UQI-LIUWJ
UQI-LIUWJ

论文笔记：An iterative framework with active learning to match segments in road networks

CARTOGRAPHY AND GEOGRAPHIC INFORMATION SCIENCE  2023

1 intro

1.1 背景

  • 当地理实体以不同的方式表示和存储在不同的来源中时，匹配和整合使得可以获得更详细的空间数据。
  • 地图匹配的关键是寻找对象之间的匹配对应关系，并建立在不同数据库中表示相同地理实体的对象之间的关联关系

  • 传统的匹配方法主要基于利用对象的几何、属性和拓扑信息的相似性来获取匹配结果
    • 尽管这些自动匹配算法在效率方面表现良好，但精度往往无法满足实际要求
    • 在处理道路网络的复杂结构化数据时存在精度方面的挑战，特别是考虑到道路交叉口和多车道的情况
      • 有两种策略可供选择
        • 改进匹配算法，以自动提高匹配精度
        • 利用人工交互的反馈信息来提高匹配精度
  • 概率松弛方法是一种道路网络自动匹配算法
    • 主要通过构建两个不同对象之间的匹配概率来确定匹配关系
    • 关键在于概率矩阵将在迭代过程中逐渐收敛，从而使结果更可靠
    • 对于道路网络数据，概率矩阵主要是通过计算几何相似性来构建的，然后通过拓扑关系的相似性来实现矩阵的迭代优化。

1.2 论文思路

  • 论文将交互视为提高道路匹配精度的潜在策略
    • 引入交互肯定会增加手动修正匹配的操作时间
      • 在时间和精度之间的平衡是一个关键问题
        • ——>采用主动学习来解决
          • 过滤对结果影响最大的道路
          • 人只需要检查当前迭代中最重要的对象
  • 将主动学习作为一个模块集成到道路匹配的概率松弛模型中
    • 网络中的所有道路最初被视为未标记的数据
    • 经过概率松弛算法处理后，稳健匹配对中的数据被视为标记数据
    • 然后，使用查询函数遍历道路匹配的概率矩阵，并从未标记的道路中选择对匹配结果影响最大的道路匹配对
    • 接着用户对匹配对进行反馈。如果匹配对是正确的，则相应的匹配概率将增加；否则，概率将减少
    • 上述操作之后，查询的道路匹配对将从未标记的数据集中删除
    • 再次使用概率松弛算法迭代修改后的概率矩阵，并重复之前的步骤，直到获得满意的结果
  • ——>通过很少的人机交互，不仅可以更新手动校正的匹配对，还可以自动重新匹配邻近的道路，以适应修改后的概率
论文笔记：An iterative framework with active learning to match segments in road networks_第1张图片

 

2 模型

2.1 整体框架

论文笔记：An iterative framework with active learning to match segments in road networks_第2张图片

 2.1.1 将概率松弛算法应用于获得道路匹配的初始结果

2.1.1.1 概率矩阵初始化

  • 首先，候选道路匹配对通过构建缓冲区进行过滤。
  • 然后，基于道路的几何特征（距离、方向和长度）计算相似性。
  • 最后，根据相似性差异计算初始概率矩阵。（概率矩阵的定义后面会介绍）

2.1.1.2 概率矩阵的迭代更新

  • 匹配对的邻近匹配概率越高，匹配对越正确
    • ——>通过计算相邻道路的兼容系数和支持系数来更新概率矩阵
  • 概率矩阵被迭代多次并进行修改，直到最小概率差异收敛到一定阈值

2.1.1.3 选择匹配对

  • 概率松弛利用结构相似性准则在道路网络中实现全局最优匹配
  • 通过比较节点和弧之间的结构相似性来确定最终的匹配模式

2.1.2 使用主动学习策略调整匹配结果

  • 主动学习模块中的查询函数将计算未标记样本池中每个道路的不确定性，并根据查询策略选择一个对象进行手动处理
  • 由于反馈的结果，相关的匹配系数将被修改，并且推荐的道路将被添加到标记样本池中
  • 然后，概率松弛匹配模型将再次运行

2.1.3 重复上述两步直到达到要求

2.2 道路网络匹配的概率松弛算法

  • 同一区域的道路网络可能因数据收集时间、尺度和采集平台而有所不同

论文笔记：An iterative framework with active learning to match segments in road networks_第3张图片

2.2.1 初始概率矩阵的建立

  • 记g^1,g^2 是相同区域的两个路网
    • 由于g^1,g^2中存在不同，我们假定g1中的弧（边）数量为m，g2中的弧数量为n
    • 记g1中的边集合为e_i^1 \in \sum e^1, i \in \{1,m\}，g2中的边集合为e_j^2 \in \sum e^2, j \in \{1,n\}
    • 记e_i^1的起止点为v^1_{iF},v^1_{iT}
  • 为 g1 中的任何边构建缓冲区，在 g2 中与缓冲区相交的弧被视为候选匹配对象
    • 基于候选匹配对的几何相似性计算初始概率
    • 道路之间的距离、方向和长度差异被用作计算几何相似性的评价指标
      • 分别构建了 Pdis、Pdir 和 Plen（矩阵维度为 (m + 1) × (n + 1)）
    • 通过加权平均计算可以得到初始概率矩阵 P
      • W1,W2,W3分别是与每个指标对应的权重，为0.3，0.4，0.3
      • 论文笔记：An iterative framework with active learning to match segments in road networks_第4张图片
        • p_{i,j} (i \ne -1, j \ne -1)表示g1中的边i匹配g2中的边j的概率
        • 有一些边，尽管在g2缓冲区中/g1中，但是不和任何边匹配
          • p_{i,-1}表示g1中的边i不和任何边匹配
          • p_{-1,j}表示g2中的边j不合任何边匹配
          • i=-1，j=-1的时候，pij没有实际意义，设置为0

       

       ，

2.2.2 结合边的拓扑修改初始概率矩阵

  • 为了获得更准确的匹配结果，初始概率矩阵应通过结合边的拓扑进行修改

论文笔记：An iterative framework with active learning to match segments in road networks_第5张图片

  •  引入兼容系数 C(i; j; h; k) 用于更新概率矩阵
    • 主要由匹配对 (i, j) 和匹配对 (h, k) 之间的角度 α、β，弧 h 和弧 k 的长度比以及两端节点的距离 d1、d2 决定
    • 论文笔记：An iterative framework with active learning to match segments in road networks_第6张图片
      • (3)的右下应该是ε
      • \rho_{dis}是两个道路网络的Hausdorff距离之和。
      • \rho_{dir}的计算与\rho_{dis} 的计算的区别在于，距离被方向取代。
      • ration 是弧 h 和弧 k 长度的比较。在本文中，它通过一个除数来表示，分子和分母可以交换，以确保该值小于1

2.2.3 支持系数

论文笔记：An iterative framework with active learning to match segments in road networks_第7张图片

  •  除了兼容系数之外，还需要计算匹配弧的自兼容系数 C(i; j; h; j)，以确定道路是否是1:N匹配或M:N匹配关系
    • 根据较短道路的长度，将较长道路分成两个部分
      • 使用公式（2）计算了自兼容系数
    • 评估长边j内部“弧-节点-弧”结构的相似性
  • 支持系数则评估此长边j外所有“弧-节点-弧”的相似性
    • 假设（i，j）之外，在V_{iF}^1处有3组可能的邻近匹配对(h1,k1),(h2,k2),(h3,k3)

       

      • 令
    • 记q_1^{(r)}(i,j)=q_{1T}^{(r)}(i,j)+q_{1T}^{(r)}(i,j)
      • 值越大，表示(i,j)对的临边支持度越大
  • 此时经过支持系数更新之后的概率矩阵为
    • 论文笔记：An iterative framework with active learning to match segments in road networks_第8张图片
      • C1,C2分别是候选路段
      • idmin1、idmin2 和idmin3 分别是边 i 与所有候选匹配边之间距离、方向和长度的最小差异。
      • dmax1、dmax2 和dmax3 分别表示 g1 中所有边与其候选匹配边之间的最大几何差异。

     

2.2.4 从概率矩阵到路段匹配

  • 由于概率矩阵不能直接展示匹配结果，需要从矩阵中进一步提取信息
    • 使用每个候选匹配对(i; j)之间的结构相似性Si;j来选择匹配结果
        • SF和ST是两个节点处候选匹配对的结构相似性
          • 结构相似性是计算节点处所有候选匹配对的最大概率之和
        • 如果Si;j是i和j的所有候选匹配边中的最大值，则可以将匹配对(i; j)视为稳健的匹配对

  • 为了识别M:N匹配模式，需要扩展满足以下两个条件的匹配对

    • 匹配对在要扩展的节点处具有最大的结构相似性Si;j

    • 在扩展后，两端节点之间的距离减小

    • 论文笔记：An iterative framework with active learning to match segments in road networks_第9张图片

      • 比如(i; j)是一个稳健的匹配对

        • Sa2;x2大于Sa1;x2、Sa3;x2、Sa1;x1、Sa2;x1和Sa3;x1

        • 在红色节点处匹配对(a2; x2)之间的距离小于节点v1iF和v2jF之间的距离

        • 将匹配对(a2; x2)添加到集合中

           

2.3 主动学习以调整路网匹配

  • 在论文中，概率松弛可以被视为需要不断使用标记数据进行训练
    • ——>主动学习能够协助对概率松弛的训练样本进行标记
  • 论文采用了基于样本池的主动学习方法，将没有稳健匹配对象的边的集合作为未标记样本池
    • 优势在于可以同时收集大量未标记数据
    • 通过评估和排序整个未分类实例集合，它能够选择最佳实例进行查询

3 实验

3.1 数据集

北京的数据（两个数据源） 

论文笔记：An iterative framework with active learning to match segments in road networks_第10张图片

论文笔记：An iterative framework with active learning to match segments in road networks_第11张图片

3.2 主动学习的一个例子

论文笔记：An iterative framework with active learning to match segments in road networks_第12张图片

 3.3 松弛概率算法 VS 松弛概率+主动学习 匹配效果

论文笔记：An iterative framework with active learning to match segments in road networks_第13张图片论文笔记：An iterative framework with active learning to match segments in road networks_第14张图片

 

 

 

你可能感兴趣的:(论文阅读)

  • 【论文阅读】LLM4SGG: Large Language Models for Weakly Supervised Scene Graph Generation 进击的乔洋 论文阅读语言模型人工智能计算机视觉
    【论文阅读】LLM4SGG:LargeLanguageModelsforWeaklySupervisedSceneGraphGenerationabstract由于全监督方法严重依赖昂贵标注，最近弱监督场景图生成(WSSGG)研究替代方案出现。在这一点上（Inthisregard），针对WSSGG的研究主要利用图像标题（imagecaption）来获取非局部三元组，而主要关注将非局部三元组建立在图
  • Code Llama: Open Foundation Models for Code论文阅读 yang_daxia 大模型llamacodellama
    整体介绍CodeLlama发布了3款模型，包括基础模型、Python专有模型和指令跟随模型，参数量分别为7B、13B、34B和70B。这些模型在长达16ktokens的序列上训练。都是基于Llama2。作者针对infilling(FIM)、长上下文、指令专门做了微调long-contextfine-tuning(LCFT).codellama细节CodeLlama模型家族初始化:所有CodeLla
  • 【论文阅读】Model Stealing Attacks Against Inductive Graph Neural Networks（2021） Bosenya12 科研学习模型窃取论文阅读图神经网络模型窃取
    摘要Manyreal-worlddata（真实世界的数据）comeintheformofgraphs（以图片的形式）.Graphneuralnetworks(GNNs图神经网络),anewfamilyofmachinelearning(ML)models,havebeenproposedtofullyleveragegraphdata（充分利用图数据）tobuildpowerfulapplicat
  • VIT论文阅读： A Image is Worth 16x16 Words Undefined游侠 论文阅读
    简介在2024年，大家都知道了transformer的故事，但是在4年前,CNN和Transformer谁才是CV的未来，还没有那么确定。在简介部分，作者提到了一个令人失望的事实，在基于imagenet的实验中发现，transformer的表现差于同尺寸的ResNet。作者把原因归结到biastranslationequivarianceandlocality，这些CNN具有，但是transfor
  • 【论文阅读】GLiRA: Black-Box Membership Inference Attack via Knowledge Distillation Bosenya12 模型窃取科研学习论文阅读知识蒸馏成员推理攻击黑盒
    摘要While（虽然）DeepNeuralNetworks(DNNs)havedemonstratedremarkableperformanceintasksrelatedtoperception（感知）andcontrol（控制）,therearestillseveralunresolvedconcerns（未解决的问题）regardingtheprivacyoftheirtrainingdat
  • 【论文阅读】APMSA: Adversarial Perturbation Against Model Stealing Attacks（2023） Bosenya12 科研学习模型窃取论文阅读模型窃取防御对抗性扰动
    摘要TrainingaDeepLearning(DL)model（训练深度学习模型）requiresproprietarydata（专有数据）andcomputing-intensiveresources（计算密集型资源）.Torecouptheirtrainingcosts（收回训练成本）,amodelprovidercanmonetizeDLmodelsthroughMachineLearni
  • Conditional Flow Matching: Simulation-Free Dynamic Optimal Transport论文阅读笔记 猪猪想上树 论文阅读笔记
    ConditionalFlowMatching:Simulation-FreeDynamicOptimalTransport笔记发现问题连续正规化流（CNF）是一种有吸引力的生成式建模技术，但在基于模拟的最大似然训练中受到了限制。解决问题介绍一种新的条件流匹配（CFM)，一种针对CNFs的免模拟训练目标。具有稳定的回归目标，用于扩散模型中的随机流，但享有确定性流模型的有效推断。与扩散模型和CNF目
  • 《论文阅读》EmpDG：多分辨率交互式移情对话生成 COLING 2020 365JHWZGo 情感对话论文阅读共情回复回复生成对话系统多分辨率对抗学习
    《论文阅读》EmpDG：多分辨率交互式移情对话生成COLING2020前言简介模型架构共情生成器交互鉴别器损失函数前言亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《EmpDG:Multi-resolutionInteractiveEmpatheticDialogueGeneration》出版：COLING时间：2020类型：共情回复关
  • 论文阅读——SpectralGPT じんじん 论文计算机视觉人工智能
    SpectralGPT:SpectralFoundationModelSpectralGPT的通用RS基础模型，该模型专门用于使用新型3D生成预训练Transformer（GPT）处理光谱RS图像。重建损失由两个部分组成：令牌到令牌和频谱到频谱下游任务：
  • 论文阅读：2020GhostNet华为轻量化网络 A_my_* 论文阅读人工智能计算机视觉深度学习
    创新：（1）对卷积进行改进（2）加残差连接1、GhostModule1、利用1x1卷积获得输入特征的必要特征浓缩。利用1x1卷积对我们输入进来的特征图进行跨通道的特征提取，进行通道的压缩，获得一个特征浓缩。2、利用深度可分离卷积获得特征浓缩的相似特征图（Ghost）。在获得特征浓缩之后，利用深度可分离卷积进行逐层卷积，进行跨特征点的特征提取，获得额外的特征图，也就是Ghost。将这两个进行堆叠就是
  • 《论文阅读》e-CARE：探索可解释因果推理的新数据集 ACL2022 365JHWZGo NLP论文阅读因果推理eCARE可解释性数据集
    《论文阅读》e-CARE：探索可解释因果推理的新数据集ACL2022前言简介数据集优势数据集语料级别的统计数据集示例评分标准前言今天为大家带来的是《e-CARE:aNewDatasetforExploringExplainableCausalReasoning》出版：ACL时间：2022类型：因果推理关键词：情绪原因；可解释的因果推理；数据集作者：LiDu,XiaoDing,KaiXiong,Ti
  • 论文阅读笔记《SimpleShot: Revisiting Nearest-Neighbor Classification for Few-Shot Learning》 深视 论文阅读笔记#小样本学习深度学习小样本学习
    小样本学习&元学习经典论文整理||持续更新核心思想  本文提出一种基于最近邻方法的小样本学习算法（SimpleShot），作者指出目前大量的小样本学习算法都采用了元学习的方案，而作者却发现使用简单的特征提取器+最近邻分类器的方法就能实现非常优异的小样本分类效果。本文首先用特征提取网络fθf_{\theta}fθ+线性分类器在一个基础数据集上对网络进行训练，将训练得到的特征提取网络增加一个简单的特征
  • 论文阅读：四足机器人对抗运动先验学习稳健和敏捷的行走 u小鬼 论文阅读论文阅读强化学习四足机器人
    论文：LearningRobustandAgileLeggedLocomotionUsingAdversarialMotionPriors进一步学习：AMP，baseline方法，TO摘要：介绍了一种新颖的系统，通过使用对抗性运动先验(AMP)使四足机器人在复杂地形上实现稳健和敏捷的行走。主要贡献包括为机器人生成AMP数据集，并提出一种教师-学生训练框架来学习稳健和敏捷的运动技能。该系统在现实世界
  • 【论文阅读】【yolo系列】YOLO-Pose的论文阅读 magic_ll yolo系列深度学习相关的论文阅读论文阅读YOLO
    Abstract我们介绍YOLO-pose，一种无热图联合检测的新方法，基于流行的YOLO目标检测框架的图像二维多人姿态估计。【现有方法的问题】现有的基于热图的两阶段方法是次优的，因为它们不是端到端可训练的，训练依赖于surrogateL1loss，该损失不能直接优化评估指标–目标关键点相似度（OKS）。【ours优势：端到端训练，并优化OKS指标本身，无复杂的后处理】该模型学习了在一次前向传递中
  • 【论文阅读笔记】（2015 ICML）Unsupervised Learning of Video Representations using LSTMs 小吴同学真棒 学习人工智能LSTM动作识别无监督自监督self-supervised
    UnsupervisedLearningofVideoRepresentationsusingLSTMs（2015ICML）NitishSrivastava,ElmanMansimov,RuslanSalakhutdinovNotesContributionsOurmodelusesanencoderLSTMtomapaninputsequenceintoafixedlengthrepresent
  • 论文阅读-Hydra: 用于持久内存和RDMA网络的分散文件系统 向来痴_ 负载均衡论文网络
    论文名称：Hydra:ADecentralizedFileSystemforPersistentMemoryandRDMANetworks摘要新兴的字址持久内存（PM）有可能颠覆内存和存储之间的边界。结合高速RDMA网络，分布式基于PM的存储系统提供了通过紧密耦合PM和RDMA特性来实现存储性能大幅提升的机会。然而，现有的分布式文件系统采用为传统磁盘设计的传统集中式客户端-服务器架构，导致访问延迟
  • TRS 2024 论文阅读 | 基于点云处理和点Transformer网络的人体活动连续识别 R.X. NLOS #无线感知/雷达成像论文速递论文阅读transformer深度学习毫米波雷达点云
    注1:本文系“无线感知论文速递”系列之一,致力于简洁清晰完整地介绍、解读无线感知领域最新的顶会/顶刊论文(包括但不限于Nature/Science及其子刊;MobiCom,Sigcom,MobiSys,NSDI,SenSys,Ubicomp;JSAC,雷达学报等)。本次介绍的论文是:文章DOI:10.1109/TRS.2023.3341230。基于点云处理和点Transformer网络的人体活动连
  • 使用动态网格的流体动画 Fluid Animation with Dynamic Meshes 论文阅读笔记 hijackedbycsdn FluidSimulation笔记
    目录引言背景方法离散化离散化的导数算子速度插值广义的半拉格朗日步重新网格化双向流固耦合和质量守恒原文：Klingner,BryanM.,etal.“Fluidanimationwithdynamicmeshes.”ACMSIGGRAPH2006Papers.2006.820-825.引言使用[Alliezetal.,2005]的方法动态生成不规则的四面体网格根据边界的位置、边界的形状、基于流体和速
  • 论文阅读-基于动态权重的一致性哈希微服务负载均衡优化 向来痴_ 负载均衡论文论文阅读微服务负载均衡
    论文名称：基于动态权重的一致性哈希微服务负载均衡优化摘要随着互联网技术的发展，互联网服务器集群的负载能力正面临前所未有的挑战。在这样的背景下，实现合理的负载均衡策略变得尤为重要。为了达到最佳的效率，可以利用一致性哈希算法对集群负载均衡系统进行负载分配。针对微服务架构的服务器集群场景，本文分析了集群负载均衡的特性，并提出了一种基于虚拟节点的一致性哈希环设计与分割方法，以及基于动态权值的分配策略。在一
  • 论文阅读 - Non-Local Spatial Propagation Network for Depth Completion 七元权 论文阅读论文阅读深度图补全NLSPNSPN深度学习
    文章目录1概述2模型说明2.1局部SPN2.2非局部SPN2.3结合置信度的亲和力学习2.3.1传统正则化2.3.2置信度引导的affinity正则化3效果3.1NYUDepthV23.2KITTIDepthCompletion参考资料1概述本文提出了一种非局部的空间传播网络用于深度图补全，简称为NLSPN。（1）为什么需要深度图补全？在AR、无人机控制、自动驾驶和运动规划等应用当中，需要知道物体
  • 【论文阅读笔记】AutoAugment:Learning Augmentation Strategies from Data 少写代码少看论文多多睡觉 #论文阅读笔记论文阅读笔记
    AutoAugment:LearningAugmentationStrategiesfromData摘要研究方法:本文描述了一种名为AutoAugment的简单程序，通过这个程序可以自动寻找改进的数据增强策略。研究设计了一个策略空间，其中策略包含多个子策略，在每个小批量数据中针对每张图片随机选择一个子策略。每个子策略由两个操作组成，每个操作是图像处理函数（如平移、旋转或剪切），以及应用这些函数的概
  • 『论文阅读|利用深度学习在热图像中实现无人机目标检测』 Dymc 深度学习目标检测论文论文阅读深度学习无人机
    利用深度学习在热图像中实现无人机目标检测摘要1引言1.1小物体检测1.2物体检测中的模型组合1.3热图像处理2提出的模型2.1预测头数量2.2骨干网络优化2.3Transformerencoder模块2.4使用滑动窗口和注意力进行卷积2.5训练和运行过程3结果3.1数据集3.2评估指标和平台3.3评估结果4结论论文题目：ObjectDetectioninThermalImagesUsingDeep
  • 『论文阅读|研究用于视障人士户外障碍物检测的 YOLO 模型』 Dymc 论文深度学习目标检测论文阅读YOLO
    研究用于视障人士户外障碍物检测的YOLO模型摘要1引言2相关工作2.1障碍物检测的相关工作2.2物体检测和其他基于CNN的模型3问题的提出4方法4.1YOLO4.2YOLOv54.3YOLOv64.4YOLOv74.5YOLOv84.6YOLO-NAS5实验和结果5.1数据集和预处理5.2训练和实现细节5.3性能指标5.4性能分析5.4.1YOLOv5的结果5.4.2YOLOv6的结果5.4.3Y
  • 草图三维模型生成论文阅读整理 fisherisfish 论文阅读
    论文终于接收啦！给草图研究做个收尾就去投实习！仅为个人整理，如有错误，欢迎指出！因为想给论文找创新点，所以需要大量阅读论文，部分论文会精读到实现的步骤，部分论文就记录一下思路。目前基于大模型和深度学习的三维重建任务可以简单分类为text23D，也就是文本控制转三维模型，一般使用语言模型提取文本的特征，然后去噪概率扩散模型生成多视角图像，最后再用NeRF进行三维重建，例如Dreamfusion、Ma
  • 论文阅读-PIM-tree：一种面向内存处理的抗偏移索引 向来痴_ 论文阅读
    论文名称：PIM-tree:ASkew-resistantIndexforProcessing-in-Memory摘要当今的内存索引性能受到内存延迟/带宽瓶颈的限制。Processing-in-memory(PIM)是一种新兴的方法，可能通过实现低延迟内存访问，其聚合内存带宽随PIM节点数量扩展，来缓解这种瓶颈。然而，在工作负载偏斜的情况下，PIM系统在最小化节点间通信和实现负载平衡之间存在固有的
  • 【论文阅读笔记】Contrastive Learning with Stronger Augmentations 少写代码少看论文多多睡觉 #论文阅读笔记论文阅读笔记
    ContrastiveLearningwithStrongerAugmentations摘要基于提供的摘要，该论文的核心焦点是在对比学习领域提出的一个新框架——利用强数据增强的对比学习（ContrastiveLearningwithStrongerAugmentations，简称CLSA）。以下是对摘要的解析：问题陈述：表征学习（representationlearning）已在对比学习方法的推动
  • 使用八叉树模拟水和烟雾 Simulating Water and Smoke with an Octree Data Structure 论文阅读笔记 hijackedbycsdn FluidSimulation笔记
    原文：Losasso,Frank,FrédéricGibou,andRonFedkiw.“Simulatingwaterandsmokewithanoctreedatastructure.”Acmsiggraph2004papers.2004.457-462.引言这篇文章扩展了[Popinet2003]的工作，拓展到表面自由流，并且使得八叉树不受限制自适应网格划分的一个缺点是，它的模板不是均匀的，
  • PointMixer论文阅读笔记 ZHANG8023ZHEN 论文阅读笔记
    MLP-mixer是最近很流行的一种网络结构，比起Transformer和CNN的节构笨重，MLP-mixer不仅节构简单，而且在图像识别方面表现优异。但是MLP-mixer在点云识别方面表现欠佳，PointMixer就是在保留了MLP-mixer优点的同时，还可以很好的处理点云问题。PointMixer可以很好的处理intra-set,inter-set,hierarchical-set的点云。
  • MTR++论文阅读 ZHANG8023ZHEN 论文阅读
    https://zhuanlan.zhihu.com/p/654070149文章亮点：DenseFuturePredictionforAllAgent：将预测的结果也encode起来，用于平衡障碍物之间的预测结果。不过在infer的时候这一部分不会进行用数据集聚类获得query轨迹点（goal点）：将goal点也进行Transformer，并且让上一帧模型的结果用于下一帧的模型推理，可以使模型的推
  • 论文阅读-EMS: History-Driven Mutation for Coverage-based Fuzzing（2022）模糊测试 Che_Che_ 论文阅读人工智能模糊测试
    一、背景本文研究了基于覆盖率的模糊测试中的历史驱动变异技术。之前的研究主要采用自适应变异策略或集成约束求解技术来探索触发独特路径和崩溃的测试用例，但它们缺乏对模糊测试历史的细粒度重用，即它们在不同的模糊测试试验之间很大程度上未能正确利用模糊测试历史。本文提出了一种轻量级且高效的概率字节定向模型（PBOM），以捕获来自试验历史的字节级变异策略，并因此有效地触发独特路径和崩溃。本文还提出了一种新的历史
  • java线程的无限循环和退出 3213213333332132 java
    最近想写一个游戏，然后碰到有关线程的问题，网上查了好多资料都没满足。 突然想起了前段时间看的有关线程的视频，于是信手拈来写了一个线程的代码片段。 希望帮助刚学java线程的童鞋 package thread; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date
  • tomcat 容器 BlueSkator tomcatWebservlet
    Tomcat的组成部分 1、server A Server element represents the entire Catalina servlet container. (Singleton) 2、service service包括多个connector以及一个engine，其职责为处理由connector获得的客户请求。   3、connector 一个connector
  • php递归,静态变量,匿名函数使用 dcj3sjt126com PHP递归函数匿名函数静态变量引用传参
      <!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body>
  • 属性颜色字体变化 周华华 JavaScript
    function changSize(className){ var diva=byId("fot") diva.className=className; } </script> <style type="text/css"> .max{ background: #900; color:#039;
  • 将properties内容放置到map中 g21121 properties
    代码比较简单： private static Map<Object, Object> map; private static Properties p; static { //读取properties文件 InputStream is = XXX.class.getClassLoader().getResourceAsStream("xxx.properti
  • [简单]拼接字符串 53873039oycg 字符串
             工作中遇到需要从Map里面取值拼接字符串的情况，自己写了个，不是很好，欢迎提出更优雅的写法，代码如下：           import java.util.HashMap; import java.uti
  • Struts2学习 云端月影
    最近开始关注struts2的新特性，从这个版本开始，Struts开始使用convention-plugin代替codebehind-plugin来实现struts的零配置。 配置文件精简了，的确是简便了开发过程，但是，我们熟悉的配置突然disappear了，真是一下很不适应。跟着潮流走吧，看看该怎样来搞定convention-plugin。 使用Convention插件，你需要将其JAR文件放
  • Java新手入门的30个基本概念二 aijuans java新手java 入门
    基本概念:　　1.OOP中唯一关系的是对象的接口是什么,就像计算机的销售商她不管电源内部结构是怎样的,他只关系能否给你提供电就行了,也就是只要知道can or not而不是how and why.所有的程序是由一定的属性和行为对象组成的,不同的对象的访问通过函数调用来完成,对象间所有的交流都是通过方法调用,通过对封装对象数据,很大限度上提高复用率。　　2.OOP中最重要的思想是类,类是模板是蓝图,
  • jedis 简单使用 antlove javarediscachecommandjedis
    jedis.RedisOperationCollection.java package jedis; import org.apache.log4j.Logger; import redis.clients.jedis.Jedis; import java.util.List; import java.util.Map; import java.util.Set; pub
  • PL/SQL的函数和包体的基础 百合不是茶 PL/SQL编程函数包体显示包的具体数据包
    由于明天举要上课,所以刚刚将代码敲了一遍PL/SQL的函数和包体的实现(单例模式过几天好好的总结下再发出来);以便明天能更好的学习PL/SQL的循环,今天太累了,所以早点睡觉,明天继续PL/SQL总有一天我会将你永远的记载在心里,,,   函数; 函数:PL/SQL中的函数相当于java中的方法;函数有返回值 定义函数的 --输入姓名找到该姓名的年薪 create or re
  • Mockito(二)--实例篇 bijian1013 持续集成mockito单元测试
            学习了基本知识后，就可以实战了，Mockito的实际使用还是比较麻烦的。因为在实际使用中，最常遇到的就是需要模拟第三方类库的行为。         比如现在有一个类FTPFileTransfer，实现了向FTP传输文件的功能。这个类中使用了a
  • 精通Oracle10编程SQL(7)编写控制结构 bijian1013 oracle数据库plsql
    /* *编写控制结构 */ --条件分支语句 --简单条件判断 DECLARE v_sal NUMBER(6,2); BEGIN select sal into v_sal from emp where lower(ename)=lower('&name'); if v_sal<2000 then update emp set
  • 【Log4j二】Log4j属性文件配置详解 bit1129 log4j
    如下是一个log4j.properties的配置   log4j.rootCategory=INFO, stdout , R log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appe
  • java集合排序笔记 白糖_ java
    public class CollectionDemo implements Serializable,Comparable<CollectionDemo>{ private static final long serialVersionUID = -2958090810811192128L; private int id; private String nam
  • java导致linux负载过高的定位方法 ronin47
    定位java进程ID 可以使用top或ps -ef |grep java ![图片描述][1] 根据进程ID找到最消耗资源的java pid 比如第一步找到的进程ID为5431 执行 top -p 5431 -H ![图片描述][2] 打印java栈信息 $ jstack -l 5431 > 5431.log 在栈信息中定位具体问题 将消耗资源的Java PID转
  • 给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数 bylijinnan 函数
    import java.util.ArrayList; import java.util.List; import java.util.Random; public class RandNFromRand5 { /** 题目：给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数。 解法1： f(k) = (x0-1)*5^0+(x1-
  • PL/SQL Developer保存布局 Kai_Ge
          近日由于项目需要，数据库从DB2迁移到ORCAL，因此数据库连接客户端选择了PL/SQL Developer。由于软件运用不熟悉，造成了很多麻烦，最主要的就是进入后，左边列表有很多选项，自己删除了一些选项卡，布局很满意了，下次进入后又恢复了以前的布局，很是苦恼。在众多PL/SQL Developer使用技巧中找到如下这段：   &n
  • [未来战士计划]超能查派[剧透,慎入] comsci 计划
           非常好看,超能查派,这部电影......为我们这些热爱人工智能的工程技术人员提供一些参考意见和思想........        虽然电影里面的人物形象不是非常的可爱....但是非常的贴近现实生活....    &nbs
  • Google Map API V2 dai_lm google map
    以后如果要开发包含google map的程序就更麻烦咯 http://www.cnblogs.com/mengdd/archive/2013/01/01/2841390.html 找到篇不错的文章，大家可以参考一下 http://blog.sina.com.cn/s/blog_c2839d410101jahv.html 1. 创建Android工程 由于v2的key需要G
  • java数据计算层的几种解决方法2 datamachine javasql集算器
    2、SQL     SQL/SP/JDBC在这里属于一类，这是老牌的数据计算层，性能和灵活性是它的优势。但随着新情况的不断出现，单纯用SQL已经难以满足需求，比如： JAVA开发规模的扩大，数据量的剧增，复杂计算问题的涌现。虽然SQL得高分的指标不多，但都是权重最高的。     成熟度：5星。最成熟的。   
  • Linux下Telnet的安装与运行 dcj3sjt126com linuxtelnet
    Linux下Telnet的安装与运行   linux默认是使用SSH服务的 而不安装telnet服务  如果要使用telnet 就必须先安装相应的软件包  即使安装了软件包 默认的设置telnet 服务也是不运行的 需要手工进行设置 如果是redhat9，则在第三张光盘中找到 telnet-server-0.17-25.i386.rpm
  • PHP中钩子函数的实现与认识 dcj3sjt126com PHP
    假如有这么一段程序： function fun(){ fun1(); fun2(); }   首先程序执行完fun1()之后执行fun2()然后fun()结束。   但是，假如我们想对函数做一些变化。比如说，fun是一个解析函数，我们希望后期可以提供丰富的解析函数，而究竟用哪个函数解析，我们希望在配置文件中配置。这个时候就可以发挥钩子的力量了。   我们可以在fu
  • EOS中的WorkSpace密码修改 蕃薯耀 修改WorkSpace密码
    EOS中BPS的WorkSpace密码修改 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 201
  • SpringMVC4零配置--SpringSecurity相关配置【SpringSecurityConfig】 hanqunfeng SpringSecurity
     SpringSecurity的配置相对来说有些复杂，如果是完整的bean配置，则需要配置大量的bean，所以xml配置时使用了命名空间来简化配置，同样，spring为我们提供了一个抽象类WebSecurityConfigurerAdapter和一个注解@EnableWebMvcSecurity，达到同样减少bean配置的目的，如下：   applicationContex
  • ie 9 kendo ui中ajax跨域的问题 jackyrong AJAX跨域
    这两天遇到个问题，kendo ui的datagrid，根据json去读取数据，然后前端通过kendo ui的datagrid去渲染，但很奇怪的是，在ie 10,ie 11,chrome,firefox等浏览器中，同样的程序， 浏览起来是没问题的，但把应用放到公网上的一台服务器， 却发现如下情况： 1） ie 9下，不能出现任何数据，但用IE 9浏览器浏览本机的应用，却没任何问题
  • 不要让别人笑你不能成为程序员 lampcy 编程程序员
    在经历六个月的编程集训之后，我刚刚完成了我的第一次一对一的编码评估。但是事情并没有如我所想的那般顺利。 说实话，我感觉我的脑细胞像被轰炸过一样。 手慢慢地离开键盘，心里很压抑。不禁默默祈祷：一切都会进展顺利的，对吧？至少有些地方我的回答应该是没有遗漏的，是不是？ 难道我选择编程真的是一个巨大的错误吗——我真的永远也成不了程序员吗？ 我需要一点点安慰。在自我怀疑，不安全感和脆弱等等像龙卷风一
  • 马皇后的贤德 nannan408
       马皇后不怕朱元璋的坏脾气，并敢理直气壮地吹耳边风。众所周知，朱元璋不喜欢女人干政，他认为“后妃虽母仪天下，然不可使干政事”，因为“宠之太过，则骄恣犯分，上下失序”，因此还特地命人纂述《女诫》，以示警诫。但马皇后是个例外。 　　有一次，马皇后问朱元璋道：“如今天下老百姓安居乐业了吗？”朱元璋不高兴地回答：“这不是你应该问的。”马皇后振振有词地回敬道：“陛下是天下之父，
  • 选择某个属性值最大的那条记录（不仅仅包含指定属性，而是想要什么属性都可以） Rainbow702 sqlgroup by最大值max最大的那条记录
    好久好久不写SQL了，技能退化严重啊！！！   直入主题： 比如我有一张表，file_info， 它有两个属性（但实际不只，我这里只是作说明用）： file_code, file_version 同一个code可能对应多个version 现在，我想针对每一个code，取得它相关的记录中，version 值 最大的那条记录， SQL如下： select *
  • VBScript脚本语言 tntxia VBScript
      VBScript 是基于VB的脚本语言。主要用于Asp和Excel的编程。   VB家族语言简介   Visual Basic 6.0           源于BASIC语言。           由微软公司开发的包含协助开发环境的事
  • java中枚举类型的使用 xiao1zhao2 javaenum枚举1.5新特性
    枚举类型是j2se在1.5引入的新的类型,通过关键字enum来定义,常用来存储一些常量.   1.定义一个简单的枚举类型 public enum Sex { MAN, WOMAN }   枚举类型本质是类,编译此段代码会生成.class文件.通过Sex.MAN来访问Sex中的成员,其返回值是Sex类型.   2.常用方法 静态的values()方
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他