晓智AI
晓智AI

论文研读

研究背景

研究生阶段从事计算机视觉方面的研究，因此需要大量研读顶会顶期刊的论文，更好了解行业发展情况。

研究参考

CVPR_2019_Paperlist
深度学习中的图像处理
各种GAN的paper汇总更新
17年深度学习在CV领域的进展以及一些由深度学习演变的新技术
顶会论文Openaccess(ICCV/CVPR/ECCV)
顶会论文Openaccess(NIPS)
2018 CVPR GAN 相关论文调研
NIPS paper
2019 AI/计算机/机器人顶会时间表

代码

paper_with_code

学术论文写作

学术论⽂文写作⽅方法和技巧
清华刘知远：如何写一篇合格的NLP论文
计算机视觉CV领域同样可以参考

阅读原则

基本原则一键下载 | 128篇论文，21大领域，最值得看的资源全在这了

从全局到枝干：从综述类、全局性的文章到细分领域的具体论文。
从经典到最前沿：每个话题的文章都是按时间顺序来排的，可以清晰给出每个方向的发展脉络。
从通用理论到具体应用：有些论文是针对深度学习通用理论的，有些论文章则针对具体的应用领域。
专注于最先进的研究：收集有许多最新论文，保证阅读列表的时效性。

论文笔记

图像生成

1、综述

论文地址 paper
笔记 链接

2、Glow: Generative Flow with Invertible 1 ×1 Convolutions

论文地址 paper
论文代码 github
参考 链接

3、基于CPPN与GAN+VAE生成高分辨率图像

作者blog 链接
论文代码 github

水下图像生成

1、WaterGAN：实现单目水下图像实时颜色校正的无监督生成网络

论文地址 paper
论文代码 github
论文代码 github

2、使用生成对抗网络对水下图像增强

Enhancing Underwater Imagery using Generative Adversarial Networks
论文地址 paper
论文代码 github
参考 链接

3、训练图像基于地质统计学反演使用空间生成对抗神经网络

Training-Image Based Geostatistical Inversion Using a Spatial
Generative Adversarial Neural Network
论文地址 paper

4、利用多通道生成对抗网络合成未配对水下图像

The Synthesis of Unpaired Underwater Images Using a Multistyle Generative Adversarial Network
论文地址 paper

文本到图像

1、 Inferring Semantic Layout for Hierarchical Text-to-Image Synthesis

论文地址 paper
笔记 链接

图像超分辨率

1、Residual Dense Network for Image Super-Resolution

论文地址链接
论文代码链接
论文代码PyTorch链接
笔记链接

图像分割

1、Learning Deconvolution Network for Semantic Segmentation

关于图像采样方式学习
数字图像处理之采样、量化、插值、傅里叶变换
论文地址链接
论文代码作者Matlab源码
论文代码Tensorflow
笔记链接

2、Learning Hierarchical Semantic Image Manipulation through Structured Representations

论文地址链接
作者主页 Seunghoon Hong
参考链接谷歌等祭出图像语义理解分割神器，PS再也不用专业设计师！
论文代码official
笔记链接

图像风格转换

1、综述

论文地址链接
参考链接

视频分割

1、Fast Video Object Segmentation by Reference-Guided Mask Propagation

论文地址链接
论文代码作者pytorch源码
笔记链接
参考链接

视频超分辨率

1、Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation

论文地址链接
论文代码作者tensorflow源码
笔记链接

2、Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network

论文地址链接
论文代码作者PyTorch源码
笔记链接
从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程
torch.nn.pixel_shuffle

图像信息隐藏

深度学习在图像隐写术与隐写分析领域中的研究进展

深度学习在信息隐藏中的应用（上）
深度学习在信息隐藏中的应用（下）

信息隐藏技术综述——粗浅入门
信息隐藏技术综述

信息隐藏原理及应用课程笔记

公钥与私钥

1、Hiding Images in Plain Sight: Deep Steganography

论文地址链接
论文代码Tensorflow (unofficial)
论文代码Tensorflow (Challenge)
笔记链接
参考链接

2、Steganographic Generative Adversarial Networks
NIPS2016论文地址链接
论文代码official

3、Learning to Protect Communications with Adversarial Neural Cryptography
论文地址链接
论文代码unofficial
论文代码Tensorflow
论文代码代码实现
参考链接
参考链接
参考链接
参考AI已杀入密码界
参考利用生成对抗网络保护通信

4、SSGAN: Secure Steganography Based on Generative Adversarial Networks
论文地址链接
参考链接
论文代码链接，暂无代码

5、Deep learning for steganalysis via convolutional neural networks
论文 /home/Files/NIPS
参考图像隐写术分析论文笔记

6、Steganalysis via a Convolutional Neural Networkusing Large Convolution Filtersfor Embedding Process with Same Stego Key
论文地址链接
论文代码official

7、Deep learning is a good steganalysis tool when embedding key is reused for different images, even if there is a cover source-mismatch
论文地址链接

8、Structual design of convolutional neural networks for steganalysis
论文地址链接
参考阅读笔记

9、Deep learning hierarchical representations for image steganalysis
论文地址链接
论文代码Pytorch

10、Spatial Image Steganography Based on Generative Adversarial Network
论文地址链接

11、Invisible steganography via generative adversarial networks
论文地址链接
论文代码链接

12、END-TO-END TRAINED CNN ENCODER-DECODER NETWORKS FOR IMAGESTEGANOGRAPHY
论文地址链接

13、CycleGAN, a Master of Steganography
论文地址链接

14、Automatic Steganographic Distortion Learning Using a Generative Adversarial Network
论文地址链接
参考链接

GAN_steganographycode

15、PROGRESSIVEGROWING OFGANS FORIMPROVEDQUALITY, STABILITY,ANDVARIATION
论文地址链接
代码地址链接

16、SteganoGAN: High Capacity Image Steganography with GANs
论文地址链接
代码地址链接

17、PassGAN: Cracking Passwords With Generative Adversarial Networks

论文地址链接
论文代码链接

18、Automatic steganographic distortion learning using a generative adversarial network
论文地址链接
论文代码复现

19、StegaStamp: Invisible Hyperlinks in Physical Photographs
论文地址链接
论文代码链接

知识补充

在GAN中，如果判别模型太过强大，那么生成模型会产生两种情况：一种情况是发现自己完全被针对，模型参数无法优化；另外一种情况是发现判别模型的一些漏洞后，它的模型将退化，不管输入是什么样子，输出统一变成之前突破了判别模型防线的那几类结果。这种情况被称为“Mode Collapse”，有点像一个复杂强大的模型崩塌成一个简单弱小的模型，这样的模型即使优化结果很好，也不能拿去使用。

高效论文笔记

论文题目
作者介绍
论文拟解决的主要问题
论文主要研究内容
论文使用的所有理论/算法
论文的创新点
论文的结论
我的观点和思考

你可能感兴趣的:(论文研读)

  • 【论文研读】Better Together:Unifying Datalog and Equality Saturation 被制作时长两年半的个人练习生 Datalog编程语言Datalog程序分析
    最近研究ReassociatePass整的头大，翻两篇Datalog的论文看看。今天看的一篇是比较新的文章，23年4月贴到arxiv上的。本文的主要贡献是提出了egglog,将Datalog和Eqsat结合起来，继承了Datalog的efficientincrementalexecution,cooperatinganalysisandlattice目录Introduction部分BackGrou
  • 经典论文研读：《Bigtable: A Distributed Storage System for Structured Data》 WanderingScorpion 论文研读检索技术论文研读数据存储原力计划
    一概述BigTable是以大神JeffreyDean为首的Google团队在2006年公开的分布式存储系统，是Google“三驾马车”论文中（GFS、MapReduce、BigTable）中最后公开的。在BigTable论文中，Google构思、设计并实现了一套支持结构化数据存储的超大容量分布式存储系统。BigTable中关于数据模型、底层存储技术和架构模型的设计思路直到今日仍被奉为经典，下面我们
  • 深度学习学习笔记-论文研读4-基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法 丰。。 神经网络论文研读学报论文研读学习边缘计算算法人工智能深度学习
    本人学识浅薄，如有理解不到位的地方还请大佬们指出，相互学习，共同进步概念引入强化学习DQN算法边缘计算边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可
  • 通俗科普文：贝叶斯优化与SMBO、高斯过程回归、TPE（附新书） 科技州与数据州
    以下文章来源于SimpleAI，作者郭必扬贝叶斯优化是AutoML中的重要概念，近年来变得很火热。作为一种重要的基于先验的调参/策略选择技术，贝叶斯的应用范围也很广。但这个概念对于初次接触的同学可能较难理解，经过数天的论文研读、博客/教程/代码查阅，我总结了这篇科普文，也手绘了一些示意图，希望尽量在一篇文章内、通俗易懂地讲清楚什么是贝叶斯优化。本文目录：理清基本概念的关系各种超参数调节方法的对比G
  • 【论文研读】基于卷积神经网络的图像局部风格迁移 lexonT
    自2015年Gatys首次提出神经艺术风格迁移框架以来，图像风格迁移逐渐成为计算机图形学和计算机视觉领域的一个研究热点，但是当前针对图像风格迁移的研究大多难以提取图像中的局部进行风格迁移，而将重心放在图像全局风格迁移上，针对局部风格迁移这一研究领域上的空白，浙江工业大学缪永伟与浙江理工大学、中科院自动化研究所合作发表了《基于卷积神经网络的图像局部风格迁移》一文。文中提出了一种基于卷积神经网络的图像
  • 2024 1.6~1.12 周报 shengMio 周报深度学习机器学习
    一、上周工作论文研读二、本周计划思考毕业论文要用到的方法或者思想，多查多看积累可取之处。学习ppt和上周组会内容、卷积神经网络。三、完成情况1.数据训练的方式1.1迁移学习迁移学习是一种机器学习方法，把任务A训练出的模型作为初始模型，并使用它来改进新目标任务B的学习。即通过从已学习的相关任务中转移知识来改进学习的新任务。这可以包括使用模型作为特征提取器，微调模型，或使用模型的部分作为初始化。找到目
  • OpenFWI 论文研读 shengMio 论文深度学习
    论文title：OPENFWI:Large-scaleMulti-structuralBenchmarkDatasetsforFullWaveformInversion——OPENFWI：基于全波形反演的大规模多结构基准数据集摘要Abstract：全波形反演（FWI）在地球物理中被广泛用于从地震数据中重建高分辨率速度图。OPENFWI由12个数据集（共2.1TB）组成，这些数据集是从多个来源合成的
  • 【论文研读】Detection of redundant expressions: A precise, efficient, and pragmatic algorithm in SSA. 被制作时长两年半的个人练习生 编程语言c++编译器值编号程序优化LLVM
    继续研读GVN领域的文章，又是一篇重要的文章，此文提出的算法已经在LLVM中实现为NewGVN。能够找到所有Herbrand等值关系且时间复杂度为polynomial。目录IntroductionTheProblemTerminologyBasicConceptAlgorithmCorrectnessproofandcomplexityanalysisExperimentalresultsRela
  • 【论文研读】Furthering Datalog in the pursuit of program analysis 被制作时长两年半的个人练习生 编程语言linux运维服务器
    最近准备开一个新坑，记录一下读过的一些论文，主要聚焦笔者在阅读过程中的感悟，一些重点算法的理解，以及笔者觉得可以改进的地方。本文为系列的第一篇，试试水先。本文选择的论文是FurtheringDataloginthepursuitofprogramanalysis。是一篇剑桥大学的博士论文，发现此文的契机是在对valuenumbering技术进行跟踪时发现了一篇2004年的APolynomial-T
  • 论文研读：基于统计重加权的方法减少通用回复 飞剑客阿飞
    论文研读：基于统计重加权的方法减少通用回复会议名称：EMNLP2018文章题目：TowardsLessGenericResponsesinNeuralConversationModels:AStatisticalRe-weightingMethod原文链接：https://link.zhihu.com/?target=https%3A//www.paperweekly.site/papers/24
  • 【论文研读】Minimax and Biobjective Portfolio Selection Based on Collaborative Neurodynamic Optimization 如果皮卡会coding 论文研读投资组合论文阅读minimax
    MinimaxandBiobjectivePortfolioSelectionBasedonCollaborativeNeurodynamicOptimization基于协同神经动力学优化的极大极小双目标投资组合选择文章目录MinimaxandBiobjectivePortfolioSelectionBasedonCollaborativeNeurodynamicOptimization一.基本信
  • 【10大专题，2.8w字详解】：从张量开始到GPT的《动手学深度学习》要点笔记 hadiii gpt深度学习笔记人工智能transformer
    《动手学深度学习PyTorch版》复习要点全记录专注于查漏补缺、巩固基础，这份笔记将带你深入理解深度学习的核心概念。通过一系列精心整理的小专题，逐步构建起你的AI知识框架。从最基础的张量操作，到最新的GPT模型，每个专题都配备了直观的图示和详细的公式解析。初版笔记以《动手学深度学习PyTorch版》书籍为基准，随后将根据视频讲解和最新论文研读内容进行实时更新。所有专题都配备了精美的图表和公式推导。
  • 论文研读：基于统计重加权的方法减少通用回复 飞剑客阿飞
    论文研读：基于统计重加权的方法减少通用回复会议名称：EMNLP2018文章题目：TowardsLessGenericResponsesinNeuralConversationModels:AStatisticalRe-weightingMethod原文链接：https://link.zhihu.com/?target=https%3A//www.paperweekly.site/papers/24
  • 基于边缘计算的电力智慧物联系统设计与实现（论文研读） 椒椒。 边缘计算人工智能大数据
    基于边缘计算的电力智慧物联系统设计与实现摘要：0引言1电力智慧物联系统架构设计1.1总体框架设计1.2物模型设计1.3边缘计算1.4交互协议1.5面向云边协同的智能生态1.5.1应用开发1.5.2智能生态1.5.3云边协同2实验验证及试点建设2.1实验测试2.1.1功能型测试2.1.2非功能性测试2.2现场试点建设3结语参考文献：基于边缘计算的电力智慧物联系统设计与实现.-论文研读崔恒志1,蒋承伶
  • FreeMatch: Self-adaptive Thresholding for Semi-supervised Learning[论文研读笔记2023的ICLR] 白兔1205 汇报论文人工智能
    原文链接：https://arxiv.org/abs/2205.07246代码链接：https://github.com/microsoft/Semi-supervised-learning作者视频讲解链接：https://www.bilibili.com/video/BV14L411k7De/?spm_id_from=333.999.0.0&vd_source=90e27a3caa4ef021d
  • 论文研读｜An Embarrassingly Simple Approach for Intellectual Property Rights Protection on RNNs _Meilinger_ 神经网络水印论文研读AI安全神经网络水印语言模型白盒水印版权保护模型水印RNN
    目录论文信息文章简介研究动机研究方法白盒水印水印信号构造黑盒水印触发集构造水印嵌入实验结果保真度&有效性鲁棒性抗移除攻击（RemovalAttack）抗模型剪枝（ModelPruning）抗微调攻击（Fine-Tuning）抗水印覆写攻击（Overwriting）抗伪造攻击（Anti-AmbiguityAttacl）隐蔽性迁移性CaseStudy方法评估相关文献论文信息论文名称：AnEmbarra
  • pointNet复现、论文和代码研读 苏钟白 python
    文章目录论文复现论文研读1.动机2.模型结构![在这里插入图片描述](https://img-blog.csdnimg.cn/286bc0bfc06846f690adde4979366977.png)3.实验效果4.总结代码研读模型什么时候保存，保存到哪里？模型训练的数据集？为什么是在CPU上运行的？运行的时候有输入gpu号如何测试模型的语义分割的效果？如何测试模型的分类效果？论文复现https:
  • RFNet模型论文和代码研读 苏钟白 python
    论文研读论文的代码：https://github.com/AHupuJR/RFNet论文动机截止到2020年，很少有实时的基于RGBD的分割模型。本文提出一种基于RGB-D的实时分割模型，可用于自动驾驶场景。模型的结构在编码器部分，两个独立的分支分别提取RGB的特征和深度的特征，RGB分支为主分支，深度分支为下级分支。每个分支都采用的ResNet18为骨干网络。深度分支输出的特征会通过AFC模块融
  • 论文研读｜Turning Your Weakness Into a Strength: Watermarking Deep Neural Networks by Backdooring _Meilinger_ 论文研读神经网络水印AI安全神经网络水印模型水印黑盒水印后门攻击深度学习
    目录论文信息文章简介研究动机研究方法水印生成水印嵌入版权验证实验结果保真度（Functionality-Preserving）&有效性（Effectiveness）鲁棒性（Unremovability）抗微调攻击抗伪造攻击（OwnershipPiracy）抗迁移学习ImageNet方法评估相关文献论文信息论文名称：TurningYourWeaknessIntoaStrength:Watermark
  • 论文研读｜Watermarking Deep Neural Networks for Embedded Systems _Meilinger_ 神经网络水印论文研读人工智能AI安全网络空间安全神经网络水印模型水印黑盒水印后门攻击
    目录论文信息文章简介研究动机研究方法水印生成水印嵌入版权验证实验结果方法评估有效性（Effectiveness）保真度（Fidelity）嵌入容量（Payload）假阳性（FalsePositiveRate）安全性（Security）篡改攻击（TamperingAttack）伪造攻击（GhostSignatureAttack）相关文献论文信息论文名称：WatermarkingDeepNeuralN
  • 论文研读｜Protecting Intellectual Property of Deep Neural Networks with Watermarking _Meilinger_ 神经网络水印论文研读人工智能深度学习机器学习AI安全神经网络水印黑盒水印后门攻击
    目录论文信息文章简介研究动机研究方法水印生成水印嵌入版权验证实验结果有效性（Effectiveness）高效性（ConvergeSpeed）保真度（Functionality）鲁棒性（Robustness）Anti-剪枝攻击（Pruning）Anti-微调攻击（Fine-tuning）安全性（Security）Anti-模型逆向攻击（ModelInversion）方法评估相关文献论文信息论文名称：
  • 论文研读 - share work - QPipe:一种并行流水线的查询执行引擎 yzs87 java开发语言
    QPipe：一种并行流水线的查询执行引擎QPipe:ASimultaneouslyPipelinedRelationalQueryEngine关系型数据库通常独立执行并发的查询，每个查询都需执行一系列相关算子。为了充分利用并发查询中的数据扫描与计算，现有研究提出了丰富的技术：从缓存磁盘页以构建物化视图到优化多查询。然而，现有研究所提出的思想本质上受现代以查询为中心的引擎设计哲学所限制。理想状态下，
  • MV-Map论文研读 高的好想出去玩啊 论文研读深度学习人工智能
    MV-MapMV-Map:OffboardHD-MapGenerationwithMulti-viewConsistency论文：https://arxiv.org/pdf/2305.08851.pdfcode：https://github.com/ZiYang-xie/MV-Map代码未开源总体网络结构简述论文首次提出以非车载的方式产生高精度地图。可以视为在HDMapNet的优化版本，多三阶段网
  • BEVFromer论文研读 高的好想出去玩啊 论文研读深度学习
    1.总体结构上图为BEVFormer在t时刻的网络结构。图(a)表示的是BEVFormer的encoder层。BEVFormer有6个encoder层，每一个encoder除了本文自定义的三个组件外都和传统的transformers结果一致。自定义的三个组件分别是网格状的BEVqueries，TSA和SCA。其中BEVqueries的参数是可学习的，它通过注意力机制查询多相机视角下的BEV空间特征
  • 论文研读｜生成式跨模态隐写发展综述 _Meilinger_ 文本隐写论文研读生成式隐写跨模态隐写SteganographyImageTextSpeech
    前言：本文介绍近5年来生成式跨模态隐写领域的相关工作。相关阅读：生成式文本隐写发展综述不同于文本隐写，跨模态隐写需要考虑不同模态间的相关性，常见的跨模态场景有：Image-to-Text（如图像描述）,Text-to-Speech（如语音助手）,Text-to-Image（如按文作画）等。下面对基于深度学习的生成式跨模态隐写相关工作进行介绍。[1]-基于图像描述的文本信息隐藏(北京邮电大学学报，2
  • 【连载】深度学习笔记14：CNN经典论文研读之Le-Net5及其Tensorflow实现 linux那些事
    在前几次笔记中，笔者基本上将卷积神经网络的基本原理给讲完了。从本次笔记开始，笔者在深度学习笔记中会不定期的对CNN发展过程中的经典论文进行研读并推送研读笔记。今天笔者就和大家一起学习卷积神经网络和深度学习发展历史上具有奠基性的经典论文之一的关于LeNet-5网络一文。LeNet-5是由具有卷积神经网络之父之美誉的YannLeCun在1998年发表在IEEE上面的一篇Gradient-basedle
  • TimeGAN学习记录 河马小白 GAN学习
    一、学习TimeGAN主要参考的链接如下：（1）知乎上的TimeGAN论文研读（2）csdn上的一篇博客，论文阅读：《TimeSeriesGenerativeAdversrialNetworks》（TimeGAN，时间序列GAN)（3）时间序列丨基于TimeGAN模型生成时间序列数据及其Python实践二、我的理解TimeGAN无预测功能，只是对数据进行了分段处理并可以捕捉时序特征，但效果并不好？
  • 第三周 YYYlan
    论文研读研究方向：插画与动画叠加效果的运用与表现1.付博宇.动画前期设计中插画艺术的应用[J].明日风尚,2020(06):33-34.https://kns.cnki.net/KXReader/Detail?autoLogin=1&TIMESTAMP=637381423548572500&DBCODE=CJFD&TABLEName=CJFDLASN2020&FileName=MRFS202006
  • 神经网络论文研读-多模态方向-综述研读(上) 丰。。 学报论文研读神经网络论文研读机器学习笔记神经网络人工智能深度学习
    翻译以机翻为主原文目录前言图1：LMU印章（左）风格转移到梵高的向日葵绘画（中）并与提示混合-梵高，向日葵-通过CLIP+VGAN（右）。在过去的几年中，自然语言处理（NLP）和计算机视觉中使用的方法取得了一些突破。除了对单模态模型的这些改进之外，大规模多模态方法已成为一个非常活跃的研究领域。在本次研讨会中，我们回顾了这些方法，并试图创建一个坚实的该领域的概述，从当前最先进的方法分别是深度学习的两
  • 深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn 丰。。 深度学习神经网络-NLP方向神经网络论文研读神经网络自然语言处理深度学习人工智能神经网络语言模型
    本文目录概念引入摘要大意TextCNN模型的结构正则化手段该模型的超参数研究成果概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evcglove摘要大意在使用简单的CNN模型在预训练词向量的基础上进行微调就可以在文本分类任务上就能得到很好的结果。通过对词向量进行微调而获得的任务指向的词向量就能得到更好的结果。同时也提出了一种即使用静态预训练词
  • Enum 枚举 120153216 enum枚举
    原文地址：http://www.cnblogs.com/Kavlez/p/4268601.html Enumeration 于Java 1.5增加的enum type...enum type是由一组固定的常量组成的类型，比如四个季节、扑克花色。在出现enum type之前，通常用一组int常量表示枚举类型。比如这样： public static final int APPLE_FUJI = 0
  • Java8简明教程 bijian1013 javajdk1.8
            Java 8已于2014年3月18日正式发布了，新版本带来了诸多改进，包括Lambda表达式、Streams、日期时间API等等。本文就带你领略Java 8的全新特性。  一.允许在接口中有默认方法实现         Java 8 允许我们使用default关键字，为接口声明添
  • Oracle表维护 快速备份删除数据 cuisuqiang oracle索引快速备份删除
    我知道oracle表分区，不过那是数据库设计阶段的事情，目前是远水解不了近渴。 当前的数据库表，要求保留一个月数据，且表存在大量录入更新，不存在程序删除。 为了解决频繁查询和更新的瓶颈，我在oracle内根据需要创建了索引。但是随着数据量的增加，一个半月数据就要超千万，此时就算有索引，对高并发的查询和更新来说，让然有所拖累。 为了解决这个问题，我一般一个月会进行一次数据库维护，主要工作就是备
  • java多态内存分析 麦田的设计者 java内存分析多态原理接口和抽象类
          “  时针如果可以回头，熟悉那张脸，重温嬉戏这乐园，墙壁的松脱涂鸦已经褪色才明白存在的价值归于记忆。街角小店尚存在吗？这大时代会不会牵挂，过去现在花开怎么会等待。       但有种意外不管痛不痛都有伤害，光阴远远离开，那笑声徘徊与脑海。但这一秒可笑不再可爱，当天心
  • Xshell实现Windows上传文件到Linux主机 被触发 windows
    经常有这样的需求，我们在Windows下载的软件包，如何上传到远程Linux主机上？还有如何从Linux主机下载软件包到Windows下；之前我的做法现在看来好笨好繁琐，不过也达到了目的，笨人有本方法嘛； 我是怎么操作的： 1、打开一台本地Linux虚拟机，使用mount 挂载Windows的共享文件夹到Linux上，然后拷贝数据到Linux虚拟机里面；（经常第一步都不顺利，无法挂载Windo
  • 类的加载ClassLoader 肆无忌惮_ ClassLoader
    类加载器ClassLoader是用来将java的类加载到虚拟机中，类加载器负责读取class字节文件到内存中，并将它转为Class的对象（类对象），通过此实例的 newInstance()方法就可以创建出该类的一个对象。   其中重要的方法为findClass(String name)。   如何写一个自己的类加载器呢？ 首先写一个便于测试的类Student
  • html5写的玫瑰花 知了ing html5
    <html> <head> <title>I Love You!</title> <meta charset="utf-8" /> </head> <body> <canvas id="c"></canvas>
  • google的ConcurrentLinkedHashmap源代码解析 矮蛋蛋 LRU
    原文地址： http://janeky.iteye.com/blog/1534352 简述 ConcurrentLinkedHashMap 是google团队提供的一个容器。它有什么用呢？其实它本身是对 ConcurrentHashMap的封装，可以用来实现一个基于LRU策略的缓存。详细介绍可以参见 http://code.google.com/p/concurrentlinke
  • webservice获取访问服务的ip地址 alleni123 webservice
    1. 首先注入javax.xml.ws.WebServiceContext, @Resource private WebServiceContext context; 2. 在方法中获取交换请求的对象。 javax.xml.ws.handler.MessageContext mc=context.getMessageContext(); com.sun.net.http
  • 菜鸟的java基础提升之道——————>是否值得拥有 百合不是茶
    1，c++，java是面向对象编程的语言，将万事万物都看成是对象；java做一件事情关注的是人物，java是c++继承过来的，java没有直接更改地址的权限但是可以通过引用来传值操作地址，java也没有c++中繁琐的操作，java以其优越的可移植型，平台的安全型，高效性赢得了广泛的认同，全世界越来越多的人去学习java，我也是其中的一员      java组成：
  • 通过修改Linux服务自动启动指定应用程序 bijian1013 linux
    Linux中修改系统服务的命令是chkconfig (check config)，命令的详细解释如下: chkconfig 功能说明：检查，设置系统的各种服务。 语　　法：chkconfig [ -- add][ -- del][ -- list][系统服务] 或 chkconfig [ -- level  <</SPAN>
  • spring拦截器的一个简单实例 bijian1013 javaspring拦截器Interceptor
    Purview接口 package aop; public interface Purview { void checkLogin(); } Purview接口的实现类PurviesImpl.java package aop; public class PurviewImpl implements Purview { public void check
  • [Velocity二]自定义Velocity指令 bit1129 velocity
    什么是Velocity指令 在Velocity中，#set,#if, #foreach, #elseif, #parse等，以#开头的称之为指令，Velocity内置的这些指令可以用来做赋值，条件判断，循环控制等脚本语言必备的逻辑控制等语句，Velocity的指令是可扩展的，即用户可以根据实际的需要自定义Velocity指令   自定义指令(Directive)的一般步骤 &nbs
  • 【Hive十】Programming Hive学习笔记 bit1129 programming
    第二章 Getting Started 1.Hive最大的局限性是什么？一是不支持行级别的增删改(insert, delete, update)二是查询性能非常差(基于Hadoop MapReduce）,不适合延迟小的交互式任务三是不支持事务2. Hive MetaStore是干什么的？Hive persists table schemas and other system metadata.
  • nginx有选择性进行限制 ronin47 nginx 动静　限制
    http { limit_conn_zone $binary_remote_addr zone=addr:10m; limit_req_zone $binary_remote_addr zone=one:10m rate=5r/s;... server {... location ~.*\.(gif|png|css|js|icon)$ {
  • java-4.-在二元树中找出和为某一值的所有路径 . bylijinnan java
    /* * 0.use a TwoWayLinkedList to store the path.when the node can't be path,you should/can delete it. * 1.curSum==exceptedSum:if the lastNode is TreeNode,printPath();delete the node otherwise
  • Netty学习笔记 bylijinnan javanetty
    本文是阅读以下两篇文章时： http://seeallhearall.blogspot.com/2012/05/netty-tutorial-part-1-introduction-to.html http://seeallhearall.blogspot.com/2012/06/netty-tutorial-part-15-on-channel.html 我的一些笔记 ===
  • js获取项目路径 cngolon js
    //js获取项目根路径，如： http://localhost:8083/uimcardprj function getRootPath(){     //获取当前网址，如： http://localhost:8083/uimcardprj/share/meun.jsp     var curWwwPath=window.document.locati
  • oracle 的性能优化 cuishikuan oracleSQL Server
       在网上搜索了一些Oracle性能优化的文章，为了更加深层次的巩固[边写边记]，也为了可以随时查看，所以发表这篇文章。     1.ORACLE采用自下而上的顺序解析WHERE子句，根据这个原理，表之间的连接必须写在其他WHERE条件之前，那些可以过滤掉最大数量记录的条件必须写在WHERE子句的末尾。（这点本人曾经做过实例验证过，的确如此哦！
  • Shell变量和数组使用详解 daizj linuxshell变量数组
    Shell 变量 定义变量时，变量名不加美元符号（$，PHP语言中变量需要），如： your_name="w3cschool.cc" 注意，变量名和等号之间不能有空格，这可能和你熟悉的所有编程语言都不一样。同时，变量名的命名须遵循如下规则： 首个字符必须为字母（a-z，A-Z）。 中间不能有空格，可以使用下划线（_）。 不能使用标点符号。 不能使用ba
  • 编程中的一些概念，KISS、DRY、MVC、OOP、REST dcj3sjt126com REST
    KISS、DRY、MVC、OOP、REST （1）KISS是指Keep It Simple,Stupid（摘自wikipedia），指设计时要坚持简约原则，避免不必要的复杂化。 （2）DRY是指Don't Repeat Yourself（摘自wikipedia），特指在程序设计以及计算中避免重复代码，因为这样会降低灵活性、简洁性，并且可能导致代码之间的矛盾。 （3）OOP 即Object-Orie
  • [Android]设置Activity为全屏显示的两种方法 dcj3sjt126com Activity
    1. 方法1：AndroidManifest.xml 里，Activity的 android:theme  指定为" @android:style/Theme.NoTitleBar.Fullscreen" 示例:   <application      
  • solrcloud 部署方式比较 eksliang solrCloud
    solrcloud 的部署其实有两种方式可选，那么我们在实践开发中应该怎样选择呢？ 第一种：当启动solr服务器时，内嵌的启动一个Zookeeper服务器，然后将这些内嵌的Zookeeper服务器组成一个集群。  第二种：将Zookeeper服务器独立的配置一个集群，然后将solr交给Zookeeper进行管理   谈谈第一种：每启动一个solr服务器就内嵌的启动一个Zoo
  • Java synchronized关键字详解 gqdy365 synchronized
    转载自：http://www.cnblogs.com/mengdd/archive/2013/02/16/2913806.html 多线程的同步机制对资源进行加锁，使得在同一个时间，只有一个线程可以进行操作，同步用以解决多个线程同时访问时可能出现的问题。 同步机制可以使用synchronized关键字实现。 当synchronized关键字修饰一个方法的时候，该方法叫做同步方法。 当s
  • js实现登录时记住用户名 hw1287789687 记住我记住密码cookie记住用户名记住账号
    在页面中如何获取cookie值呢? 如果是JSP的话,可以通过servlet的对象request 获取cookie,可以 参考:http://hw1287789687.iteye.com/blog/2050040 如果要求登录页面是html呢?html页面中如何获取cookie呢? 直接上代码了 页面:loginInput.html 代码: <!DOCTYPE html PUB
  • 开发者必备的 Chrome 扩展 justjavac chrome
    Firebug：不用多介绍了吧https://chrome.google.com/webstore/detail/bmagokdooijbeehmkpknfglimnifench ChromeSnifferPlus：Chrome 探测器，可以探测正在使用的开源软件或者 js 类库https://chrome.google.com/webstore/detail/chrome-sniffer-pl
  • 算法机试题 李亚飞 java算法机试题
           在面试机试时，遇到一个算法题，当时没能写出来，最后是同学帮忙解决的。        这道题大致意思是：输入一个数，比如4,。这时会输出：           &n
  • 正确配置Linux系统ulimit值 字符串 ulimit
    在Linux下面部 署应用的时候，有时候会遇上Socket/File: Can’t open so many files的问题；这个值也会影响服务器的最大并发数，其实Linux是有文件句柄限制的，而且Linux默认不是很高，一般都是1024，生产服务器用 其实很容易就达到这个数量。下面说的是，如何通过正解配置来改正这个系统默认值。因为这个问题是我配置Nginx+php5时遇到了，所以我将这篇归纳进
  • hibernate调用返回游标的存储过程 Supanccy2013 javaDAOoracleHibernatejdbc
    注：原创作品，转载请注明出处。     上篇博文介绍的是hibernate调用返回单值的存储过程，本片博文说的是hibernate调用返回游标的存储过程。     此此扁博文的存储过程的功能相当于是jdbc调用select 的作用。 1，创建oracle中的包，并在该包中创建的游标类型。 ---创建oracle的程
  • Spring 4.2新特性-更简单的Application Event wiselyman application
    1.1 Application Event Spring 4.1的写法请参考10点睛Spring4.1-Application Event 请对比10点睛Spring4.1-Application Event 使用一个@EventListener取代了实现ApplicationListener接口,使耦合度降低; 1.2 示例 包依赖 <p
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他