- 焦损函数(Focal Loss)与RetinaNet目标检测模型详解
人工智能
焦损函数(FocalLoss)与RetinaNet目标检测模型详解阅读时长:19分钟发布时间:2025-02-14近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】目前,精度最高的目标检测器大多基于由R-CNN推广的两阶段方法,即对稀疏的候选目标位置集应用分类器。相比之下,在规则、密集的可
- 【计算机视觉面经四】基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)
旅途中的宽~
计算机视觉面经总结计算机视觉深度学习目标检测YOLORCNN
文章目录一、前言二、两阶段目标检测算法2.1RCNN2.2Fast-RCNN2.3FasterR-CNN三、多阶段目标检测算法3.1CascadeR-CNN四、单阶段目标检测算法4.1编码方式4.1.1基于中心坐标4.1.1.1方案14.1.1.2方案24.1.1.3方案34.2YOLOv14.3SSD4.4YOLOv24.5RetinaNet4.6YOLOv34.7YOLOv44.8YOLOv5
- M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid
_忙中偷闲_
AAAI2019——https://github.com/qijiezhao/M2Det摘要特征金字塔广泛用于单阶段检测器,如DSSD,RetinaNet,RefineDet和双阶段检测器中,如MaskR-CNN,DeTNet,以解决多尺度目标检测问题。但是一般的金字塔结构是为图像分类任务而设计的,或者说,目标检测和图像识别任务是存在冲突的,浅层特征往往对于目标检测任务是重要的,深层特征往往是具有
- RetinaNet:推动计算机视觉中的目标检测
小北的北
计算机视觉目标检测目标跟踪人工智能机器学习
介绍在计算机视觉领域,目标检测是一项基础任务,使机器能够识别和定位图像或视频帧中的对象。这种能力在各个领域都有深远的影响,从自动驾驶车辆和机器人技术到医疗保健和监控应用。RetinaNet,作为一种开创性的目标检测框架,已经成为解决在复杂场景中检测各种大小的对象时准确性和效率方面挑战的显著解决方案。目标检测:一个基础挑战目标检测涉及在图像中识别多个对象,同时提供有关它们的空间位置和类别标签的信息。
- 深度学习 基本理论 3 :之物体检测(Anchor base/NMS/softmax/损失函数/BCE/CE/zip
机器学习杨卓越
计算机视觉人工智能语义分割unet图像分割
1、Anchorbase和Anchorfree1.1AnchorbaseAnchorbase,译为基于锚点的一个物体检测方法,也可以叫做基于一组预定义的框模型会预测每个锚点是否存在对象,并预测需要对锚点进行的调整以更好地适应该对象Anchorbase物体检测方法:FastR-CNN、SSD、YOLO、RetinaNet1.2AnchorFreeAnchorFree,无锚点方法则不依赖于预定义的锚点
- 目标检测-One Stage-RetinaNet
学海一叶
目标检测目标检测人工智能计算机视觉算法深度学习
文章目录前言一、RetinaNet的网络结构和流程二、RetinaNet的创新点BalancedCrossEntropyFocalLoss总结前言根据前文目标检测-OneStage-YOLOv2可以看出YOLOv2的速度和精度都有相当程度的提升,但是OneStage目标检测模型仍存在一个很大的问题:前景(positive)和背景(negatives)类别的不平衡ps:假设我们有一个医学图像分类任务
- 目标检测网络之retinanet解读(一)
wenyilab
[Paper:FocalLossforDenseObjectDetection][https://arxiv.org/abs/1708.02002]关于目标检测主要分为两大类别:onestage,twostageonestage代表:yolo系列,ssd(特点:检测精度低,但检测速度快)twostage代表:R-CNN系列,SPPNet(特点:检测精度高,但检测速度慢)在论文中作者去探讨了造成on
- ATSS算法
怎么全是重名
论文笔记算法目标检测人工智能
文章目录前言ATSS算法的基本原理ATSS算法的主要设计步骤算法实现伪代码描述如下:pytorch分析主要优点:ATSS算法在一定程度上保证了TinyObject的阳性样本:原文前言作者比较了FCOS和RetinaNet,发现它们之间主要有三个区别:(1)每个位置平铺锚的数量。RetinaNet在每个位置平铺几个锚盒,而FCOS在每个位置平铺一个锚点。(2)正、负样本的定义。RetinaNet采用
- RetinaNet:Focal Loss for Dense Object Detection(CVPR2018)
怎么全是重名
论文笔记目标检测人工智能计算机视觉
文章目录Abstract北京发现问题并给出方法成果IntroductionRelatedWorkRobust评估FocalLossBalancedCrossEntropyFocalLossDefinitionClassImbalanceandModelInitializationClassImbalanceandTwo-stageDetectorsRetinaNetDetectorExperime
- 第97步 深度学习图像目标检测:RetinaNet建模
Jet4505
《100StepstoGetML》—JET学习笔记深度学习目标检测人工智能RetinaNet
基于WIN10的64位系统演示一、写在前面本期开始,我们继续学习深度学习图像目标检测系列,RetinaNet模型。二、RetinaNet简介RetinaNet是由FacebookAIResearch(FAIR)的研究人员在2017年提出的一种目标检测模型。它是一种单阶段(one-stage)的目标检测方法,但通过引入一个名为FocalLoss的创新损失函数,RetinaNet解决了单阶段检测器常面
- Focal-EIOU Loss:用于精确边界框回归的高效IOU损失
Amusi(CVer)
计算机视觉论文速递目标检测人工智能深度学习机器学习计算机视觉自动驾驶
性能优于EIOU、FocalLoss、CIOU等,直接替换大多数检测网络中的原损失函数,均涨点明显!如PAA、ATSS和RetinaNet等。注:文末附【目标检测】交流群FocalandEfficientIOULossforAccurateBoundingBoxRegression作者单位:华南理工大学,地平线,中科院(谭铁牛等)论文:https://arxiv.org/abs/2101.0815
- AI技术应用帮助残疾人过更独立的生活
广问AI
广问AI新闻社讯目前美国拥有100万残障人士无法自主进食,他们别无选择只能在吃饭的时候依靠另一个人,这既尴尬又费时。现在华盛顿大学的研究人员已经制造了一个辅助灵巧机械手臂(ADA),一个拥有人工智能的机器人手臂,能够用叉子把食物从一个人的盘子里送到他们的嘴里,帮助残疾人过上更加独立的生活。在最近发表的论文中,UW团队描述了一对算法如何使ADA有能力为一个人提供食物。第一个算法retinanet是一
- 《Pytorch深度学习和图神经网络(卷 2)》学习笔记——第二章
404detective
PyTorch—学习笔记深度学习pytorch神经网络
基于图片内容的处理任务主要包括目标检测、图片分割两大任务。目标检测:精度相对较高,主要是以检测框的方式,找出图片中目标物体所在坐标。模型运算量相对较小,相对较快。图片分割:精度相对较低,主要是以像素点的集合方式,找出图片中目标物体边缘的具体像素点。模型运算量相对较大,相对较慢。目标检测单阶段:也叫Region-free方法,直接从模型获得预测结果,有YOLO、SSD、RetinaNet等。两阶段:
- 使用GluonCV+OpenCV+YoloV3调用摄像头实现实时人脸检测
Maplect
1.写在前面最近组里有个项目与目标识别有关,去网上找了一下,发现目前SOTA的目标识别算法基本都是one-stage的,比如SSD、DSSD、RetinaNet、YOLO等,但是速度上YOLO是最快的。而且看了下YOLO主页,作者的风格我很喜欢。所以仔细研究了一下。本文的内容基于GluonCV、OpenCV和YoloV3,运行平台为Ubuntu16.04版本。ps:因为组里采购的服务器还没到,目前
- 13.初识Pytorch 复现VGG16及卷积神经网络图的可视化(Tensorboard)
游客26024
手把手学习Pytorchpytorchcnn深度学习计算机视觉人工智能
搭建VGG16网络用黄框画出vgg中vgg16的部分,将此网络分为8个部分,s1(stage1),s2(stage2),s3(stage3),s4,s5,s6,s7,s8,其中stage出自RetinaNet分析公式out_size=1+(in_size+2*padding_size-kernel_size)/stride(1)1.input_1224*224*3->112*112*64其后有2层
- 【自动驾驶论文阅读笔记——精读RetinaTrack】
书玮嘎
自动驾驶人工智能机器学习
[阅读心得]自动驾驶经典论文——RetinaTrack写在前面1.Abstract2.Introduction3.RetinaTrack3.1Overview3.2RetinaNet3.3Modifying:Per-Anchor+Embbeding-Branch3.4TrainingLoss+LabelAssign3.5Inference4.Experiment4.1Architectual4.2
- 使用Retinanet训练自己的数据集
babyzbb636
深度学习Retinanetlinux
目录目录1构建Retinanet环境2生成CSV文件3训练4.转化模型5.测试6.评测loss可视化ap,precision-recall数据集什么的看我之前博客,资源里也有标记好的数据集,这里主要写一下我配置使用训练过程。1构建Retinanet环境1.代码库下载地址https://github.com/fizyr/keras-retinanet,或git命令:gitclonehttps://g
- 基于TensorFlow Object Detection API实现RetinaNet目标检测网络(附源码)
liuqiker
机器学习/深度学习tensorflow目标检测深度学习人工智能神经网络
文章目录一、RetinaNet简介1.Backbone网络2.FPN网络二、RetinaNet实现1.tf.train.CheckPoint简介2.RetinaNet的TensorFlow源码一、RetinaNet简介 RetinaNet是作者Tsung-YiLin和KaimingHe于2018年发表的论文FocalLossforDenseObjectDetection中提出的网络。Retina
- 目标检测算法之RetinaNet(引入Focal Loss)
君临天下夜未央
前言今天来介绍一下目标检测算法中RetinaNet,这篇论文是ICCV2017的作品,KaimingHe也是作者之一,同时这篇论文提出的FocalLoss也对工程上训练更好的目标检测模型做出了贡献,所以我们尝试理解一下这篇论文的思想。论文地址为:https://arxiv.org/pdf/1708.02002.pdf研究背景前面我们介绍了一些One-Stage目标检测算法和Two-Stage目标检
- OpenMMLab MMYOLO目标检测算法原理(二)
qq_41627642
MMYOLO目标检测算法人工智能
算法原理及YOLOV5实现YOLOv5是一种面向实时工业应用的开源目标检测算法,受到了广泛的关注。YOLOv5之所以能火爆,并不仅仅是因为其优异的性能。它更多的是关于其库的整体实用性和稳健性。简而言之,YOLOv5的主要特点是:(1)友好完善的部署支持(2)训练速度快:300epoch情况下的训练时间与大多数12epoch下的一阶段和两阶段算法相似,例如RetinaNet、ATSS和FasterR
- [SRN] Selective Refinement Network for High Performance Face Detection
凉拌东坡肉
SRN网络结构图SRN网络结构和RefineDet有比较类似的思路,基于RetinaNet,并引入focalloss,在anchorbased人脸检测器中引入了two-step的cls+reg任务,有效地降低了人脸检测中的falsepositives,提开了人脸定位的精度,且有利于小尺度人脸的检出。STC(SelectiveTwoStepClassification)通过C2,C3,C4(1st-
- YOLOv3 best_iou问题
AI视觉网奇
pytorch知识宝典yolo
YOLOv3解读转自:https://xmfbit.github.io/2018/04/01/paper-yolov3/YOLO的作者又放出了V3版本,在之前的版本上做出了一些改进,达到了更好的性能。这篇博客介绍这篇论文:YOLOv3:AnIncrementalImprovement。下面这张图是YOLOV3与RetinaNet的比较。可以使用搜索功能,在本博客内搜索YOLO前作的论文阅读和代码。
- pytorch 绘制多个算法loss_Pytorch - FocalLoss的几种实现
窦福成
pytorch绘制多个算法loss
FocalLoss用于one-stage目标检测算法(Retinanet),提升检测效果.也可以被用于分类任务中,解决数据不平衡问题.1.Github-DeepLabV3Plus-Pytorchimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFclassFocalLoss(nn.Module):def__init__(self,alp
- YOLO(八) YOLOF
blackmanba_084b
paper:YouOnlyLookOne-levelFeaturecode:megvii-model/YOLOF一、原理介绍结构图这篇文章主要是在提取特征以及对于loss平衡做了改进。提取特征网络主要是针对RetinaNet的FPN的结构进行改进,如下是所示作者通过四个实验分别是MiMo,SiMo,MiSo以及SiSo最终发现SiMo和MiSo的表现能力相当。这里总结出一个结论多尺度特征融合(C3
- BCE loss和 CE理解
huluhuluwa123
#Pytorch深度学习BCECELoss
1.BCEloss:BinaryCrossEntropyLossBCElosspytorch官网链接1.1解释pytorch中调用如下。设置weight,使得不同类别的损失权值不同。其中x是预测值,取值范围(0,1),target是标签,取值为0或1.在Retinanet的分类部分最后一层的激活函数用的是sigmoid,损失函数是BCEloss.BCEloss可以对单个类别进行求损失,配合sigm
- 图像 检测 - RetinaNet: Focal Loss for Dense Object Detection (arXiv 2018)
77wpa
#图像检测目标检测人工智能计算机视觉
图像检测-RetinaNet:FocalLossforDenseObjectDetection-密集目标检测中的焦点损失(arXiv2018)摘要1.引言2.相关工作References声明:此翻译仅为个人学习记录文章信息标题:RetinaNet:FocalLossforDenseObjectDetection(arXiv2018)作者:Tsung-YiLin,PriyaGoyal,RossGir
- Windows下搭建TensorFlow-gpu2.3环境,训练测试keras-retinanet
一路前行,幸运相伴
开发环境与工具tensorflow深度学习cudacudnn
Windows下搭建TensorFlow-gpu2.3环境,训练测试keras-retinanet1.安装GPU环境——cuda、cudnn1.1安装显卡驱动1.2安装cuda1.3安装cudnn1.4验证是否安装成功2.安装Python环境2.1安装conda虚拟环境2.2安装TensorFlow及keras2.3安装其他依赖项2.4进行keras-retinanet所需的编译3.训练测试ker
- SSD data_augmentation对自己数据集做增强
miahuang
前言:目前我在做车辆目标检测任务,虽然对实时性的要求不高,但是对检测的准确性有比较高的要求.使用yolo,retinanet神经网络进行检测的时候发现,喂数据的多少,很影响检测的结果.不论是做什么任务,数据一直都是一个比较头痛的问题.ssd是一个优秀的网络模型.在数据增强方法做了很多处理,例如裁剪,明亮强度等.我在github上面,找到了ssd源码,https://github.com/amdeg
- 目标检测—7 RetinaNet
山居秋暝LS
计算机视觉
RetinaNet1主干网络2数据处理3训练4预测5模型评价1主干网络主干网络:RestNet50+FPN+(cls,reg)RestNet50:对Inputs用ConvBlock和IdentityBlock进行5次下采样,输出3个特征层FPN:对上一步输入的特征层上采样得到5个特征层。cls,reg:根据上一步的结果分别进行回归和分类。2数据处理把数据分为训练集、验证集、测试集1.0设置xml地
- 遥感目标检测(3)-DAL(Dynamic Anchor Learning for Object Detection)
Struart_R
遥感目标检测目标检测人工智能计算机视觉旋转目标检测
目录一、概述二、背景三、建议1、旋转RetinaNet2、动态锚框分布3、匹配敏感损失四、实验一、概述由于选择正样本锚框进行回归,不一定能够定位真实的GT,而部分负样本回归甚至可以回归到真实的GT,说明相当多的负样本锚框有着准确定位的能力,这说明IoU进行回归锚框存在一定的问题,所以引出DAL(动态锚框学习),重新设置新的匹配度来综合评价锚框的定位潜力。图(a)表示有74%的正样本锚框可以很好的定
- java数字签名三种方式
知了ing
javajdk
以下3钟数字签名都是基于jdk7的
1,RSA
String password="test";
// 1.初始化密钥
KeyPairGenerator keyPairGenerator = KeyPairGenerator.getInstance("RSA");
keyPairGenerator.initialize(51
- Hibernate学习笔记
caoyong
Hibernate
1>、Hibernate是数据访问层框架,是一个ORM(Object Relation Mapping)框架,作者为:Gavin King
2>、搭建Hibernate的开发环境
a>、添加jar包:
aa>、hibernatte开发包中/lib/required/所
- 设计模式之装饰器模式Decorator(结构型)
漂泊一剑客
Decorator
1. 概述
若你从事过面向对象开发,实现给一个类或对象增加行为,使用继承机制,这是所有面向对象语言的一个基本特性。如果已经存在的一个类缺少某些方法,或者须要给方法添加更多的功能(魅力),你也许会仅仅继承这个类来产生一个新类—这建立在额外的代码上。
- 读取磁盘文件txt,并输入String
一炮送你回车库
String
public static void main(String[] args) throws IOException {
String fileContent = readFileContent("d:/aaa.txt");
System.out.println(fileContent);
- js三级联动下拉框
3213213333332132
三级联动
//三级联动
省/直辖市<select id="province"></select>
市/省直辖<select id="city"></select>
县/区 <select id="area"></select>
- erlang之parse_transform编译选项的应用
616050468
parse_transform游戏服务器属性同步abstract_code
最近使用erlang重构了游戏服务器的所有代码,之前看过C++/lua写的服务器引擎代码,引擎实现了玩家属性自动同步给前端和增量更新玩家数据到数据库的功能,这也是现在很多游戏服务器的优化方向,在引擎层面去解决数据同步和数据持久化,数据发生变化了业务层不需要关心怎么去同步给前端。由于游戏过程中玩家每个业务中玩家数据更改的量其实是很少
- JAVA JSON的解析
darkranger
java
// {
// “Total”:“条数”,
// Code: 1,
//
// “PaymentItems”:[
// {
// “PaymentItemID”:”支款单ID”,
// “PaymentCode”:”支款单编号”,
// “PaymentTime”:”支款日期”,
// ”ContractNo”:”合同号”,
//
- POJ-1273-Drainage Ditches
aijuans
ACM_POJ
POJ-1273-Drainage Ditches
http://poj.org/problem?id=1273
基本的最大流,按LRJ的白书写的
#include<iostream>
#include<cstring>
#include<queue>
using namespace std;
#define INF 0x7fffffff
int ma
- 工作流Activiti5表的命名及含义
atongyeye
工作流Activiti
activiti5 - http://activiti.org/designer/update在线插件安装
activiti5一共23张表
Activiti的表都以ACT_开头。 第二部分是表示表的用途的两个字母标识。 用途也和服务的API对应。
ACT_RE_*: 'RE'表示repository。 这个前缀的表包含了流程定义和流程静态资源 (图片,规则,等等)。
A
- android的广播机制和广播的简单使用
百合不是茶
android广播机制广播的注册
Android广播机制简介 在Android中,有一些操作完成以后,会发送广播,比如说发出一条短信,或打出一个电话,如果某个程序接收了这个广播,就会做相应的处理。这个广播跟我们传统意义中的电台广播有些相似之处。之所以叫做广播,就是因为它只负责“说”而不管你“听不听”,也就是不管你接收方如何处理。另外,广播可以被不只一个应用程序所接收,当然也可能不被任何应
- Spring事务传播行为详解
bijian1013
javaspring事务传播行为
在service类前加上@Transactional,声明这个service所有方法需要事务管理。每一个业务方法开始时都会打开一个事务。
Spring默认情况下会对运行期例外(RunTimeException)进行事务回滚。这
- eidtplus operate
征客丶
eidtplus
开启列模式: Alt+C 鼠标选择 OR Alt+鼠标左键拖动
列模式替换或复制内容(多行):
右键-->格式-->填充所选内容-->选择相应操作
OR
Ctrl+Shift+V(复制多行数据,必须行数一致)
-------------------------------------------------------
- 【Kafka一】Kafka入门
bit1129
kafka
这篇文章来自Spark集成Kafka(http://bit1129.iteye.com/blog/2174765),这里把它单独取出来,作为Kafka的入门吧
下载Kafka
http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.10-0.8.1.1.tgz
2.10表示Scala的版本,而0.8.1.1表示Kafka
- Spring 事务实现机制
BlueSkator
spring代理事务
Spring是以代理的方式实现对事务的管理。我们在Action中所使用的Service对象,其实是代理对象的实例,并不是我们所写的Service对象实例。既然是两个不同的对象,那为什么我们在Action中可以象使用Service对象一样的使用代理对象呢?为了说明问题,假设有个Service类叫AService,它的Spring事务代理类为AProxyService,AService实现了一个接口
- bootstrap源码学习与示例:bootstrap-dropdown(转帖)
BreakingBad
bootstrapdropdown
bootstrap-dropdown组件是个烂东西,我读后的整体感觉。
一个下拉开菜单的设计:
<ul class="nav pull-right">
<li id="fat-menu" class="dropdown">
- 读《研磨设计模式》-代码笔记-中介者模式-Mediator
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/
/*
* 中介者模式(Mediator):用一个中介对象来封装一系列的对象交互。
* 中介者使各对象不需要显式地相互引用,从而使其耦合松散,而且可以独立地改变它们之间的交互。
*
* 在我看来,Mediator模式是把多个对象(
- 常用代码记录
chenjunt3
UIExcelJ#
1、单据设置某行或某字段不能修改
//i是行号,"cash"是字段名称
getBillCardPanelWrapper().getBillCardPanel().getBillModel().setCellEditable(i, "cash", false);
//取得单据表体所有项用以上语句做循环就能设置整行了
getBillC
- 搜索引擎与工作流引擎
comsci
算法工作搜索引擎网络应用
最近在公司做和搜索有关的工作,(只是简单的应用开源工具集成到自己的产品中)工作流系统的进一步设计暂时放在一边了,偶然看到谷歌的研究员吴军写的数学之美系列中的搜索引擎与图论这篇文章中的介绍,我发现这样一个关系(仅仅是猜想)
-----搜索引擎和流程引擎的基础--都是图论,至少像在我在JWFD中引擎算法中用到的是自定义的广度优先
- oracle Health Monitor
daizj
oracleHealth Monitor
About Health Monitor
Beginning with Release 11g, Oracle Database includes a framework called Health Monitor for running diagnostic checks on the database.
About Health Monitor Checks
Health M
- JSON字符串转换为对象
dieslrae
javajson
作为前言,首先是要吐槽一下公司的脑残编译部署方式,web和core分开部署本来没什么问题,但是这丫居然不把json的包作为基础包而作为web的包,导致了core端不能使用,而且我们的core是可以当web来用的(不要在意这些细节),所以在core中处理json串就是个问题.没办法,跟编译那帮人也扯不清楚,只有自己写json的解析了.
- C语言学习八结构体,综合应用,学生管理系统
dcj3sjt126com
C语言
实现功能的代码:
# include <stdio.h>
# include <malloc.h>
struct Student
{
int age;
float score;
char name[100];
};
int main(void)
{
int len;
struct Student * pArr;
int i,
- vagrant学习笔记
dcj3sjt126com
vagrant
想了解多主机是如何定义和使用的, 所以又学习了一遍vagrant
1. vagrant virtualbox 下载安装
https://www.vagrantup.com/downloads.html
https://www.virtualbox.org/wiki/Downloads
查看安装在命令行输入vagrant
2.
- 14.性能优化-优化-软件配置优化
frank1234
软件配置性能优化
1.Tomcat线程池
修改tomcat的server.xml文件:
<Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" maxThreads="1200" m
- 一个不错的shell 脚本教程 入门级
HarborChung
linuxshell
一个不错的shell 脚本教程 入门级
建立一个脚本 Linux中有好多中不同的shell,但是通常我们使用bash (bourne again shell) 进行shell编程,因为bash是免费的并且很容易使用。所以在本文中笔者所提供的脚本都是使用bash(但是在大多数情况下,这些脚本同样可以在 bash的大姐,bourne shell中运行)。 如同其他语言一样
- Spring4新特性——核心容器的其他改进
jinnianshilongnian
spring动态代理spring4依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- Linux设置tomcat开机启动
liuxingguome
tomcatlinux开机自启动
执行命令sudo gedit /etc/init.d/tomcat6
然后把以下英文部分复制过去。(注意第一句#!/bin/sh如果不写,就不是一个shell文件。然后将对应的jdk和tomcat换成你自己的目录就行了。
#!/bin/bash
#
# /etc/rc.d/init.d/tomcat
# init script for tomcat precesses
- 第13章 Ajax进阶(下)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- Troubleshooting Crystal Reports off BW
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Troubleshooting+Crystal+Reports+off+BW#TroubleshootingCrystalReportsoffBW-TracingBOE
Quite useful, especially this part:
SAP BW connectivity
For t
- Java开发熟手该当心的11个错误
tomcat_oracle
javajvm多线程单元测试
#1、不在属性文件或XML文件中外化配置属性。比如,没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中,还是UAT(用户验收
测试)环境中,都可以顺畅无阻地运行,但是一旦部署在PROD 上,把它作为多线程程序处理更大的数据集时,就会抛出IOException,原因可能是JDBC驱动版本不同,也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置,那么使它成为
- 正则表达式大全
yang852220741
html编程正则表达式
今天向大家分享正则表达式大全,它可以大提高你的工作效率
正则表达式也可以被当作是一门语言,当你学习一门新的编程语言的时候,他们是一个小的子语言。初看时觉得它没有任何的意义,但是很多时候,你不得不阅读一些教程,或文章来理解这些简单的描述模式。
一、校验数字的表达式
数字:^[0-9]*$
n位的数字:^\d{n}$
至少n位的数字:^\d{n,}$
m-n位的数字:^\d{m,n}$