Tianchao龙虾
Tianchao龙虾

Apollo 星火计划课程笔记 ---- Perception

Apollo Perception

在这里插入图片描述

感知系统:

传感器： Lidar, Camera, Radar, Ultrasonic, Phone

地图: 高精地图

机器输出:

  • 道路信息：不强求在线识别，可以来自高精地图；场景理解，分割；
  • 障碍物信息:障碍物检测(位置，类别，形状大小)，障碍物跟踪(轨迹，速度),传感器融合(更安全)
  • 信号灯信息: camera识别颜色，其他信息来自地图；v2x是终极途径。

Part-1 多个维度看问题

  • 感知技术模块：

    • 大感知： 标定，定位，障碍物行为预测
    • 小感知: 检测，(语义)分割，(属性)识别，跟踪，融合

  • 多维度看感知问题:

    • Sensor维度(Input): Lidar, Camera, Radar 高精地图等
    • Target维度(Output): 障碍物，车道线，道路边界，红绿灯等
    • 问题空间维度:2D算法，3D算法，静态帧检测，时序处理
    • 机器视觉维度:模型计算，几何计算
    • 机器学习维度:深度学习(数据驱动)，后处理(启发式)
    • 系统维度: 硬件，软件

    点云障碍物感知: 障碍物的(位置，大小), 类别，朝向，轨迹，速度
    点云检测(分割)技术

Part-3 感知算法

启发式方法:NCut

  • 算法思路
    • 给予空间平滑性假设，空间上接近的点来自于同一个障碍物
    • 基于点云构建Graph, G=(V,E,W),
    • 把点云检测问题建模成Graph分割问题，一个Cluster是一个障碍物
    • 预处理（ROI过滤，去地面）和后处理（异常过滤）
  • 基于Graph的聚类，是一个经典问题，也是经典谱聚类问题；有很多衍生算法

优点： 解释性好
缺点: 鲁棒性差

深度学习方法:
CNNSeg

  • 把点云投影到Front View(Cylinder View)
  • 用全卷积神经网络(FCN)做检测

在这里插入图片描述

MV3D

  • 把雷达的测距准和Camera识别准结合起来做Middle-Level Fusion

在这里插入图片描述

后处理计算

  • 2D-to-3D的计算
    • 相机POSE的影响
    • 接地点，2D框，绝对尺寸多条路径回3D
    • 稳定性至关重要
  • 时序信息计算：跟踪
    • 对相机帧率和延时有要求
    • 充分利用检测模型的输出信息：特征, 类别
    • 可以考虑轻量级Metric Learning
  • 多相机环视融合
    • 相机布局决定融合策略
  • 几何计算+时序计算+环视融合，密不可分

红绿灯检测
难点:

  • 绿灯准确度搞(3个9)否则闯灯，召回影响通过率和体验
  • 各种环境都work(光照和天气)
  • 各种制式红绿灯都可识别(距离，高度，纵横，信号形状，频闪)

技术途径:

  • Sensor选项和setup，获取最大可视范围
    • High-Dynamic Range(HDR)大于100dB，1080P
    • 双camera, 长短焦切换， 6mm+12mm
  • 高精地图交互，增加在线识别鲁棒性
    • 地图提供灯组3D坐标和交通含义
    • 只看RoI区域，避免形状识别
  • 深度学习，应对appearance变化
    • 检测:灯组/灯头在哪
    • 分类:什么颜色？

在这里插入图片描述

Part-4 感知中的机器学习

不同一般的机器学习应用，对准、召、延时要求极其严格

  • 如何应对corner case?
    • 训练和测试的独立同分布
    • 训练时封闭的，测试是开放集
  • 可解释性是否需要？
    • 如何评估模型？如何回归测试？如何得到使用边界？
  • 不仅仅是深度学习
    • 还需要其他非机器学习方法，如何融合两种方法？
    • 也需要其他机器学习方法
  • 有监督学习可以走多远？

Part-5 感知的未来

  • Sensor迭代非常快
  • 深度学习+仿真数据+车载AI芯片
  • 智能交通设施，V2X普及
  • 人工智能技术进一步提升

目录

  1. 感知技术综述
  2. 感知业务线划分和Apollo感知模块基础设施
  3. 未来

1. 感知技术综述

在这里插入图片描述

外参数标定

传感器不同位置，有相对位置的，就是计算两两设备的位姿态变换矩阵

离线标定基本策略：

LIDAR-IMU-Camera策略

  • Lidar–>IMU, 两条位姿曲线的优化

Camera-Camera

在这里插入图片描述

在这里插入图片描述

2. 感知业务线划分和Apollo感知模块基础设施

在这里插入图片描述

通过Driver，获取数据。进行预处理，主要做一些数据补偿。然后优化和编码。紧接着就是Inference，最后发结果给tracker。

第一个例子:
在这里插入图片描述

第二个例子:

在这里插入图片描述

第三个例子：

在这里插入图片描述

3. 未来

  1. 自监督技术数据扩展数据集
  2. Attention(ViT)

在这里插入图片描述

你可能感兴趣的:(Apollo,自动驾驶,人工智能)

  • 【python】最新版小红书js逆向拿到数据，非常详细教程（附完整代码） 景天科技苑 爬虫副业实战零基础进阶教学pythonjs逆向小红书逆向python爬虫
    ✨✨欢迎大家来到景天科技苑✨✨养成好习惯，先赞后看哦~作者简介：景天科技苑《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。《博客》：Python全栈，前后端开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi，flask等框架，linux，shell脚本等实操经验，网站搭
  • 构建数字产业生态链，共绘数字经济新蓝图 树莓集团 人工智能大数据物联网科技生活
    在当今数字化浪潮席卷全球的时代，构建数字产业生态链成为了推动经济发展的关键引擎。数字产业生态链如同一个强大的磁场，吸引着各类创新要素汇聚，共同描绘出数字经济的宏伟新蓝图。数字产业生态链的核心在于融合与协同。它将软件开发、数据分析、人工智能、物联网等多个领域紧密连接在一起，打破传统产业界限，实现资源的高效整合与共享。不同的数字技术相互赋能，催生出全新的商业模式和产业形态。构建数字产业生态链，离不开创
  • 【深度学习实战】行人检测追踪与双向流量计数系统【python源码+Pyqt5界面+数据集+训练代码】YOLOv8、ByteTrack、目标追踪、双向计数、行人检测追踪、过线计数 阿_旭 AI应用软件开发实战深度学习实战深度学习python行人检测行人追踪过线计数
    《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~感谢小伙伴们点赞、关注！《------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
  • Python八大主要应用领域，你都知道吗？ TOP级别安卓开发 程序员python开发语言
    随着NumPy，SciPy，Matplotlib等众多程序库的开发和完善，Python越来越适合于做科学计算和数据分析了。它不仅支持各种数学运算，还可以绘制高质量的2D和3D图像。和科学计算领域最流行的商业软件Matlab相比，Python比Matlab所采用的脚本语言的应用范围更广泛，可以处理更多类型的文件和数据。4、人工智能当前最热工资最高的IT工作就是从事人工智能领域的工程师了。Python
  • 【激活函数总结】Pytorch中的激活函数详解： ReLU、Leaky ReLU、Sigmoid、Tanh 以及 Softmax 阿_旭 深度学习知识点pytorch人工智能python激活函数深度学习
    《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。感谢小伙伴们点赞、关注！《------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.
  • 020 现代数据中心的路由与交换架构 Network_Engineer RS网络网络安全计算机网络网络协议网络安全
    引言现代数据中心的设计必须兼顾高性能、高可用性和灵活性，以满足云计算、大数据、人工智能等应用的需求。在这样的背景下，数据中心的路由与交换架构设计显得尤为重要。Spine-Leaf架构、BGP路由优化以及高密度虚拟化环境中的交换技术，成为了现代数据中心的关键组成部分。本篇博文将探讨这些技术的实际应用，并提供华为设备的配置示例。1.Spine-Leaf架构的设计与实施Spine-Leaf架构是一种扁平
  • 连续上多个热搜的chatgpt到底是什么？ 高省张导师
    近日，一款名为ChatGPT的人工智能聊天机器人火了。ChatGPT能做什么呢？除了简单的对话，它能帮你写代码、写文章、写诗、翻译，只要你能想到...，甚至有人用它来写作业。大家好我是氧惠APP最大团队张导师，氧惠首批邀请码520888，注册就帮你推广，一起做到百万团队。氧惠APP，2023全新模式，我的直推也会放到你下面，我曾经1年做到百万团队，现在加入我也会帮你做到百万团队。【氧惠】百度有几百
  • 人工智能与机器学习原理精解【18】 叶绿先锋 基础数学与应用数学人工智能机器学习
    文章目录决策树基础决策树的定义决策树的计算决策树的例子决策树的例题决策树算法一、决策树的算法过程二、决策树的性质Julia中实现框架使用`DecisionTree.jl`使用`MLJ.jl`Julia包的教程一、了解Julia包生态系统二、安装Julia包1.打开JuliaREPL2.使用Pkg包管理器三、使用Julia包四、查找和了解Julia包1.Julia官方文档2.JuliaHub3.Gi
  • 【机器学习】机器学习的基本概念、算法的工作原理、实际应用案例 @我们的天空 人工智能技术机器学习算法人工智能自然语言处理金融pythonsklearn
    一、机器学习的基本概念定义：机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下从数据中学习并改进其性能。机器学习的目标是让计算机自动学习模式和规律，从而能够对未知数据做出预测或决策。主要类型：监督学习：在这种类型的学习中，算法通过已知输入输出数据对进行训练，学习映射函数，以便对新的输入数据进行预测。常见的监督学习任务包括分类和回归。无监督学习：无监督学习的任务是发现数据中的结构或模
  • 从零开始设计一款全新GPU jack_201316888 GPUAI大模型渲染GPUGPGPU
    （提纲：：）设计一款全新的GPU（图形处理单元）是一项复杂且多方面的工程工作，涉及到硬件架构、软件编程模型、性能优化、功耗管理等多个领域。以下是从零到一设计一款全新GPU的基本步骤和关键考虑因素。1.定义需求和目标1.1应用场景首先，需要明确GPU的应用场景。这可以是图形渲染（如游戏、电影制作）、通用计算（如科学计算、人工智能训练）、嵌入式系统（如移动设备、汽车电子）等。1.2性能目标根据应用场景
  • 【专题】2024年中国AI人工智能基础数据服务研究报告合集PDF分享（附原数据表） 拓端研究室 人工智能
    原文链接：https://tecdat.cn/?p=37516随着人工智能技术的迅猛发展，AI基础数据服务行业迎来了前所未有的发展机遇。报告合集显示，2023年中国AI基础数据服务市场规模达到45亿元，且未来五年复合增长率有望达到30.4%。多模态大模型、长文本处理能力提升以及大模型小型化技术成为AI领域热点研究方向，从而推动了对高质量数据的大量需求。阅读原文，获取专题报告合集全文，解锁文末403
  • 【自然语言处理】自然语言处理NLP概述及应用 @我们的天空 人工智能技术nlp人工智能深度学习python机器学习自然语言处理scikit-learn
    自然语言处理（NaturalLanguageProcessing，简称NLP）是一门集计算机科学、人工智能以及语言学于一体的交叉学科，致力于让计算机能够理解、解析、生成和处理人类的自然语言。它是人工智能领域的一个关键分支，旨在缩小人与机器之间的交流障碍，使得机器能够更有效地识别并响应人类的自然语言指令或内容。自然语言处理NLP概述基本任务：文本分类：将文本划分为预定义的类别，如情感分析、主题分类等
  • 大模型落地指南：从下载到本地化部署全流程解析 网安猫叔 人工智能自然语言处理语言模型AIGC深度学习
    一、引言随着人工智能技术的迅猛发展，大规模预训练模型（如GPT-4、BERT等）在自然语言处理、图像识别等领域展现出了卓越的性能。然而，如何将这些强大的模型从理论落地到实际应用中，仍然是许多技术从业者面临的挑战。本篇文章旨在为读者提供一份详尽的大模型落地指南，从模型的下载、文件结构的解析，到本地化部署的具体步骤，全面覆盖整个流程。无论你是初次接触大模型的新手，还是希望深入了解部署细节的资深开发者，
  • ChatGPT在环境科学领域的应用前沿分享 树谷-胡老师 科研会议chatgpt
    ChatGPT在环境科学领域的应用前沿在党的二十届三中全会上，明确要求健全因地制宜的发展新质生产力体制机制。新质生产力通过创新驱动，以高科技、高效能、高质量为特征，旨在摆脱传统经济增长方式和生产力发展路径，符合新发展理念。环境科学的新质生产力主要体现在基础数据、数据管理和数据分析三方面。通过增加数据覆盖率、提升数据管理自动化水平和利用人工智能（AI）进行数据分析，实现环境质量的实时监控和管理，为环
  • 如何在5个步骤中编写更好的ChatGPT提示 AI脑极体 chatgpt人工智能
    ChatGPT是一个风靡全球的生成式人工智能(AI)工具。虽然它有可能编造一些东西，但是通过精心设计提示，可以确保获得最佳结果。在这篇文章中，我们将探讨如何做到这一点。在本文中，我将向你展示如何编写提示，激励驱动ChatGPT的大语言模型（LLM）提供最佳答案。另请参阅:自从ChatGPT问世以来，我测试了几十个AI聊天机器人。这里是我最新的首选编写有效提示，通常被称为提示工程，已经成为一个高薪职
  • 自然语言处理系列六十六》对话机器人项目实战》对话机器人原理与介绍 陈敬雷-充电了么-CEO兼CTO python人工智能算法自然语言处理机器人人工智能AIGCchatgptgptai
    注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列六十六对话机器人项目实战》对话机器人原理与介绍对话机器人项目代码实战总结自然语言处理系列六十六对话机器人项目实战》对话机器人原理与介绍对话机器人是一个用来模拟人类对话或聊天的计算机程序，本质上是通过机器学习和人工智能等技术让
  • OPENAI中RAG实现原理以及示例代码用PYTHON来实现 dzend aigcpython开发语言ai
    OPENAI中RAG实现原理以及示例代码用PYTHON来实现1.引言在当今人工智能领域，自然语言处理（NLP）是一个非常重要的研究方向。近年来，OPENAI发布了许多创新的NLP模型，其中之一就是RAG（Retrieval-AugmentedGeneration）模型。RAG模型结合了检索和生成两种方法，可以用于生成与给定问题相关的高质量文本。本文将介绍RAG模型的实现原理，并提供使用Python
  • 大语言模型的上下文窗口（Context Windows）：对人工智能应用的影响 澳鹏Appen 生成式AI人工智能与机器学习RAG人工智能语言模型自然语言处理
    大语言模型（LLMs）极大地提升了人工智能在理解和生成类人文本方面的能力。其中一个影响其效用的基本方面是它们的“上下文窗口”——这个概念直接影响着这些模型接收和生成语言的有效性。我将深入探讨上下文窗口是什么、它们对人工智能应用的影响以及组织在利用大语言模型时的一些考量。澳鹏在提升大语言模型开发方面处于领先地位，提供一系列对超越当前性能基准至关重要的服务。我们专注于大语言模型创建的复杂细节，包括上下
  • 全能型AI与专业型AI：多样性与精专性的博弈 wangzaojun 人工智能
    随着人工智能技术的不断进步，AI的应用已经从单一领域扩展到几乎所有行业。近日，OpenAI宣布将在秋季推出代号为“草莓”的全新AI模型，这款全能型AI能够从复杂的数学计算到主观的营销策划，展现出令人惊叹的多样性。这一消息引发了广泛讨论：全能型AI是否会成为未来AI产品的发展方向？相比之下，专业型AI能否继续保持其不可替代的市场地位？本文将探讨全能型AI与专业型AI的优劣势，并分析其未来发展潜力。一
  • 论文笔记—NDT-Transformer: Large-Scale 3D Point Cloud Localization using the Normal Distribution Transfor 入门打工人 笔记slam定位算法
    论文笔记—NDT-Transformer:Large-Scale3DPointCloudLocalizationusingtheNormalDistributionTransformRepresentation文章摘要~~~~~~~在GPS挑战的环境中，自动驾驶对基于3D点云的地点识别有很高的要求，并且是基于激光雷达的SLAM系统的重要组成部分（即闭环检测）。本文提出了一种名为NDT-Transf
  • 多模态视野：探索Qwen-VL的70亿参数世界 努力犯错 人工智能计算机视觉深度学习gpt-3语言模型
    引言在人工智能的迅猛发展中，多模态大模型成为了新的研究热点。阿里云推出的Qwen-VL模型，就是在这一领域的重要突破。作为一款基于70亿参数的通义千问模型Qwen-7B开发的多模态视觉语言模型，Qwen-VL不仅在技术上实现了创新，更在多模态任务评测中展现出卓越的性能。官网demo技术特点Qwen-VL模型的核心在于其多模态理解能力。它能够同时处理图像和文本信息，实现更加全面和深入的数据解析。这一
  • 倒计时5天！“SMP-智谱AI大模型交叉学科基金”第二期持续申报中！数百万元现金或等额赞助支持... AITIME论道 人工智能
    点击蓝字关注我们AITIME欢迎每一位AI爱好者的加入！|本基金申报截止时间为2024年9月8日。随着人工智能和大模型技术的飞速发展，大模型技术在各个学科领域的应用已经展现出巨大的潜力和影响力。中国中文信息学会社会媒体处理专委会（http://www.cips-smp.org）联合北京智谱华章科技有限公司（以下简称“智谱AI”），共同推出“SMP-智谱AI大模型交叉学科基金”第二期。SMP-智谱A
  • 汽车智能驾驶算法汇总 芊言芊语 汽车算法
    汽车智能驾驶算法是自动驾驶技术的核心，它们集成了多个学科的知识，包括计算机视觉、机器学习、控制理论、路径规划等。以下是对汽车智能驾驶算法的一个详细汇总，内容分为几个关键部分进行阐述。一、计算机视觉算法计算机视觉是智能驾驶算法中用于识别和理解环境的关键技术。它主要包括图像处理、特征提取和对象识别等步骤。图像处理：通过摄像头等设备获取车辆前方的图像，然后进行预处理，如灰度化、二值化、滤波等操作，以提高
  • 第十一届国际分子模拟与人工智能应用学术会议 （2023-ICMS&AI） zzl18864612032 人工智能大数据算法云计算
    作为国内历史悠久、分子模拟领域公认的高水平国际学术会议，国际分子模拟与人工智能应用学术会议重磅回归。经过两年的精心筹备，本次会议将于2023年5月6日-7日在成都隆重举行，本次大会将为国内外从事分子模拟人工智能应用和研发创新数字化转型的企业、高校、科研机构的专家与学者，提供最为广泛的交流与合作平台。本届大会主题：洞悉微观，预见未来。会议概况——人工智能、分子模拟赋能科技研发创新过去20年，以计算化
  • 开源项目的认识理解 禁默 话题探讨开源程序人生
    目录开源项目有哪些机遇与挑战？1.开源项目的发展趋势2.开源的经验分享（向大佬请教与上网查询）3.开源项目的挑战开源项目有哪些机遇与挑战？1.开源项目的发展趋势1.持续增长与普及-开源项目将继续增长，特别是在云计算、大数据、人工智能等领域。-开源软件在企业中的应用将更加普及，成为企业IT战略的一部分。2.企业的参与-企业将继续增加对开源项目的投资，通过赞助、捐赠或直接参与开发来推动开源项目的发展。
  • 理性拥抱机器学习热潮：ML祖师爷Tom Mitchell最新洞见 「已注销」
    来源：雷锋网作者：杨晓凡本文共3484字，建议阅读7分钟。本文与你分享TomMitchell教授的最新洞见。编者按：上个月，全球移动互联网大会GMIC2018在北京开幕。此次主题为"AI生万物，谐音爱生万物，科学技术要有人文的温度，机器有爱，真芯英雄"的大会上，全球人工智能领袖汇聚全球业界顶尖领袖，探讨在基础硬件、大数据与开源平台、深度学习为代表的算法等人工智能领域的最新洞见，是年度行业发展的风向
  • 2021-01-02随笔 0清婉0
    人工智能时代最重要的是机器学习，像数据分析、图像识别、数据挖掘、自然语言处理、语音识别等都是以其为基础的，也可以说人工智能的各种应用都需要机器学习来支撑。现在各大公司越来越注重数据的价值，人工成本也是越来越高，所以机器学习也就变得不可或缺了。数据分析、自然语言处理、语音识别，这将是作为前端人员的我，在2021年学习的重点。现收集几本关于数据分析的书籍，作为参考书籍学习：1.《跟着迪哥学Python
  • AI科学家：从理论到实践的科研自动化革命 海森大数据 人工智能自动化运维
    在人工智能(AI)领域，每一次突破都预示着技术与创意的新纪元。近日，SakanaAI公司，由Transformer架构的创造者之一LlionJones创立，宣布了一项令人震惊的进展——首个完全自动化的科研平台，名为“TheAIScientist”。这一平台不仅能够独立完成从研究构想到论文发表的全过程，更开创性地引入了AI审稿人，实现了科研流程的自我完善与迭代。AI科学家的诞生SakanaAI在成立
  • 跌倒识别：守护公共安全的AI技术应用场景-免费API调用 思通数科x 人工智能
    随着科技的不断进步，人工智能在各个领域的应用日益广泛，其中在公共安全领域，智能跌倒识别系统正逐渐成为守护人们安全的重要工具。本文将分享智能跌倒识别系统在不同场景下的应用及其重要性。产品在线体验地址-API调用或本地化部署AI算法模型人体跌倒识别-微信扫码立刻-在线体验公安行业：提升应急响应速度在公安行业中，智能跌倒识别系统可以快速识别出在地铁站、交通枢纽等人流密集区域发生的跌倒事件。系统通过实时监
  • 基于深度学习的对抗样本生成与防御 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的对抗样本生成与防御是当前人工智能安全领域的关键研究方向。对抗样本是通过对输入数据进行微小扰动而产生的，能够导致深度学习模型做出错误预测。这对图像分类、自然语言处理、语音识别等应用构成了严重威胁，因此相应的防御措施也在不断发展。1.对抗样本生成对抗样本生成的方法主要有两大类：基于梯度的方法和基于优化的方法。1.1基于梯度的方法这些方法利用模型的梯度信息，通过细微的扰动来生成对抗样本，迫
  • apache ftpserver-CentOS config gengzg apache
    <server xmlns="http://mina.apache.org/ftpserver/spring/v1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation=" http://mina.apache.o
  • 优化MySQL数据库性能的八种方法 AILIKES sqlmysql
    1、选取最适用的字段属性 　　MySQL可以很好的支持大数据量的存取，但是一般说来，数据库中的表越小，在它上面执行的查询也就会越快。因此，在创建表的时候，为了获得更好的 性能，我们可以将表中字段的宽度设得尽可能小。例如，在定义邮政编码这个字段时，如果将其设置为CHAR(255),显然给数据库增加了不必要的空间，甚至使用VARCHAR这种类型也是多余的，因为CHAR(6)就可以很
  • JeeSite 企业信息化快速开发平台 Kai_Ge JeeSite
    JeeSite 企业信息化快速开发平台 平台简介 JeeSite是基于多个优秀的开源项目，高度整合封装而成的高效，高性能，强安全性的开源Java EE快速开发平台。 JeeSite本身是以Spring Framework为核心容器，Spring MVC为模型视图控制器，MyBatis为数据访问层， Apache Shiro为权限授权层，Ehcahe对常用数据进行缓存，Activit为工作流
  • 通过Spring Mail Api发送邮件 120153216 邮件main
    原文地址：http://www.open-open.com/lib/view/open1346857871615.html 使用Java Mail API来发送邮件也很容易实现，但是最近公司一个同事封装的邮件API实在让我无法接受，于是便打算改用Spring Mail API来发送邮件，顺便记录下这篇文章。 【Spring Mail API】 Spring Mail API都在org.spri
  • Pysvn 程序员使用指南 2002wmj SVN
    源文件:http://ju.outofmemory.cn/entry/35762 这是一篇关于pysvn模块的指南. 完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html. pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个. 该
  • 在SQLSERVER中查找被阻塞和正在被阻塞的SQL 357029540 SQL Server
    SELECT  R.session_id AS BlockedSessionID ,          S.session_id AS BlockingSessionID ,          Q1.text AS Block
  • Intent 常用的用法备忘 7454103 .netandroidGoogleBlogF#
    Intent     应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作（比如：view,edit,dial），以及程序执行到该动作时所需要的资料 。都指定好后，只要调用startActivity()，Android系统 会自动寻找最符合你指定要求的应用 程序，并执行该程序。 下面列出几种Intent 的用法 显示网页:
  • Spring定时器时间配置 adminjun spring时间配置定时器
    红圈中的值由6个数字组成，中间用空格分隔。第一个数字表示定时任务执行时间的秒，第二个数字表示分钟，第三个数字表示小时，后面三个数字表示日，月，年，< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" /> 测试的时候，由于是每天定时执行，所以后面三个数
  • POJ 2421 Constructing Roads 最小生成树 aijuans 最小生成树
    来源：http://poj.org/problem?id=2421 题意：还是给你n个点，然后求最小生成树。特殊之处在于有一些点之间已经连上了边。 思路：对于已经有边的点，特殊标记一下，加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在，又保证了所求的结果正确。 代码： #include <iostream> #include <cstdio>
  • 重构笔记——提取方法（Extract Method） ayaoxinchao java重构提炼函数局部变量提取方法
    提取方法（Extract Method）是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候，这时候就可以用提取方法这种重构手法。   下面是我学习这个重构手法的笔记：   提取方法看起来好像仅仅是将被提取方法中的一段代码，放到目标方法中。其实，当方法足够复杂的时候，提取方法也会变得复杂。当然，如果提取方法这种重构手法无法进行时，就可能需要选择其他
  • 为UILabel添加点击事件 bewithme UILabel
        默认情况下UILabel是不支持点击事件的，网上查了查居然没有一个是完整的答案，现在我提供一个完整的代码。   UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
  • NoSQL数据库之Redis数据库管理(PHP-REDIS实例) bijian1013 redis数据库NoSQL
    一.redis.php <?php //实例化 $redis = new Redis(); //连接服务器 $redis->connect("localhost"); //授权 $redis->auth("lamplijie"); //相关操
  • SecureCRT使用备注 bingyingao secureCRT每页行数
    SecureCRT日志和卷屏行数设置 一、使用securecrt时，设置自动日志记录功能。 1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径），命名为Logs； 2、点击Options -> Global Options -> Default Session -> Edite Default Sett
  • 【Scala九】Scala核心三：泛型 bit1129 scala
    泛型类 package spark.examples.scala.generics class GenericClass[K, V](val k: K, val v: V) { def print() { println(k + "," + v) } } object GenericClass { def main(args: Arr
  • 素数与音乐 bookjovi 素数数学haskell
        由于一直在看haskell，不可避免的接触到了很多数学知识，其中数论最多，如素数，斐波那契数列等，很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。     闲暇之余，从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
  • Java-Collections Framework学习与总结-IdentityHashMap BrokenDreams Collections
            这篇总结一下java.util.IdentityHashMap。从类名上可以猜到，这个类本质应该还是一个散列表，只是前面有Identity修饰，是一种特殊的HashMap。         简单的说，IdentityHashMap和HashM
  • 读《研磨设计模式》-代码笔记-享元模式-Flyweight bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.HashMap; import java.util.List; import java
  • PS人像润饰&调色教程集锦 cherishLC PS
      1、仿制图章沿轮廓润饰——柔化图像，凸显轮廓 http://www.howzhi.com/course/retouching/   新建一个透明图层，使用仿制图章不断Alt+鼠标左键选点，设置透明度为21%，大小为修饰区域的1/3左右（比如胳膊宽度的1/3），再沿纹理方向（比如胳膊方向）进行修饰。   所有修饰完成后，对该润饰图层添加噪声，噪声大小应该和
  • 更新多个字段的UPDATE语句 crabdave update
    更新多个字段的UPDATE语句                    update tableA a set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
  • hive实例讲解实现in和not in子句 daizj hivenot inin
    本文转自：http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html 当前hive不支持 in或not in 中包含查询子句的语法，所以只能通过left join实现。 假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户，字段只有一个uid)，这两个表都包含
  • 一道24点的10+种非人类解法（2,3,10,10） dsjt 算法
    这是人类算24点的方法？！！！ 事件缘由：今天晚上突然看到一条24点状态，当时惊为天人，这NM叫人啊？以下是那条状态 朱明西 : 24点，算2 3 10 10，我LX炮狗等面对四张牌痛不欲生，结果跑跑同学扫了一眼说，算出来了，2的10次方减10的3次方。。我草这是人类的算24点啊。。 然后么。。。我就在深夜很得瑟的问室友求室友算 刚出完题，文哥的暴走之旅开始了 5秒后
  • 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题 dcj3sjt126com yiiframework
    在使用 YIi的路径管理工具时，发现了一个问题。                    <?php         
  • 对象与关系之间的矛盾：“阻抗失配”效应[转] come_for_dream 对象
    概述   “阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库（RDBMS）存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年，而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。   “阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括：类的层次关系必须绑定为关系模式（将对象
  • 学习编程那点事 gcq511120594 编程互联网
    一年前的夏天，我还在纠结要不要改行，要不要去学php？能学到真本事吗？改行能成功吗？太多的问题，我终于不顾一切，下定决心，辞去了工作，来到传说中的帝都。老师给的乘车方式还算有效，很顺利的就到了学校，赶巧了，正好学校搬到了新校区。先安顿了下来，过了个轻松的周末，第一次到帝都，逛逛吧！ 接下来的周一，是我噩梦的开始，学习内容对我这个零基础的人来说，除了勉强完成老师布置的作业外，我已经没有时间和精力去
  • Reverse Linked List II hcx2013 list
    Reverse a linked list from position m to n. Do it in-place and in one-pass. For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4, return 
  • Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • Hadoop集群工具distcp liyonghui160com
        1. 环境描述 两个集群：rock 和 stone rock无kerberos权限认证，stone有要求认证。 1. 从rock复制到stone，采用hdfs Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端，即源端问题：报版本
  • 一个备份MySQL数据库的简单Shell脚本 pda158 mysql脚本
    　　主脚本（用于备份mysql数据库）： 　　该Shell脚本可以自动备份 数据库。只要复制粘贴本脚本到文本编辑器中，输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。 　　 1. 分别建立目录“backup”和“oldbackup” 　　#mkdir /backup 　　#mkdir /oldbackup 　
  • 300个涵盖IT各方面的免费资源（中）——设计与编码篇 shoothao IT资源图标库图片库色彩板字体
    A. 免费的设计资源 Freebbble:来自于Dribbble的免费的高质量作品。 Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。 Graphic Burger:每个像素点都做得很细的绝佳的设计资源。 Pixel Buddha:免费和优质资源的专业社区。 Premium Pixels:为那些有创意的人提供免费的素材。
  • thrift总结 - 跨语言服务开发 uule thrift
    官网 官网JAVA例子 thrift入门介绍 IBM-Apache Thrift - 可伸缩的跨语言服务开发框架 Thrift入门及Java实例演示 thrift的使用介绍   RPC    POM： <dependency> <groupId>org.apache.thrift</groupId>
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他