说得神乎其
有声书兼职赚钱渠道汇总，有声书如何赚钱配音新手圈
一、有声书兼职赚钱渠道汇总随着有声书的兴起，越来越多的人开始看到了在这个领域赚钱的机会。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。有声书的兼职赚钱渠道也随之增加。目前，常见的有声书兼职赚钱渠道包括有声书平台、自媒体平台、广告
今日总结八娃呀
早晨七点起床，英语语法一节课大约一个半小时网课下午第一节补起过去两天欠缺的语法课程，进度已正常。下午第二节听第二单元单词一小时晚上复习单词一个小时，对六级阅读进行翻译两个两个小时改进，第一没有听进行听力练习，没有练习翻译题目
男cv练戏感台词古风，cv练戏感台词长段子配音就业圈
一、男cv练戏感台词古风男性cv在练习台词时，可以选择一些古风台词来增加戏感。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。古风台词通常富有诗意，能够展现出角色的深情与内心世界。例如：“春水初生，春林初盛，春风十里，不如你。”这
ChatGPT的原理 wfx0002 人工智能人工智能
ChatGPT，美国OpenAI[1]研发的聊天机器人程序[12]，于2022年11月30日发布[2-3]。ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文[21]等任务。[2]发展历程编辑播报ChatGPT是美国人工智能研究实验室OpenAI
如何个人创业（如何个人创业做生意）声优配音圈
创业是一种追求梦想、实现价值、改变世界的行为，也是一种充满挑战、风险和不确定性的冒险。兼职副业推荐公众号，配音新手圈，声优配音圈，新配音兼职圈，配音就业圈，鼎音副业，有声新手圈，每天更新各种远程工作与在线兼职，职位包括：写手、程序开发、剪辑、设计、翻译、配音、无门槛、插画、翻译、等等。。。每日更新兼职。很多人都有创业的想法，但如何从零开始自己创业呢?如何选择创业方向，给大家一些参考建议1、学会挖掘
ChatGPT 3.5/4.0简单使用手册老童聊AI 明哥陪你学Python chatgpt
ChatGPT3.5/4.0是一种先进的人工智能聊天机器人，能够理解和生成自然语言文本，为用户提供信息检索、问题解答、语言翻译等服务。系统要求操作系统：无特定要求，支持主流操作系统。网络连接：需要稳定的网络连接来使用在线服务。安装与注册访问ChatGPT官方网站或下载相应的应用程序。创建账户：根据网站或应用程序的指示完成注册流程。登录：使用注册的账户信息登录。备注：因为国内环境原因，所以我们不得以
统一思想认识永夜-极光思想
1.统一思想认识的基础,才能有的放矢原因: 总有一种描述事物的方式最贴近本质,最容易让人理解. 如何让教育更轻松,在于找到最适合学生的方式. 难点在于,如何模拟对方的思维基础选择合适的方式. &
Joda Time使用笔记 bylijinnan java joda time
Joda Time的介绍可以参考这篇文章： http://www.ibm.com/developerworks/cn/java/j-jodatime.html 工作中也常常用到Joda Time，为了避免每次使用都查API，记录一下常用的用法： /** * DateTime变化（增减） */ @Tes
FileUtils API eksliang FileUtils FileUtils API
转载请出自出处：http://eksliang.iteye.com/blog/2217374 一、概述这是一个Java操作文件的常用库，是Apache对java的IO包的封装，这里面有两个非常核心的类FilenameUtils跟FileUtils，其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装，开发中对文件的操作，几乎都可以在这个框架里面找到。非常的好用。
各种新兴技术不懂事的小屁孩技术
1:gradle Gradle 是以 Groovy 语言为基础，面向Java应用为主。基于DSL（领域特定语言）语法的自动化构建工具。现在构建系统常用到maven工具，现在有更容易上手的gradle，搭建java环境: http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/ 搭建android环境： http://m
tomcat6的https双向认证酷的飞上天空 tomcat6
1.生成服务器端证书 keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
托管虚拟桌面市场势不可挡蓝儿唯美
用户还需要冗余的数据中心，dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台，提供服务或者MSP也可以自己来控制。在某些情况下，MSP会在dinCloud的云服务上进行服务分层，如监控和补丁管理。 MSP的利润空间将根据其参与的程度而有所不同，Din说。 “我们有一些合作伙伴负责将我们推荐给客户作为个
spring学习——xml文件的配置 a-john spring
在Spring的学习中，对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中，采用XML配置也是最常见的。以下是一个简单的XML配置文件： <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.or
HDU 4342 History repeat itself 模拟 aijuans 模拟
来源：http://acm.hdu.edu.cn/showproblem.php?pid=4342 题意：首先让求第几个非平方数，然后求从1到该数之间的每个sqrt(i)的下取整的和。思路：一个简单的模拟题目，但是由于数据范围大，需要用__int64。我们可以首先把平方数筛选出来，假如让求第n个非平方数的话，看n前面有多少个平方数，假设有x个，则第n个非平方数就是n+x。注意两种特殊情况，即
java中最常用jar包的用途 asia007 java
java中最常用jar包的用途 jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口，提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法，以及接收和处理SOAP错误的方法. w
ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法百合不是茶 js json编码返回异常
一:ajax获取自定义Struts框架中的json编码出现以下问题: 1,强制flush输出 json编码打印在首页 2, 不强制flush js会解析json 打印出来的是错误的jsp页面却没有跳转到错误页面 3, ajax中的dataType的json 改为text 会
JUnit使用的设计模式 bijian1013 java 设计模式 JUnit
JUnit源代码涉及使用了大量设计模式 1、模板方法模式（Template Method）定义一个操作中的算法骨架，而将一些步骤延伸到子类中去，使得子类可以不改变一个算法的结构，即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构，也就是步骤，而步骤的实现可以在子类中完成。
Linux常用命令（摘录） sunjing crond chkconfig
chkconfig --list 查看linux所有服务 chkconfig --add servicename 添加linux服务 netstat -apn | grep 8080 查看端口占用 env 查看所有环境变量 echo $JAVA_HOME 查看JAVA_HOME环境变量安装编译器 yum install -y gcc
【Hadoop一】Hadoop伪集群环境搭建 bit1129 hadoop
结合网上多份文档，不断反复的修正hadoop启动和运行过程中出现的问题，终于把Hadoop2.5.2伪分布式安装起来，跑通了wordcount例子。Hadoop的安装复杂性的体现之一是，Hadoop的安装文档非常多，但是能一个文档走下来的少之又少，尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布，但是它的配置跟2.5.0，2.5.1没有分别。 &nb
Anychart图表系列五之事件监听白糖_ chart
创建图表事件监听非常简单：首先是通过addEventListener('监听类型',js监听方法)添加事件监听，然后在js监听方法中定义具体监听逻辑。以钻取操作为例，当用户点击图表某一个point的时候弹出point的name和value，代码如下： <script> //创建AnyChart var chart = new AnyChart(); //添加钻取操作&quo
Web前端相关段子 braveCS web前端
Web标准：结构、样式和行为分离使用语义化标签 0）标签的语义：使用有良好语义的标签，能够很好地实现自我解释，方便搜索引擎理解网页结构，抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容，具有很好的可读性，从而实现对特殊终端的兼容。 1）div和span是没有语义的：只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时，才会适当添加div
编程之美-24点游戏 bylijinnan 编程之美
import java.util.ArrayList; import java.util.Arrays; import java.util.HashSet; import java.util.List; import java.util.Random; import java.util.Set; public class PointGame { /**编程之美
主页面子页面传值总结 chengxuyuancsdn 总结
1、showModalDialog returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值主界面 var sonValue=window.showModalDialog("son.jsp"); 子界面 window.retu
[网络与经济]互联网+的含义 comsci 互联网+
互联网+后面是一个人的名字 = 网络控制系统互联网+你的名字 = 网络个人数据库每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
oracle 创建视图 with check option daizj 视图 view oralce
我们来看下面的例子： create or replace view testview as select empno,ename from emp where ename like ‘M%’ with check option; 这里我们创建了一个视图，并使用了with check option来限制了视图。然后我们来看一下视图包含的结果： select * from testv
ToastPlugin插件在cordova3.3下使用 dibov Cordova
自己开发的Todos应用，想实现“ 再按一次返回键退出程序 ”的功能，采用网上的ToastPlugins插件，发现代码或文章基本都是老版本，运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。 ToastPlugin.java package&nbs
C语言22个系统函数 dcj3sjt126com c function
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分（尾数）x和以2位的指数部分n，即num=x*2n，指数n存放在exp指向的变量中，返回x。D
开发一个类的流程 dcj3sjt126com 开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件，并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库，供以后复用。以下是开发流程： 1. 明确类的功能，抽象出类的大概结构 2. 初步设想类的接口 3. 类名设计（驼峰式命名） 4. 属性设置(权限设置) 判断某些变量是否有必要作为成员属
java 并发 shuizhaosi888 java 并发
能够写出高伸缩性的并发是一门艺术在JAVA SE5中新增了3个包 java.util.concurrent java.util.concurrent.atomic java.util.concurrent.locks 在java的内存模型中，类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享，局部变量与方法参数都是线程私有的，不会被共享。
Spring Security（11）——匿名认证 234390216 Spring Security ROLE_ANNOYMOUS 匿名
匿名认证目录 1.1 配置 1.2 AuthenticationTrustResolver 对于匿名访问的用户，Spring Security支持为其建立一个匿名的AnonymousAuthenticat
NODEJS项目实践0.2[ express,ajax通信...] 逐行分析JS源代码 Ajax nodejs express
一、前言通过上节学习，我们已经 ubuntu系统搭建了一个可以访问的nodejs系统，并做了nginx转发。本节原要做web端服务及 mongodb的存取，但写着写着，web端就
在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值 lhbthanks java html struts checkbox
第一种方法：获取结果String类型在 Action 中获得的是一个 String 型数据，每一个被选中的 checkbox 的 value 被拼接在一起，每个值之间以逗号隔开(,)。所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。以下是实现的代码：前台 HTML 代码：
003.Kafka基本概念 nweiren hadoop kafka
Kafka基本概念：Topic、Partition、Message、Producer、Broker、Consumer。 Topic：消息源（Message）的分类。 Partition： Topic物理上的分组，一
Linux环境下安装JDK roadrunners jdk linux
1、准备工作创建JDK的安装目录： mkdir -p /usr/java/ 下载JDK，找到适合自己系统的JDK版本进行下载： http://www.oracle.com/technetwork/java/javase/downloads/index.html 把JDK安装包下载到/usr/java/目录，然后进行解压： tar -zxvf jre-7
Linux忘记root密码的解决思路 tomcat_oracle linux
1：使用同版本的linux启动系统，chroot到忘记密码的根分区passwd改密码　　2：grub启动菜单中加入init=/bin/bash进入系统，不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 　　3: grub启动菜单中加入 single以单用户进入系统. 　　4:用以上方法mount到根分区把/etc/passwd中的root密码去除　　例如: 　　ro
跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现 xueyou jsonp jquery 框架 UI html5
postMessage 是 HTML5 新方法，它可以实现跨域窗口之间通讯。到目前为止，只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持，而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样，前者是前端擅长跨域文档数据即时通讯，后者擅长针对跨域服务端数据通讯，p