poorguy_aos

Mobile Video Object Detection with Temporally-Aware Feature Maps(具有时间感知特征映射的移动视频目标检测)

英文原文

摘要

本文介绍了一种用于视频中物体检测的在线模型，该模型旨在在低功率移动和嵌入式设备上实时运行。我们的方法将快速的单图像目标检测模型与卷积长短期记忆（LSTM）层相结合，创造了混合的循环卷积体系结构。此外，我们提出了一个有效的Bottleneck-LSTM层，与常规LSTM相比，可显着降低计算成本。我们的网络通过使用Bottleneck-LSTM在帧间精化和传播特征图来实现时间感知。这种方法比现有视频检测方法快得多，在模型尺寸和计算成本方面优于最快的单帧模型，在Imagenet VID 2015数据集上获得了与更复杂的单帧模型相当的精度。我们的模型在移动CPU上实现高达15 FPS的实时推断速度。

1. Introduction

卷积神经网络[24,35,36,12]已经在先进的单图像目标检测技术[8,11,32,28,4]上确立了坚实的地位。然而，大存储开销和这些网络的计算时间慢限制了他们的实际应用。特别是，效率是首要考虑因素在设计适用于移动和嵌入式平台的模型时。最近，新的结构 [17,40]允许神经网络低算力运行并且有竞争力的表现在单图像目标检测中。但是，视频领域出现了额外的机会和挑战--利用时间线索，目前还不清楚如何为视频制作一个相对有效的检测框架场景。本文研究了通过单帧模型通过添加时间感知来构建检测模型的想法同时保持其速度和低资源消耗。

视频包含各种时间线索，可用于获得比单个图像更准确和稳定的物体检测。由于视频表现出时间连续性，相邻帧中的对象将保持在相似的位置，并且检测不会显着变化。因此，来自较早帧的检测信息可用于改进当前帧的预测。例如，自从网络能够跨帧查看不同姿势的对象，它可以更准确地检测对象。随着时间的推移，网络对预测也会变得更加自信，减少了单图像物体检测中的不稳定问题[37]。

最近的研究表明，这种连续性延伸到了特征空间，从相邻视频帧中提取的中间特征图也是高度相关的[43]。在我们的工作中，我们感兴趣的是在特征空间中添加时间感知，而不是仅在最终检测中添加，因为中间层中可用的信息量更大。我们通过循环网络架构调整来自先前帧的相应特征映射上的每个帧的特征映射来利用特征级别的连续性。

我们的方法通过联合卷积递归单元生成特征图，该联合卷积递归单元通过将标准卷积层与卷积LSTM组合而形成。目标是卷积层输出特征映射假设，然后将其馈送到LSTM并与来自先前帧的时间上下文融合以输出精确的，时间上感知的特征映射。图2显示了我们的方法。这种方法使我们能够从有效静止图像对象检测的进步中受益，因为我们可以使用我们的卷积 - 循环单元简单地扩展这些模型中的一些卷积层。循环层能够跨帧传播时间线索，允许网络在处理视频时访问越来越多的信息。

为了证明我们模型的有效性，我们评估了Imagenet VID 2015数据集[33]。我们的方法优于有效的单帧baselines，我们认为这种改进必须归功于时间上下文的成功利用，因为我们没有增加任何额外的判别力。我们提供的模型变体范围从200M到1100M的乘法增加和1到350万个参数，可以直接在各种移动和嵌入式平台上部署。据我们所知，我们的模型是第一个用于视频对象检测的移动优先神经网络。

本文的贡献如下：
•我们引入了统一的架构，用于在需要最少计算资源的视频中执行在线对象检测。
•我们提出卷积体系中循环层的新角色作为特征映射的时间细化。
•通过将卷积LSTM修改为高效，我们证明了在以效率为中心的网络中使用循环层的可行性。
•我们提供实验结果来证明我们的设计决策，并将我们的最终架构与各种单图像检测框架进行比较。

2.Related Work

2.1 Object Detection in Images

最近的单图像对象检测方法可以分为两类。一类包括由R-CNN [8]及其后代[7,32,16]推广的基于区域的两阶段方法。这些方法通过首先提出对象区域然后对每个区域进行分类来执行推断。或者，单发方法[28,31,4,26]通过在固定锚位置处产生预测来在单次通过中执行推断。由于其效率和竞争准确性，我们的工作建立在SSD框架之上[28]。

2.2. Video Object Detection with Tracks

Imagenet VID数据集上的许多现有方法将单帧检测组织为轨道或小管，并使用后处理更新检测。 Seq-NMS [10]将高可信度预测链接到整个视频的序列。 TCNN [22,23]使用光流将检测映射到相邻帧并抑制低置信度预测，同时还结合了跟踪算法。但是，这些方法都不执行实时推理，也不关注效率。

我们的方法不是在最终检测结果上运行，而是直接在特征级别上结合时间上下文，不需要后处理步骤或在线学习。由于我们的方法可以通过将任何这些方法应用于我们的检测结果来扩展，因此我们的网络与这些方法使用的基本单帧检测器相比，比只使用这些方法本身更具可比性。

最近的一项工作，D＆T [6]，通过在帧对上添加RoI跟踪操作和多任务损失来结合跟踪和检测。然而，他们的实验侧重于昂贵的高精度模型，而我们的方法专为移动环境量身定制。即使采用积极的时间跨步，由于Resnet-101基础网络的成本，它们的模型无法在移动设备上运行，这需要比我们的大型模型多79倍的计算，比我们的小型计算机高出450倍。

2.3. Video Object Detection with Optical Flow

为2017年Imagenet VID挑战[42]的获胜作品提供动力的另一类想法涉及使用光流来扭曲相邻帧的特征图。深度特征流（DFF）[43]通过在稀疏关键帧上运行检测器并使用光流生成剩余的特征映射来加速检测。 Flowguided Feature Aggregation [42]通过使用自适应加权对来自附近帧的特征进行变形和平均来提高检测精度。

这些想法更接近我们的方法，因为它们还使用时间线索直接修改网络功能并节省计算。然而，这些方法需要光流信息，这很难快速准确地获得。即使是DFF考虑的最小流量网络，其计算成本也比我们的大型模型大两倍，比我们的小型模型贵10倍。此外，需要同时运行流网络和非常昂贵的关键帧检测器使得这种方法需要比我们更多的存储器和存储消耗，这在移动设备上造成问题。相比之下，我们的网络包含的参数少于我们already-efficient的baseline基础检测器，并且没有额外的内存开销。

2.4. LSTMs for Video Analysis

LSTMs [15]已成功应用于涉及序列数据的许多任务[27]。一个特定的变体，卷积LSTM [34,30]，使用3D隐藏状态并使用卷积层执行门计算，允许LSTM编码空间和时间信息。我们的工作将卷积LSTM修改为更高效并使用它来跨帧传播时间信息

其他工作也使用LSTM进行基于视频的任务。 LRCNs [5]使用卷积网络从每个帧中提取特征，并将这些特征作为序列馈入LSTM网络。 ROLO [29]通过首先在每个帧上运行YOLO检测器[31]，然后将输出边界框和最终卷积特征馈送到LSTM网络来执行对象跟踪。虽然这些方法在网络输出之上应用LSTM作为后处理，我们的方法通过直接特征映射细化将LSTM完全集成到基本卷积网络中。

2.5. Efficient Neural Networks

最后，先前已经提出了几种用于创建更有效的神经网络模型的技术，例如量化[39,41]，因子分解[20,25]和深度压缩[9]。另一种选择是创建有效的体系结构，如Squeezenet [19]，Mobilenet [17]，Xception [3]和Shufflenet [40]。在视频领域，NoScope [21]使用经过修改的蒸馏形式[14]来训练极轻量级的专业模型，但代价是对其他视频的推广。我们的工作旨在在视频领域创建一个高效的架构，其中上述方法也适用。

3. Approach

在本节中，我们将介绍我们在视频中进行有效在线对象检测的方法。在我们工作的核心，我们提出了一种方法，将卷积LSTM合并到单图像检测框架中，作为跨时间传播帧级信息的手段。但是，LSTM的简单集成会导致大量的计算开销并阻止网络实时运行。为了解决这个问题，我们引入了具有深度可分离卷积[17,3]的Bottleneck-LSTM和Bottleneck设计原则是以降低计算成本。我们的最终模型在精度，速度和模型尺寸方面优于模拟单帧检测器。

3.1. Integrating Convolutional LSTMs with SSD

将视频视为一系列图像帧 $v={I_{0},I_{1},...,I_{n}}$ 。我们的目标是恢复帧级检测 ${D_{0}, D_{1},...,D_{n}}$ ，其中每个 $D_{k}$ 是对应于图像 $I_{k}$ 的边界框位置和类预测的列表。请注意，我们考虑在线设置，其中仅使用 $I_{k}$ 的帧来预测检测 $D_{k}$ 。

我们的预测模型可以看作函数F(It, $s_{t-1}$ )，其中sk = { $s_{k}^{0},s_{k}^{1},...,s_{k}^{m-1}$ }被定义为描述直到帧k的视频的特征映射的矢量。我们可以使用具有m个LSTM层的神经网络来近似该函数，其中st-1的每个特征映射用作一个LSTM的状态输入，并且从LSTM的状态输出中检索st的每个特征映射。为了获得整个视频的检测，我们只需按顺序通过网络运行每个图像

为了构建我们的模型，我们首先采用基于Mobilenet架构的SSD框架，并用深度可分离的卷积替换SSD要素层中的所有卷积层。我们还通过删除最后一层来修剪Mobilenet基础网络。我们不是将单独的检测和LSTM网络，而是直接将卷积LSTM层注入我们的单帧检测器。卷积LSTM允许网络对空间和时间信息进行编码，从而创建用于处理时间图像流的统一模型。

3.2. Feature Refinement with LSTMs

当应用于视频序列时，我们可以将LSTM状态解释为表示时间上下文的特征。然后，LSTM可以使用时间上下文在每个时间步骤细化其输入，同时还从输入提取额外的时间线索并更新其状态。这种细化模式通常足以通过在其后面放置LSTM层来应用于任何中间特征图。特征映射用作LSTM的输入，LSTM的输出在将来的所有计算中替换特征映射。

让我们首先将我们的单帧检测器定义为函数 $G(I_{t})=D_{t}$ 。此函数将用于构建具有m个LSTM层的复合网络。我们可以将这些LSTM视为将G层分割为m + 1 子网{ $g_{0},g_{1},...,g_{m}$ }满足:

$G(I_{t})=(g_{m}\bigcirc ...\bigcirc g_{1}\bigcirc g_{0})(I_{t})$ (1)

我们还定义了每个LSTM层 $\pounds _{0},\pounds _{1},...,\pounds _{m-1}$ 为函数 $\pounds _{k}(M,s_{t-1}^{k}) = (M_{+},s_{t}^{k})$ ，其中M和 $M_{+}$ 是相同维度的特征图。现在，按顺序计算

"公式"

我们已经形成了代表我们联合LSTM-SSD网络的函数F(It，st-1）=（Dt，st). 图2描绘了处理视频时我们的完整模型的输入和输出。实际上，我们的LSTM层的输入和输出可以具有不同的维度，但是只要每个子网络F的第一卷积层的输入维度被修改，就可以执行相同的计算。

在我们的架构中，我们通过实验选择G的分区。请注意，较早放置LSTM会导致较大的输入量，并且计算成本很快就会变得过高。为了使增加的计算可行，我们仅在具有最小空间维度的特征映射之后考虑LSTM放置，其仅限于Conv13层（参见表1）和SSD特征映射。在4.2节中，我们凭经验表明在Conv13层之后放置LSTM是最有效的。在这些约束中，我们考虑了几种放置LSTM层的方法：

1.在Conv13层之后放置一个LSTM。
2.在Conv13层之后堆叠多个LSTM。
3.在每个要素图后放置一个LSTM

3.3. Extended Width Multiplier

由于需要在单个前向通道中计算多个门，LSTM本身就很昂贵，这在以效率为中心的网络中存在问题。为了解决这个问题，我们引入了一系列变化，使LSTM与实时移动对象检测的目标兼容。

首先，我们讨论LSTM的维度。通过扩展[17]中定义的信道宽度乘数α，我们可以更好地控制网络架构。原始宽度乘数是用于缩放每个层的通道尺寸的超参数。我们不是将这个乘数均匀地应用于所有层，而是引入三个新参数 $\alpha_{base}$ ， $\alpha_{ssd}$ ， $\alpha_{lstm}$ ，它们控制网络不同部分的信道维数。
具有N个输出通道的基本Mobilenet网络中的任何给定层被修改为具有N $\alpha_{base}$ 输出通道，而 $\alpha_{ssd}$ 适用于所有SSD特征图并且 $\alpha_{lstm}$ 适用于LSTM层。对于我们的网络，我们设置 $\alpha_{base}$ =α， $\alpha_{ssd}$ =0.5α和 $\alpha_{lstm}$ =0.25α。每个的输出LSTM是输入大小的四分之一，大大减少了所需的计算量。

3.4. Efficient Bottleneck-LSTM Layers

我们也有兴趣使LSTM本身更有效率。设M和N分别为LSTM中输入和输出通道的数量。由于卷积LSTM的定义因不同的工作而异[34,30]，我们将标准卷积LSTM定义为：

"公式"

该LSTM将3D特征映射 $x_{t}$ 和 $h_{t-1}$ 作为输入并以通道方式连接它们。它输出特征图 $h_{t}$ 和单元状态 $c_{t}$ 。另外， $^{j}W^{k}\ast X$ 表示具有权重W，输入X，j输入通道和k输出通道的深度可分离卷积，φ表示激活函数， $\bigcirc$ 表示Hadamard乘积。

与以前的定义相比，我们使用深度可分离卷积可立即将所需计算量减少8到9倍。我们还选择稍微不寻常的φ（x）= ReLU（x）。尽管在LSTM中不常使用ReLU激活，但我们发现重要的是不要改变特征映射的界限，因为我们的LSTM散布在卷积层之间。

我们还希望利用我们的LSTM输出通道比输入通道少得多的事实。我们首先通过计算具有N个通道的瓶颈特征图来对LSTM方程进行微小修改： $b_{t} = \phi (^{(M+N)}W_{b}^{N}\ast [x_{t},h_{t-1}])$

然后，bt替换所有其他门中的输入，如图3所示。我们将这个新配方称为Bottleneck-LSTM。这种修改的好处是双重的。使用瓶颈特征图减少了门中的计算，在所有实际场景中都优于标准LSTM。其次，瓶颈-LSTM比标准LSTM更深，遵循经验证据12,13]，更深层次的模型优于宽和浅模型。

设每个特征映射的空间维数为DF×DF，让每个深度卷积核的维数为DK×DK。然后，标准LSTM的计算成本是：

$4(D_{k}^{2}\cdot (M+N)\cdot D_{F}^{2}+(M+N)\cdot N\cdot D_{F}^{2})$

标准GRU的成本几乎相同，除了领先系数为3而不是4.同时，瓶颈-LSTM的成本是：

$D_{K}^2 \cdot(N+M)\cdot D_F^2+(M+N)\cdot N \cdot D_F^2+4\cdot(D_K^2\cdot N\cdot D_F^2+N^2\cdot D_F^2)$

现在，设置DK = 3并且设k = M / N.然后,当k> 1时，等式（3）大于等式（4）。也就是说，只要我们的LSTM输出的通道少于输入的三倍，它就比标准LSTM更有效。由于这种情况不成立是极不寻常的，我们声称瓶颈-LSTM在所有实际情况下都更有效。当k> 1时，瓶颈-LSTM也比GRU更有效。在我们的网络中，k = 4，并且瓶颈-LSTM比任何替代方案都更有效。表1详细介绍了我们的完整架构之一。

4. Experiments

4.1. Experiment Setup

我们在Imagenet VID 2015数据集上进行培训和评估。对于培训，我们使用Imagenet VID培训集中的所有3,862个视频。我们将LSTM展开为10步并训练10帧的序列。我们使用RMSprop [38]和异步梯度下降在Tensorflow [1]中训练我们的模型。与原始的Mobilenet一样，我们的模型可以定制，以满足特定的计算预算。我们给出宽度乘数α= 1和α= 0.5的模型的结果。对于α= 1模型，我们使用320×320的输入分辨率和0.003的学习率。对于α= 0.5模型，我们使用256×256输入分辨率和0.002的学习率。

我们包括hard negative mining和数据扩增，如[28]中所述。我们通过允许每个正样本比10个负样本的比率来调整原始的hard negative mining，同时将每个负面损失缩放0.3。我们通过这种修改获得了明显更好的准确性，可能是因为最初的方法严厉地惩罚了groundtruth标签中的假阴性。

为了应对过度拟合，我们使用两阶段过程训练网络。首先，我们在没有LSTM的情况下对SSD网络进行微调。然后，我们冻结基础网络中的权重，直到并包括层Conv13，并为剩余的训练注入LSTM层。

为了评估，我们从Imagenet VID评估集中的每个视频中随机选择20个连续帧的片段，总共11080帧。我们将这些帧指定为迷你集。对于所有结果，我们报告标准的Imagenet VID精度度量，平均精度@ 0.5 IOU。我们还报告了参数数量和乘加（MAC）作为效率的基准。

4.2. Ablation Study

在本节中，我们将展示每个主要设计决策的个体有效性。

Single LSTM Placement. 首先，我们在模型中的各个层之后放置一个LSTM。表2证实了在特征映射之后放置LSTM可以提供卓越的性能，Conv13层提供了最大的改进，验证了我们声称在特征空间中添加时间感知是有益的。

Recurrent Layer Type. 接下来，我们将我们提出的Bottleneck-LSTM与其他复现层类型（包括平均值，LSTM和GRU [2]）进行比较。对于这个实验，我们在Conv13层之后放置一个循环层，并评估我们的模型的α= 1和α= 0.5。作为baseline，我们使用连续帧中的特征的加权平均，当前帧的权重为0.75，前一帧的权重为0.25。 Bottleneck-LSTM的输出通道尺寸根据扩展宽度乘数减小，但所有其他循环层类型具有相同的输入和输出尺寸，因为它们不是为Bottleneck而设计的。结果显示在表3中。我们的Bottleneck-LSTM比其他循环层的效率高一个数量级，同时获得相当的性能。

Bottleneck Dimension. 我们进一步分析了LSTM输出通道尺寸对精度的影响，如图4所示。在每个实验中，在Conv13层之后放置一个Bottleneck-LSTM。精度保持接近 $\alpha_{lstm}$ =0.25α，然后下降。这支持我们使用扩展宽度乘数

Multiple LSTM Placement Strategies. 我们的框架自然地推广到多个LSTM。在SSD中，每个特征图都表示特定比例的要素。我们研究了合并多个LSTM以改进不同尺度的特征图的好处。在表4中，我们评估了合并多个LSTM的不同策略。在此实验中，我们逐步向网络添加更多LSTM图层。由于难以同时训练多个LSTM，我们从先前的检查点进行微调，同时逐步添加层。在不同尺度的特征图之后放置LSTM导致略微的性能改进，并且由于稍后的特征图的小尺寸和LSTM层的效率，计算成本几乎没有变化。但是，在相同的特征图之后堆叠两个LSTM是没有益处的。对于最后两个特征图（FM3，FM4），我们不会进一步阻碍LSTM输出通道，因为通道尺寸已经非常小。我们使用在所有要素图之后放置LSTM的模型作为我们的最终模型。

4.3. Comparison With Other Architectures

在表5中，我们将最终模型与最先进的单图像检测框架进行比较。所有baseline都使用开源Tensorflow Object Detection API进行训练[18]。在这些方法中，只有MobilenetSSD变体和我们的方法可以在移动设备上实时运行，我们的方法在所有方面都优于Mobilenet-SSD指标。定性差异如图5所示。我们还包括以性能为重点的架构，这些架构的计算成本更高。我们的方法只需很少的成本即可达到Inception-SSD网络的准确性。此外，我们还包括Resnet Faster-RCNN的参数和MAC，以突出我们的方法和非移动视频对象检测方法之间的巨大计算差异，这些方法通常包括类似的昂贵的基础网络。

4.4. Robustness Evaluation

我们通过在每个视频中创建人工遮挡来测试我们的方法对输入噪声的稳健性。我们按如下方式生成这些遮挡：对于每个groundtruth边界框，我们分配遮挡边界框的概率p。对于尺寸为H×W的每个被遮挡的边界框，我们将在该边界框内的 $\frac{H}{2}\times \frac{W}{2}$ 和 $\frac{3H}{4}\times \frac{3W}{4}$ 之间的随机选择的矩形区域中的所有像素归零。表6中报告了该实验的结果。所有方法都在相同的遮挡上进行评估，并且在测试之前没有训练这些遮挡的方法。我们的方法在这种噪声数据上优于所有单帧SSD方法，证明我们的网络已经学习了视频的时间连续性，并使用时间线索来实现对噪声的鲁棒性。

4.5. Mobile Runtime

我们使用Qualcomm Snapdragon 835在最新的Pixel 2手机上根据baseline评估我们的模型。运行时间在Snapdragon 835 big和LITTLE核心上进行测量，使用Tensorflow [1]的自定义设备实现进行单线程推断。表7显示我们的模型优于所有baseline。值得注意的是，我们的α= 0.5模型在大核心上实现15 FPS的实时速度

5. Conclusion

我们在视频中引入了一种新颖的移动目标检测框架，该框架基于将移动SSD框架和循环网络统一到一个临时性的架构中。我们提出了一系列修改，使我们的模型比移动专注的单帧模型更快，更轻，尽管具有更复杂的架构。我们继续单独检查每个设计决策，并凭经验表明我们的修改使我们的网络更有效率，同时性能降低最小。我们还证明我们的网络足够快，可以在移动设备上实时运行。最后，我们证明我们的方法优于可比的最先进的单帧模型，以表明我们的网络受益于视频中的时间线索。

Acknowledgements：我们非常感谢同事们在这项工作中给予的帮助和讨论：Yuning Chai，Matthew Tang，Benoit Jacob，LiangChieh Chen，Susanna Ricco和Bryan Seybold。

References

[1] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. S. Corrado, A. Davis, J. Dean, M. Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving, M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Mane,´ R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K. Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viegas, O. Vinyals, P. War- ´ den, M. Wattenberg, M. Wicke, Y. Yu, and X. Zheng. TensorFlow: Large-scale machine learning on heterogeneous systems, 2015. Software available from tensorflow.org. 5, 7

[2] K. Cho, B. Van Merrienboer, C. Gulcehre, D. Bahdanau, ¨ F. Bougares, H. Schwenk, and Y. Bengio. Learning phrase representations using rnn encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078, 2014. 6

[3] F. Chollet. Xception: Deep learning with depthwise separable convolutions. arXiv preprint arXiv:1610.02357, 2016. 3

[4] J. Dai, Y. Li, K. He, and J. Sun. R-fcn: Object detection via region-based fully convolutional networks. In NIPS, 2016. 1, 2

[5] J. Donahue, L. Anne Hendricks, S. Guadarrama, M. Rohrbach, S. Venugopalan, K. Saenko, and T. Darrell. Long-term recurrent convolutional networks for visual recognition and description. In CVPR, 2015. 3

[6] C. Feichtenhofer, A. Pinz, and A. Zisserman. Detect to track and track to detect. In ICCV, 2017. 2

[7] R. Girshick. Fast r-cnn. In ICCV, 2015. 2

[8] R. Girshick, J. Donahue, T. Darrell, and J. Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. In CVPR, 2014. 1, 2

[9] S. Han, H. Mao, and W. J. Dally. Deep compression: Compressing deep neural network with pruning, trained quantization and huffman coding. In ICLR, 2016. 3

[10] W. Han, P. Khorrami, T. L. Paine, P. Ramachandran, M. Babaeizadeh, H. Shi, J. Li, S. Yan, and T. S. Huang. Seq-nms for video object detection. arXiv preprint arXiv:1602.08465, 2016. 2

[11] K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. In ECCV, 2014. 1

[12] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. In CVPR, 2016. 1, 5

[13] K. He, X. Zhang, S. Ren, and J. Sun. Identity mappings in deep residual networks. In ECCV, 2016. 5

[14] G. Hinton, O. Vinyals, and J. Dean. Distilling the knowledge in a neural network. arXiv preprint arXiv:1503.02531, 2015. 3 [15] S. Hochreiter and J. Schmidhuber. Long short-term memory. Neural Computation, 9(8):1735–1780, 1997. 3

[16] S. Hong, B. Roh, K.-H. Kim, Y. Cheon, and M. Park. Pvanet: Lightweight deep neural networks for real-time object detection. arXiv preprint arXiv:1611.08588, 2016. 2

[17] A. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861, 2017. 1, 3, 4

[18] J. Huang, V. Rathod, D. Chow, C. Sun, and M. Zhu. Tensorflow object detection api, 2017. 7

[19] F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. Dally, and K. Keutzer. Squeezenet: Alexnet-level accuracy with 50x fewer parameters and ¡0.5mb model size. arXiv preprint arXiv:1602.07360, 2016. 3

[20] M. Jaderberg, A. Vedaldi, and A. Zisserman. Speeding up convolutional neural networks with low rank expansions. arXiv preprint arXiv:1405.3866, 2014. 3

[21] D. Kang, J. Emmons, F. Abuzaid, P. Bailis, and M. Zaharia. Noscope: Optimizing neural network queries over video at scale. arXiv preprint arXiv:1703.02529, 2017. 3

[22] K. Kang, H. Li, J. Yan, X. Zeng, B. Yang, T. Xiao, C. Zhang, Z. Wang, R. Wang, X. Wang, and W. Ouyang. T-cnn: Tubelets with convolutional neural networks for object detection from videos. arXiv preprint arXiv:1604.02532, 2016. 2

[23] K. Kang, W. Ouyang, H. Li, and X. Wang. Object detection from video tubelets with convolutional neural networks. In CVPR, 2016. 2

[24] A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012. 1

[25] V. Lebedev, Y. Ganin, M. Rakhuba, I. Oseledets, and V. Lempitsky. Speeding-up convolutional neural networks using fine-tuned cp-decomposition. arXiv preprint arXiv:1412.6553, 2014. 3

[26] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar. Focal loss for dense object detection. In ICCV, 2017. 2

[27] Z. Lipton, J. Berkowitz, and C. Elkan. A critical review of recurrent neural networks for sequence learning. arXiv preprint arXiv:1506.00019, 2015. 3

[28] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu, and A. C. Berg. Ssd: Single shot multibox detector. In ECCV, 2016. 1, 2, 5

[29] G. Ning, Z. Zhang, C. Huang, and Z. He. Spatially supervised recurrent convolutional neural networks for visual object tracking. arXiv preprint arXiv:1607.05781, 2016. 3

[30] V. Patraucean, A. Handa, and R. Cipolla. Spatio-temporal video autoencoder with differentiable memory. arXiv preprint arXiv:1511.06309, 2015. 3, 4

[31] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi. You only look once: Unified, real-time object detection. In CVPR, 2016. 2, 3

[32] S. Ren, K. He, R. Girshick, and J. Sun. Faster r-cnn: Towards real-time object detection with region proposal networks. In NIPS, 2015. 1, 2

[33] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, et al. Imagenet large scale visual recognition challenge. IJCV, 115(3):211–252, 2015. 2

[34] X. Shi, Z. Chen, H. Wang, D. Yeung, W. Wong, and W. Woo. Convolutional lstm network: A machine learning approach for precipitation nowcasting. In NIPS, 2015. 3, 4

[35] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015. 1

[36] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. Going deeper with convolutions. In CVPR, 2015. 1

[37] C. Szegedy, W. Zaremba, I. Sutskever, J. Bruna, D. Erhan, I. Goodfellow, and R. Fergus. Intriguing properties of neural networks. arXiv preprint arXiv:1312.6199, 2013. 1

[38] T. Tieleman and G. Hinton. Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning, 4(2), 2012. 5

[39] J. Wu, C. Leng, Y. Wang, Q. Hu, and J. Cheng. Quantized convolutional neural networks for mobile devices. In CVPR, 2016. 3

[40] X. Zhang, X. Zhou, M. Lin, and J. Sun. Shufflenet: An extremely efficient convolutional neural network for mobile devices. arXiv preprint arXiv:1707.01083, 2017. 1, 3

[41] A. Zhou, A. Yao, Y. Guo, L. Xu, and Y. Chen. Incremental network quantization: Towards lossless cnns with lowprecision weights. In ICLR, 2017. 3

[42] X. Zhu, Y. Wang, J. Dai, L. Yuan, and Y. Wei. Flow-guided feature aggregation for video object detection. In ICCV, 2017. 2 [43] X. Zhu, Y. Xiong, J. Dai, L. Yuan, and Y. Wei. Deep feature flow for video recognition. In CVPR, 2017. 1, 2

你可能感兴趣的:(文献阅读,文献阅读,文献翻译)

研究生师兄谈SCI论文写作心得华大基因学院
即将毕业的高产博士师兄（博士在读期间累计发表SCI论文11篇，其中第一作者或通讯作者论文10篇），受学院委托介绍一下论文写作经验，希望能对大家更快、更轻松发表学术论文提供些许帮助。一、文献阅读在开展课题前，阅读文献是一个不可或缺的环节，只有充分了解你要做的课题，才能得心应手地设计课题，进而快速的围绕计划开展研究、准备数据，方便后期撰写论文。实际上，很多小伙伴常常花费大量时间看各种文献，但还是往往不
Pytorch学习记录-接近人类水平的GEC（使用混合机器翻译模型）我的昵称违规了
五月第二周要结束了，接下来的三个月主要是文献阅读，准备8、9月的开题报告，技术类的文献集中在GEC和Textmaching的应用方面，读完之后找demo复现，然后应用。理论方面的论文也都是英文的8.NearHuman-LevelPerformanceinGrammaticalErrorCorrectionwithHybridMachineTranslation昨天一天没看论文，发现我文献阅读速度太
文献阅读（42）——使用深度学习在眼底照中检测糖网并分类（综述）柚子味的羊文献阅读深度学习分类人工智能
使用深度学习在眼底照中检测糖网并分类（综述）Deeplearningfordiabeticretinopathydetectionandclassificationbasedonfundusimages:AreviewIF=6.698/Q1文章目录使用深度学习在眼底照中检测糖网并分类（综述）先验知识/知识拓展文章结构文章结果1.introduction方法1.眼底图像一般的分析pipeline2.
机器学习第二十五周周报 ConvLSTM 沽漓酒江机器学习人工智能
文章目录week25ConvLSTM摘要Abstract一、李宏毅机器学习二、文献阅读1.题目2.abstract3.网络架构3.1降水预报问题的建模3.2ConvolutionalLSTM3.3编码-预测结构4.文献解读4.1Introduction4.2创新点4.3实验过程4.3.1Moving-MNISTDataset4.3.2雷达回波数据集4.4结论三、基于pytorch实现ConvLST
机器学习第二十八周周报 PINNs2 沽漓酒江机器学习人工智能
文章目录week28PINNs2摘要Abstract一、Lipschitz条件二、文献阅读1.题目数据驱动的偏微分方程2.连续时间模型3.离散时间模型4.结论三、CLSTM1.任务要求2.实验结果3.实验代码3.1模型构建3.2训练过程代码小结参考文献week28PINNs2摘要本文主要讨论PINN。本文简要介绍了Lipschitz条件。其次本文展示了题为Physics-informedneura
文献阅读：金鱼端脑细胞类型图谱揭示了空间结构和细胞类型进化的多样性程序员
:::block-1文献介绍文献题目Atelencephaloncelltypeatlasforgoldfishrevealsdiversityintheevolutionofspatialstructureandcelltypes\研究团队AmitZeisel（以色列理工学院）、RonenSegev（本·古里安大学）\发表时间2023-11-01\发表期刊ScienceAdvances\影响因子
文献阅读-nomogram文章（七） cHarden13
题目：DevelopmentandValidationofaRadiomicsNomogramforPreoperativePredictionofLymphNodeMetastasisinColorectalCancerlogistic回归；放射组学；结直肠癌；淋巴结转移ref：医学方：临床医生的逆袭：深入解析临床研究预测类文章思路，带你成为科研“大牛”！一.纳入病人纳入2007.2-2010.
【思维导图认证班】戴兰第四幅思维导图作业-日程规划一为宝贝
我没有选择一日的时间来进行规划，而是以一个市级课题的完成来规划具体的步骤，因为这段时间都在集中做课题，没有安排其他的事情，所以没安排具体的时间。步骤分四部分：准备、撰写、查重和提交。准备又分为文献阅读准备和人员访谈准备；撰写分为结题报告、成果鉴定、成果要报。查重为知网，小于30%。提交分电子版和纸质版。心得：撰写前梳理整个课题的环节，撰写中边阅读文献边记录自己撰写的思路，撰写后按照思维导图傻瓜式准
200320复盘呼噜噜_77b5
上午上课，完成皮肤病学习。下午文献阅读，洗了个澡，然后完成单词，听力，阅读，口语。晚上部分完成老板任务。总得来讲，时间大部分利用了，效率和质量有待提高。
文献阅读：Mamba: Linear-Time Sequence Modeling with Selective State Spaces Espresso Macchiato 文献阅读 Mamba Transformer SSSM S6 SSM
文献阅读：Mamba:Linear-TimeSequenceModelingwithSelectiveStateSpaces1.文章简介2.方法介绍1.StateSpaceModels2.SelectiveStateSpaceModels3.实验考察&结论1.简单问题上的验证2.实际场景效果1.语言模型2.DNA模型3.语音模型3.细节考察1.速度和内存考察2.消融实验4.结论&思考文献链接：ht
2019-7-20晨间日记风雨兼程_007
今天是什么日子起床：0800就寝：2300天气：晴心情：美纪念日：无叫我起床的不是闹钟是梦想年度目标及关键点：结束一年的学校生活，重整行装再出发！本月重要成果：文献阅读报告选对方向今日三只青蛙/番茄钟看望阿姨，学习人家的好习惯看看优秀的人的家庭是怎么样的从中学习，思考人生成功日志-记录三五件有收获的事务给儿子修玩具枪，让其有自豪感陪娃学习，共同见证人家的成长信任感，信赖这东西靠培养财务检视看清楚自
Pytorch学习记录-GEC语法纠错我的昵称违规了
Pytorch学习记录-GEC语法纠错01五月第一周要结束了，接下来的三个月主要是文献阅读，准备8、9月的开题报告，技术类的文献集中在GEC和Textmaching的应用方面，读完之后找demo复现，然后应用。理论方面的论文也都是英文的，国内这块做的真的不行啊……学习计划GEC概念AlibabaatIJCNLP-2017Task1:EmbeddingGrammaticalFeaturesintoL
scanpy 教程 1：预处理和聚类 3k PBMCs Tiger Z 程序人生
「写在前面」学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。推荐先按顺序阅读往期内容：文献篇：1.文献阅读：SCANPY：大规模单细胞基因表达数据分析2.文献阅读：scverse项目为单细胞组学数据分析提供了计算生态系统目录1预处理2主成分分析3计算邻域图4嵌入邻域图5对邻域图进行聚类6寻找标记基因官网教程
[文献翻译]Towards Good Practices for Very Deep Two-Stream ConvNets 夏迪End
摘要：深度卷积网络已经在静态图像目标识别中取得了了的巨大成功。但是，对于视频的动作识别，深度卷积网络的改进不是那么明显。我们认为这样子的结果可能有两个原因。首先，与图像中非常深的模型（例如VGGNet[13]，GoogLeNet[15]）相比，当前的网络体系结构（例如，双流ConvNets[12]）相对较浅，因此它们的建模能力受到其深度的限制。其次，更重要的可能是，动作识别的训练数据集与Image
文献翻译（BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation）来自宇宙的曹先生文献翻译 cnn transformer 人工智能
BRAU-Net++:U-ShapedHybridCNN-TransformerNetworkforMedicalImageSegmentationBRAU-Net：用于医学图像分割的U形混合CNN变换网络LibinLan,Member,IEEE,PengzhouCai,LuJiang,XiaojuanLiu,YongmeiLi,andYudongZhang,SeniorMember,IEEE摘要
文献阅读：金鱼端脑细胞类型图谱揭示了空间结构和细胞类型进化的多样性 Tiger Z 程序人生
文献介绍「文献题目」Atelencephaloncelltypeatlasforgoldfishrevealsdiversityintheevolutionofspatialstructureandcelltypes「研究团队」AmitZeisel（以色列理工学院）、RonenSegev（本·古里安大学）「发表时间」2023-11-01「发表期刊」ScienceAdvances「影响因子」13.6
文献阅读02-2022-12-15 不学无术吗
题目：recentadvancesinRNAstructurome摘要：RNAstructuresareessentialtosupportRNAfunctionsandregulationinvariousbiologicalprocesses.Recently,arangeofnoveltechnologieshavebeendevelopedtodecodegenome-wideRNAstr
2024.2.4周报 Nyctophiliaa 人工智能深度学习
目录摘要一、文献阅读1、题目2、摘要3、模型架构4、文献解读一、Introduction二、实验三、结论二、PINN一、PINN比传统数值方法有哪些优势二、PINN方法三、正问题与反问题总结摘要本周我阅读了一篇题目为DeepResidualLearningforImageRecognition的文献，文章的贡献是作者提出了残差网络的思想，且证明了更深层的残差网络具有比VGG网络更低的复杂度和更高的
一种通过增强的面部边界实现精确面部表示的多级人脸超分辨率 qq_43314576 人工智能机器学习深度学习
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录摘要Abstract文献阅读：一种通过增强的面部边界实现精确面部表示的多级人脸超分辨率二、使用步骤1、研究背景2、方法提出3、相关方法3.1、FSR网络结构3.2、多阶段FSR网络结构4、实验工作5、方法比较LSTM代码学习2.1、什么是LSTM2.2、LSTM的处理过程2.3、LSTM代码分析总结摘要本周主要阅读了2020C
基于场景文字知识挖掘的细粒度图像识别算法 qq_43314576 算法深度学习人工智能
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录摘要Abstract文献阅读：基于场景文字知识挖掘的细粒度图像识别算法1、研究背景2、方法提出方法模块3、试验4、文章贡献二、RNN代码学习2.1、什么是RNN2.2、RNN的处理过程2.3、RNN简单代码实现总结摘要本周主要阅读了2022CVPR的文章，基于场景文字知识挖掘的细粒度图像识别算法，该论文提出了一种通过挖掘场景文
2019-05-06文献阅读记录一行白鹭上青天
2019-05-06阅读记录：题目：基于RS和GIS的桓仁县乡村聚落景观格局分析（2005年发表）期刊：测绘与空间地理信息Geomatics&SpatialInformationTechnology作者：于淼；李建东摘要：运用RS和GIS技术以及景观分析方法,以辽东山区桓仁县典型的6个乡镇乡村聚落为研究对象,选取乡村聚落斑块数、斑块面积、斑块密度、平均斑块面积、面积加权平均斑块分维数等5个景观指数
对于CNN的文献阅读和识别手写数字的复现白小李深度学习 cnn 神经网络
摘要一、文献阅读1、题目2、摘要3、引言4、CNN模型结构5、实验过程6、同GS算法的对比二、CNN识别手写数字1、两个性质2、图像卷积总结摘要在论文方面阅读了基于CNN网络对于大气湍流相位的提取，对CNN的结构网络和运行原理进行了学习，对CNN识别手写数字方面展开了编码，采用MINST数据集进行训练模型，并计划通过窗口就行可视化展现。Ireadthepaperonphaseextractiono
每日早晚都读书1000/101-专业文献阅读｜《外国建筑历史图说》刘松茯教授编著通过阅读专业书籍获得多元思维的处世之法李廿
历史发展到今天,古代、近现代和当代,不同的时代反映了不同的建筑观。刘松茯教授作为建筑教育学方面的一名资深中国学者,撰写这本《外国建筑历史图说》,并按照古代、近现代和当代三个不同时期对外国建筑史进行多方位、多角度、多层面的归纳和解读。1，首先,建筑是一种时代气息的表达。建筑与时代的关联十分密切,脱离了时代,建筑的生命力也就枯竭了。农业社会,建筑是手工艺产品:工业社会,建筑是机械化产品:信息社会,建筑
【文献阅读笔记】去噪学生网络：DeSTSeg 迎着黎明那道光文献阅读笔记视觉异常检测笔记异常检测视觉检测深度学习
2023CVPR领域：异常检测目标：图像输入数据文章目录1、模型2、方法3、实验4、引用5、想法1、模型模型分为三个模块，包括教师网络、去噪学生网络和分割网络。分为两个阶段进行训练，第一阶段训练去噪学生网络，第二阶段训练分割网络。2、方法去噪学生网络，主要解决的是异常过度泛化的问题，利用编码器-解码器架构实现去噪。在第一个阶段将合成异常图像输入，训练去噪学生网络输出无异常图像。使用合成异常图像的目
【文献阅读笔记】无监督异常检测遇到噪声数据：STKD 迎着黎明那道光文献阅读笔记视觉异常检测笔记异常检测视觉检测深度学习
2022ICIP领域：异常检测目标：图像输入数据文章目录1、什么是噪声数据2、解决的措施3、模型4、方法5、消融实验6、引用7、想法1、什么是噪声数据在无监督异常检测设置中，用于训练的数据均是正常图片，但由于缺陷可能是细微的，因种种原因可能无法保障用于训练的数据集内均是正常图像，有可能混有异常图像。如果仍然按照原有的假设进行异常检测，将会影响检测性能。2、解决的措施通过迭代执行异常检测步骤和训练步
python文献翻译_英文学术文献翻译软件有哪些推荐？ weixin_39689297 python文献翻译
想要日读10篇英文Paper，别说，还真的可以！有了下面这8个免费的文献翻译工具，相信你阅读文献的速度会直线上升！适用场景：长篇文献直接将文档上传到网站，就可完成翻译。彩云小译翻译的结果有一个很大的特点：翻译结果直接嵌在英文下方！阅读非常方便！它还有对应的浏览器插件，安装后可翻译网页，也是内嵌的显示方式。另外，彩云小译还有APP，安卓苹果都可使用。适用场景：长篇文献这是搜狗出品的翻译工具。翻译结果
一些学术文献翻译软件推荐~ 不吃榴莲千层自然语言处理机器翻译 nlp
知云文献翻译做科研逃脱不了阅读文献，文献大多是PDF格式，需要一个使用起来极其方便的翻译软件。它可以直接打开PDF文件，左侧用文本工具选择一段话，右侧就给出翻译。而且还有多个翻译引擎可供选择。而且其中某些翻译引擎翻译文献类质量十分了得。比如谷歌生物医学专用引擎。您可以用它阅读文字型PDF，除了文献，也可以是PDF书籍。软件是免费的！官网：知云文献翻译官网-官方指定最新知云文献翻译(zhiyunwe
<文献阅读>用转移熵通过微阵列的时间序列推断基因调控网络(inferring gene regulatory networks from microarray time series data ... 我们一起舔过铁栏杆
这篇文章是2007的时候发表在IEEE杂志上，并没有收录到PubMed里面。是韩国的学者开发出来的方法。具体来说，通过转移熵计算基因对的因果关系(causalrelations),也就是转移熵的值。转移熵不是负数，而且大小代表因果关系的强度。题目：Inferringgeneregulatorynetworksfrommicroarraytimeseriesdatausingtransferentr
生信技能树《GEO数据框挖掘》笔记鹿枫堂
友情提示：一定要有R语言的基础，建议学习生信技能树的《生信人这样这样学R语言》之后（最好再把中级20题做完），再来学习本系列视频！总的来说，理解了R语言中级20题之后，这一块的内容学起来就轻松了很多。1.通读文献阅读及规律这一块儿主要就是在你感兴趣的文章里，找到其测序信息的GSE号，在GEO数据库中直接检索该文件号。2.了解GEO数据库比如我们对GSE42872这个测序结果比较感兴趣，我们现在GE
第二十九周：文献阅读笔记（ResMLP）+ pytorch学习（Resnet代码实现） @默然笔记 pytorch 学习人工智能 python 深度学习机器学习
第二十九周：文献阅读笔记（ResMLP）摘要Abstract1.ResMLP1.1文献摘要1.2文献引言1.3ResMLP方法1.3.1整体流程1.3.2残差多感知机层1.4实验1.4.1数据集1.4.2超参数设置1.4.3主要结果1.4.4监督设置1.4.5自监督设置1.4.5知识蒸馏设置1.5ResMLP的创新点2.pytorch学习（ResNet代码实现）2.1数据集2.2文件结构2.3下载
rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
这是我自己想到的问题，结果去知呼提问，还没等别人回答，我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
java编程思想 -- 数据的初始化百合不是茶 java 数据的初始化
1.使用构造器确保数据初始化 /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
[航天与宇宙]为什么发射和回收航天器有档期 comsci
地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁... 所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
linux下批量替换文件内容商人shang linux 替换
1、网络上现成的资料　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
网页在线天气预报 oloz 天气预报
网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
SpringMVC和Struts2比较杨白白 springMVC
1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
refuse copy, lazy girl! 小桔子 copy
妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！
apache与php整合 aichenglong php apache web
一 apache web服务器 1 apeche web服务器的安装 1)下载Apache web服务器 2)配置域名(如果需要使用要在DNS上注册) 3)测试安装访问http://localhost/验证是否安装成功 2 apache管理 1)service.msc进行图形化管理 2)命令管理，配
Maven常用内置变量 AILIKES maven
Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
java的类和对象百合不是茶 JAVA面向对象类对象
java中的类： java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决 java使用 class 类名来创建类，在Java中类名要求和构造方法，Java的文件名是一样的创建一个A类： class A{ } java中的类：将某两个事物有联系的属性包装在一个类中，再通
JS控制页面输入框为只读 bijian1013 JavaScript
在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。
AngularJS与服务器交互 bijian1013 JavaScript AngularJS $http
对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
[Maven学习笔记八]Maven常用插件应用 bit1129 maven
常用插件及其用法位于：http://maven.apache.org/plugins/ 1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin 1. Jetty Pl
【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括：文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
UI设计中我们为什么需要设计动效 brotherlamp UI ui教程 ui视频 ui资料 ui自学
随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。一、加强体验舒适度嗯，就是让用户更加爽更加爽的用你的产品。
Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan java spring
参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
数据库连接池的工作原理 chicony 数据库连接池
随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
java 关键字 CrazyMizzz java
关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：（1）访问修饰符 public,private,protected p
Hive中的排序语法 daizj 排序 hive order by DISTRIBUTE BY sort by
Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
单态设计模式 dcj3sjt126com 设计模式
单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{ // 保存类实例在此属性中 private static&
svn locked dcj3sjt126com Lock
post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
ARM寄存器学习 e200702084 数据结构 C++c C#F#
无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。 ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
常用编码资料 gengzg 编码
List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
进程 vs. 线程 hongtoushizi 线程 linux 进程
我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。如果用多线程实现
Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linux crontab
一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来：第一段代表分钟 0—59 第二段代表小时 0—23 第三段代表日期 1—31 第四段代表月份 1—12 第五段代表星期几，0代表星期日 0—6 如： */1 * * * * 每分钟执行一次。 *
KMP算法详解 hm4123660 数据结构 C++算法字符串 KMP
字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。假设主串s="ababcabcacbab",模式串为t="
枚举类型的单例模式 zhb8015 单例模式
E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
Kafka+Storm+HDFS ssydxa219 storm
cd /myhome/usr/stormbin/storm nimbus &bin/storm supervisor &bin/storm ui &Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
Java获取本地服务器的IP 中华好儿孙 java Web 获取服务器ip地址
System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo