相信光的奥特王小懒
相信光的奥特王小懒

无人驾驶中常用的37个数据集以及每个数据集的亮点

打开检查的快捷键是ctrl+shift+i

  • 1.Automotive multi-sensor dataset
    https://goo.gl/1YbD5E
    亮点：全方位视觉数据，实现全方位环绕感测；包括冬季有雪的情况

  • 2.Apollo
    https://goo.gl/yy144b
    亮点：来自多个传感器的大量注释数据，适合深度学习和训练任务；支持开源项目

  • 3.Berkeley DeepDrive Video dataset
    https://goo.gl/24XNzG
    亮点：具有各种注释的大型驾驶视频数据集

  • 4.Caltech Pedestrian Detection Benchmark
    https://goo.gl/HB7e8P
    亮点：最大的行人数据集；行人注释；第一个在边界框和遮挡标签之间具有时间对应关系的数据集

  • 5.Cambridge-driving Labeled Video Database
    https://goo.gl/I2pbdP
    亮点：第一批带有对象类语义标签的视频；像素级注释

  • 6.CCSAD dataset
    https://goo.gl/pxr3Yc
    亮点：在发展中国家拍摄的立体声视频

  • 7.Cheddar Gorge Dataset
    亮点: 配备立体、单目和红外摄像头、V elodyne 64激光雷达、GPS/IMU等的多样化传感器。

  • 8.Cityscapes dataset
    https://goo.gl/qLM3V4
    亮点: 来自50个城市的立体声序列；用于语义城市场景理解的像素级注释；带有评估服务器的基准测试套件；一个新的数据集，有更好的人注释的基础

  • 9.CMU Visual Localization Dataset
    https://goo.gl/0R8XX6
    亮点: 各种天气和光照条件

  • 10.comma.ai driving dataset
    https://goo.gl/B3TWf2
    亮点: 高速公路交通场景

  • 11.Daimler Pedestrian Benchmarks
    https://goo.gl/l3U2Wc
    亮点：包含多个基准数据集，用于基于单目和立体图像的行人检测、分类、分割和路径预测；第一个数据集包含部分闭塞的行人；包括我们迄今为止遇到的唯一一个骑车人数据集

  • 12.Daimler Urban segmentation
    https://goo.gl/KRBCLa
    亮点:城市交通中的立体视觉序列；像素级语义类标注

  • 13.DIPLECS Autonomous Driving Datasets
    https://goo.gl/8isjeJ
    亮点: 包括两个关于公共道路的数据集，一个在英国，另一个在瑞典；逐帧标记速度和转向数据（第一个数据集）以及驾驶环境和驾驶员动作（第二个数据集）

  • 14.Dr(eye)ve
    https://goo.gl/45bwXr
    亮点：研究驱动力、眼睛注视和视觉显著性的第一个数据集

  • 15.EISATS
    https://goo.gl/ausKsL
    亮点: 包括多个带有立体视觉序列的数据集，用于比较立体视觉、光流、运动分析等的性能评估。

  • 16.Elektra
    https://goo.gl/GNNq0f
    亮点: 注释行人的各种图像；包括远红外图像

  • 17.ETH pedestrian dataset
    https://goo.gl/xXDTwI
    亮点: 在人满为患的市中心拍摄的立体图像，行人众多

  • 18.EuroCity Persons Dataset
    亮点: 在各种天气和光照条件下，城市交通中有大量带有人物注释的图像

  • 19.F ord Campus Vision and Lidar DataSet
    https://goo.gl/6ZkCpc
    亮点: 传感器设置多样化，包括高精度定位设备、多个激光雷达、全方位摄像头等；全面的软件支持

  • 20.German Traffic Sign Detection Benchmark
    https://goo.gl/FqaCJQ
    亮点: 德国有交通标志的静态图像

  • 21.HCI benchmark suite
    https://goo.gl/r5aRvv
    亮点: 一个用于城市自动驾驶的高精度立体和光流数据集，包含许多在同一条街上手动构建/执行的场景

  • 22.Heidelberg benchmarks
    https://goo.gl/6c2lAs
    亮点：与名为“强健视力挑战”的活动相关；提供具有挑战性的立体声和光流数据，例如雨点和飞雪

  • 23.Joint Attention for Autonomous Driving
    Dataset
    https://goo.gl/cXoPnp
    亮点: 注重行人和司机的共同关注，实现自动驾驶；为行人和车辆提供文本和行为注释

  • 24.KAIST multispectral pedestrian detection
    dataset
    https://goo.gl/Tpz512
    亮点：带行人注释的彩色热图像对对齐良好

  • 25.Karlsruhe Dataset: Labeled Objects
    https://goo.gl/5fk0js
    亮点：带有汽车和行人对象边界框的图像；甚至包括对象定向

  • 26.Karlsruhe Dataset: Stereo Video Sequences +
    rough GPS Poses
    https://goo.gl/V6Q7Vx
    亮点: 卡尔斯鲁厄的高质量立体声序列

  • 27.KITTI Vision Benchmark Suite (KITTI)
    https://goo.gl/cvSbGl
    亮点: 目前最负盛名的自动驾驶数据集；为立体视觉、光流、场景流、视觉里程计、SLAM、目标检测和跟踪、道路车道检测、语义分割的评估提供了许多优秀的基准

  • 28.Málaga Stereo and Laser Urban DataSet
    https://goo.gl/EdLHtW
    亮点：有据可查；全方位工具支持；主页上的留言板

  • 29.Mapillary Vistas Dataset
    https://goo.gl/1L4yj1
    亮点: 大量具有巨大地理多样性的图像，注释为66–129个对象类别，涵盖各种道路/天气/光照条件

  • 30.nuScenes数据集
    https://www.nuscenes.org/
    亮点: 自动驾驶汽车的整个传感器套件提供的第一个大规模数据

  • 31.Oxford robotcar dataset
    https://goo.gl/nJOQkq
    亮点：第一个数据集强调定期长期数据收集（一年以上），遵循预定义路线，以涵盖道路状况的长期变化

  • 32.Stanford track collection (Stanford)
    https://goo.gl/KNOYpX
    亮点：带对象标签和GPS/IMU数据的V elodyne 64点云

  • 33.Ground Truth Stixel Dataset (Stixel)
    https://goo.gl/rf12z6
    亮点: 高速公路上下大雨；像素注释

  • 34.TorontoCity benchmark
    亮点：具有广泛视图的数据，用于映射、重建和语义标记

  • 35.TrafficNet
    http://traffic-net.org
    亮点: 大型可扩展的自然驾驶场景库

  • 36.TRoM: Tsinghua Road Marking
    https://goo.gl/KA7DR3
    亮点：第一个与道路标记检测相关的公开数据集

  • 37.Udacity dataset
    https://goo.gl/AoxEt1
    亮点：开源项目；驱动部分包含注释对象的数据

你可能感兴趣的:(无人驾驶数据集,dataset,driverless)

  • 目标检测项目 sho_re 神经网络人工智能pytorch目标检测
    ·识别图片中有哪些物体并且找到物体的存在位置多任务：位置+类别目标种类与数量繁多的问题目标尺度不均的问题遮挡、噪声等外部环境干扰VOC数据集：PASCALVOC挑战赛(ThePASCALVisualObjectClasses)是一个世界级的计算机视觉挑战赛。4大类，20小类VOC2007：9963图片/24640目标VOC2012：23080图片/54900目标·COCO数据集：起源于微软2014
  • 数据分享｜1961-2017年中国0.25°×0.25° 逐日地表水文数据集(VIC-CN05.1) JGiser GIS数据未分类（气象等等）arcgis
    缺乏长期高精度的地表观测给我国水文气象研究带来了很大的不确定性。本数据基于陆面水文模式（VICv4.2.d,VariableInfiltrationCapacitymodel）模拟构建了中国1961~2017年0.25°×0.25°逐日地表水文数据集（VIC-CN05.1）。大气驱动场（降水、温度和风速）来自基于中国2400多个站点观测资料插值而成的0.25°×0.25°逐日气象数据集（CN05.
  • Python通过YOLO格式TXT标签文件在图像中画框 CHERISH_KDX pythonYOLO人工智能
    使用场景检测数据集标注是否有误：在目标检测算法中需要标注自己的数据集，为了更加方便的检查数据集标注是否有误，可以使用该工具将标注结果绘制在图像中并查看。美化识别结果中的检测框：在一些目标检测场景中，YOLO检测算法原始的检测框绘制会导致重叠、颜色冲突、字体过大等问题。可以使用该工具进行修改。代码importosimportcv2classcheck_label:def__init__(self,c
  • 机器学习之KMeans算法 Mr终游 机器学习机器学习算法kmeans
    目录一、KMeans的核心思想二、KMeans算法流程三、KMeans的关键点1.优点：2.缺点：四、如何确定最佳k值1.肘部法则2.轮廓系数五、Kmeans的典型应用场景六、代码示例KMeans是一种广泛使用的无监督学习算法，主要用于聚类分析（Clustering）。它的目标是将数据集划分为K个互不重叠的子集（簇，Cluster），使得同一簇内的数据点尽可能相似，不同簇之间的数据点尽可能差异显著
  • “大语言模型微调”（Fine-tuning）与“大语言模型应用”（LLM Applications）之间的区别 AI Echoes 人工智能机器学习深度学习
    1.概念与定义大语言模型微调微调指的是在一个经过大规模预训练的通用语言模型基础上，利用针对性较强的小规模数据集对模型进行进一步训练，从而使模型在特定领域或任务上表现得更优秀。目标：使模型更好地适应特定任务（如医疗问答、法律咨询、编程辅助等），提高准确性和专业性。方法：可以是全参数微调，也可以采用参数高效微调（如LoRA、Adapter、PrefixTuning等），后者只调整部分参数而保持原有权重
  • 聚类分析|k-means聚类方法及其Python实现 皖山文武 数据挖掘商务智能kmeans聚类python数据挖掘机器学习
    k-means聚类方法及其Python实现0.k-means算法简介1.k-means算法工作原理2.k-means算法流程3.k–means算法的Python实现0.k-means算法简介k-means算法由MacQueen在1967年提出。是一种经典的基于划分的聚类方法。划分方法（PartitioningMethod）是基于距离判断样本相似度，通过不断迭代将含有多个样本的数据集划分成若干个簇，
  • 【漫话机器学习系列】130.主成分（Principal Components） IT古董 漫话机器学习系列专辑机器学习人工智能python
    主成分（PrincipalComponents）详解1.什么是主成分？主成分（PrincipalComponents，PCs）是数据集中方差最大的线性组合，它是主成分分析（PrincipalComponentAnalysis，PCA）中的核心概念。主成分可以看作是对原始特征的新表述方式，它通过数学变换找到一组新的正交坐标轴，使得数据的主要变化方向与这些轴对齐。简单来说：主成分是数据集中信息量（方差
  • YOLOv8制作自己的实例分割数据集保姆级教程（包含json转txt） Sir小珂 YOLOpython深度学习人工智能
    1.数据准备首先对原始数据集进行整理，将标注好的图像和标签分别放在两个文件夹中，同时额外新建两个文件夹，用于存放转换完的标签与划分后的数据集。1.1将json格式文件转换为txt格式新建json2txt.py文件，将代码中的文件路径修改为自己的路径。❗❗❗代码中第43行的classes中存放的是自己数据集的分类标签，记得修改成自己的。importjsonimportosfromtqdmimport
  • 领域大模型之微调技术和最佳实践 程序员莫玛 人工智能深度学习语言模型金融
    BERT和GPT-3等语言模型针对语言任务进行了预训练。微调使它们适应特定领域，如营销、医疗保健、金融。在本指南中，您将了解LLM架构、微调过程以及如何为NLP任务微调自己的预训练模型。-介绍-大型语言模型（LLM）的特别之处可以概括为两个关键词——大型和通用。“大”是指它们训练的海量数据集及其参数的大小，即模型在训练过程中学习的记忆和知识;“通用”意味着他们具有广泛的语言任务能力。更明确地说，L
  • 基于PyTorch的深度学习6——数据处理工具箱2 Wis4e 深度学习pytorch人工智能
    torchvision有4个功能模块：model、datasets、transforms和utils。主要介绍如何使用datasets的ImageFolder处理自定义数据集，以及如何使用transforms对源数据进行预处理、增强等。下面将重点介绍transforms及ImageFolder。transforms提供了对PILImage对象和Tensor对象的常用操作。1)对PILImage的常
  • 【5分钟背八股】redis主从复制的原理？持久化RDB和AOF？ 熬夜加班写代码 Java面试程序员redisjava后端面试
    面试官：Redis主从复制的原理？主从复制机制当一个master实例和一个slave实例连接正常时，master会发送一连串的命令流来保持对slave的更新，以便于将自身数据集的改变复制给slave，：包括客户端的写入、key的过期或被逐出等等。当master和slave之间的连接断开之后，因为网络问题、或者是主从意识到连接超时，slave重新连接上master并会尝试进行部分重同步：这意味着它会
  • redis的两种持久化方式 kse_music #DBredis数据库缓存
    目录一、RDB模式二、AOF模式三、缓存穿透雪崩穿透四、接口幂等性一、RDB模式RDB机制的优势和略施RDB持久化是指在指定的时间间隔内将内存中的数据集快照写入磁盘。也是默认的持久化方式，这种方式是就是将内存中数据以快照的方式写入到二进制文件中,默认的文件名为dump.rdb。可以通过配置设置自动做快照持久化的方式。我们可以配置redis在n秒内如果超过m个key被修改就自动做快照，下面是默认的快
  • 基于双向长短期记忆神经网络结合多头注意力机制(BiLSTM-Multihead-Attention)的单变量时序预测 机器学习和优化算法 多头注意力机制深度学习神经网络人工智能机器学习单变量时序预测BiLSTM多头注意力机制
    目录1、代码简介2、代码运行结果展示3、代码获取1、代码简介基于双向长短期记忆神经网络结合多头注意力机制(BiLSTM-Multihead-Attention)的单变量时序预测(单输入单输出)1.程序已经调试好，无需更改代码替换数据集即可运行！！！数据格式为excel！2.需要其他算法的都可以定制！注：1️⃣、运行环境要求MATLAB版本为2023b及其以上。【没有我赠送】2️⃣、评价指标包括:R
  • 鸢尾花数据集的四个特征具体是什么？ 学术乙方 Python人工智能
    鸢尾花数据集（IrisDataset）是机器学习领域中最经典的数据集之一，它包含150个样本，每个样本有4个特征，分别是：1.花萼长度（SepalLength）描述：花萼（花的外部绿色部分）的长度，单位为厘米。取值范围：通常为4.3cm到7.9cm。2.花萼宽度（SepalWidth）描述：花萼的宽度，单位为厘米。取值范围：通常为2.0cm到4.4cm。3.花瓣长度（PetalLength）描述：
  • 数据结构的基本概念和术语的一些介绍 王哈哈嘻嘻噜噜 数据结构
    数据：是客观事物的符号表示，包括两种：数值型（整数，实数）和非数值型（文字，图形，声音数据元素：是数据的基本单位，通常作为一个整体进行表示。与数据的关系：是数据集合的个体数据项：组成数据元素的不可分割的最小单位。以上三者的关系：数据>数据元素>数据项例如：学生表>个人记录>学生的单个年龄，姓名数据对象：是性质相同的数据元素的集合与数据的关系：是数据集合的一个子集例如：整数数据对象是集合N{0，+-
  • 3.10 项目总结 不要不开心了 pyqt深度学习机器学习数据挖掘人工智能
    今天的项目是一个使用PyTorch框架构建和训练神经网络的实例，旨在实现手写数字识别。以下是项目的总结、内容分析以及优化建议：项目总结1.目标：使用神经网络对MNIST数据集中的手写数字进行分类。2.步骤：-数据加载和预处理。-构建神经网络模型。-定义损失函数和优化器。-训练模型并评估其性能。-可视化训练结果。内容分析1.数据加载和预处理：-使用`torchvision.datasets`加载MN
  • 人脸属性分析：年龄估计_（7）.数据集构建与标注 zhubeibei168 人脸识别系统架构人工智能机器学习人脸识别计算机视觉
    数据集构建与标注在人脸属性分析中，数据集的构建与标注是至关重要的一步。高质量的数据集能够显著提升模型的性能和泛化能力。本节将详细介绍如何构建和标注用于年龄估计的数据集，包括数据收集、预处理、标注工具的选择以及标注标准的设定。数据收集数据收集是构建数据集的第一步。为了确保模型能够学习到不同年龄、种族、性别等因素的特征，需要从多个来源收集数据。常见的数据来源包括：1.公开数据集公开数据集是数据收集的便
  • 点云语义分割：PointNet++在S3DIS数据集上的训练 完美代码 3dneo4j点云
    点云语义分割：PointNet++在S3DIS数据集上的训练点云语义分割是计算机视觉领域的一个重要任务，旨在将点云数据中的每个点分配给其对应的语义类别。PointNet++是一种流行的深度学习方法，可用于处理点云数据，并在各种任务中取得了良好的性能。在本文中，我们将探讨如何使用PointNet++模型在S3DIS数据集上进行训练，并提供相应的源代码。数据集介绍S3DIS数据集是一个常用的用于室内场
  • 基于YOLOv5的烟雾检测系统：从数据集准备到UI界面实现 深度学习&目标检测实战项目 YOLOui分类数据挖掘目标跟踪
    1.引言烟雾是火灾发生的一个重要早期信号。烟雾检测能够在火灾初期及时识别并报警，为火灾的扑灭争取宝贵的时间。因此，烟雾检测的研究一直是计算机视觉领域中的一个热点问题。近年来，随着深度学习技术的发展，目标检测算法被广泛应用于烟雾检测，尤其是基于YOLOv5的目标检测模型，由于其较高的精度和较低的计算开销，已经成为许多实时检测系统的首选模型。在这篇博客中，我们将介绍如何使用YOLOv5模型进行烟雾检测
  • 机器学习算法（2）—— 线性回归算法 疯狂的石头。 算法机器学习线性回归
    ‘’‘构造数据集’‘’x=[[80,86],[82,80],[85,78],[90,90],[86,82],[82,90],[78,80],[92,94]]y=[84.2,80.6,80.1,90,83.2,87.6,79.4,93.4]‘’‘模型训练’‘’实例化一个估计器estimator=LinearRegression()使用fit方法进行训练estimator.fit(x,y)查看回归系数
  • 解密DeepSeek-R1模型微调实战：VIP专属技巧助你轻松掌握行业核心技术 竹木有心 人工智能
    引言大模型微调已成为AI工程师的核心竞争力，但90%的学习者卡在以下痛点：❌开源数据集质量参差不齐❌实验环境搭建耗时易出错❌行业级调优方案闭源难获取CSDN大模型VIP专项计划针对上述问题，提供：✅金融/医疗/法律三大领域高质量微调数据集✅云端GPU实验环境即开即用✅行业头部企业实战案例库（附完整代码）一、基础篇：快速搭建微调环境（免费技巧）1.1使用HuggingFace标准流程fromtran
  • benchmark和baseline的联系与区别 Lntano__y 人工智能深度学习机器学习
    在深度学习算法中，benchmark（基准）和baseline（基线）是两个常用的概念，用于评估算法的性能和进行比较。尽管它们有一些相似之处，但它们在定义和使用上有一些区别。Benchmark（基准）：基准是指作为参考标准的一组算法或数据集，通常是在特定任务或领域中广泛接受的准则。基准的目标是提供一个衡量算法性能的标准，以便其他算法可以与之进行比较。基准可以是一种算法、一个数据集或者是两者的结合。
  • 决策树（Decision Tree）：机器学习中的经典算法 Jason_Orton 机器学习算法决策树随机森林人工智能
    1.什么是决策树？决策树（DecisionTree）是一种基于树形结构的机器学习算法，适用于分类和回归任务。其核心思想是通过一系列的规则判断，将数据集不断划分，最终形成一棵树状结构，从而实现预测目标。在决策树中，每个内部节点表示一个特征，每个分支代表一个特征的取值，每个叶子节点对应一个类别或预测值。决策树的目标是构建一棵能够有效区分不同类别的树，并在测试数据上保持较好的泛化能力。2.决策树的工作原
  • EDPose：探讨端到端的实时多人姿态估计 烧技湾 AI&ComputerVisionHPE人体姿态估计端到端检测
    作者：曾爱玲（港中文博士，现已入职腾讯）单位：IDEA（深圳数字经济研究院）源码：github/ED-Pose该篇论文取得效果如下：这篇文章的优势在于：在复杂的多人场景下能够取得不错的性能提升，虽然在COCO等数据集上的提升不明显。这种端到端的方法，优势在于检测到人体是检测到关键点的一个保证。目录摘要一、介绍二、相关工作2.1.单阶段多人姿态估计2.2检测变压器：三、重新思考单阶段多人姿态估计3.
  • 用双色球数据集微调后的大模型 qq_29790801 人工智能NLP
    最近用Qwen/Qwen1.5-1.8B-Chat大模型来微调训练双色球2003001-2025011的数据集，实验测一下大模型出球的预测情况。使用输入期数看它的输出如：prompt="2025012"messages=[6,10,14,17,23,25,12}]有兴趣的朋友也可以下载玩玩魔塔社区下载模型地址：魔搭社区魔塔社区下载数据集地址：魔搭社区huggingface下载模型地址：https:
  • 深度学习项目十一：mmdetection训练自己的数据集 小啊磊_Vv 深度学习和视觉项目实战目标跟踪人工智能计算机视觉python深度学习
    mmdetection训练自己的数据集这里写目录标题mmdetection训练自己的数据集一：环境搭建二：数据集格式转换(yolo转coco格式)yolo数据集格式coco数据集格式yolo转coco数据集格式yolo转coco数据集格式的代码三：训练dataset数据文件配置configs1.在configs/faster_rcnn/faster-rcnn_r101_fpn_1x_coco.py
  • 利用神经网络来解决鸢尾花分类任务(附实验结果和代码) 侠之大者231 深度学习实战机器学习深度学习人工智能分类神经网络
    前言本篇文章使用自己亲手搭建的神经网络模型来解决鸢尾花数据集的分类任务，读者们可以通过该简单的任务进一步理解神经网络，并且可以自己动手去搭建神经网络。鸢尾花数据集的介绍https://archive.ics.uci.edu/ml/index.php大家可以通过这个网站下载鸢尾花数据集，里面有各种经典数据集供大家使用。附：本来想给大家具体讲一讲的，但发现网站里面讲的已经很详细了，大家想用的自己去了解
  • JAVA反射 m0_74015467 javapython开发语言
    一、反射概述Java反射（Reflection）是Java语言中一项极为强大的特性，它犹如一把神奇的钥匙，允许程序在运行时查询、访问和修改类、接口、字段和方法的信息。简单来说，反射赋予了程序动态操作类的能力，打破了传统编程中在编译期就确定所有行为的限制，让程序能够根据运行时的情况灵活地做出响应。二、类信息详解（一）类信息的构成类信息主要存储在JVM的方法区中，它是类的元数据集合，具体包含以下几个重
  • Word2Vec 模型 PyTorch 实现并复现论文中的数据集 Illusionna. word2vecpytorch人工智能算法自然语言处理nlpmatplotlib
    详细注解链接：https://www.orzzz.net/directory/codes/Word2Vec/index.html欢迎咨询！
  • Vision Transformer 分类水果图片集 Python 代码（可训练自己数据集） Illusionna. transformer深度学习人工智能
    代码链接:https://github.com/Illusionna/ComputerVision/tree/main/EfficientTransformerArepositoryforViT.ContributetoIllusionna/TransformerdevelopmentbycreatinganaccountonGitHub.https://github.com/Illusionna
  • 辗转相处求最大公约数 沐刃青蛟 C++漏洞
    无言面对”江东父老“了，接触编程一年了，今天发现还不会辗转相除法求最大公约数。惭愧惭愧！   为此，总结一下以方便日后忘了好查找。   1.输入要比较的两个数a,b   忽略：2.比较大小（因为后面要的是大的数对小的数做%操作）   3.辗转相除（用循环不停的取余，如a%b,直至b=0）   4.最后的a为两数的最大公约数 &
  • F5负载均衡会话保持技术及原理技术白皮书 bijian1013 F5负载均衡
    一.什么是会话保持？        在大多数电子商务的应用系统或者需要进行用户身份认证的在线系统中，一个客户与服务器经常经过好几次的交互过程才能完成一笔交易或者是一个请求的完成。由于这几次交互过程是密切相关的，服务器在进行这些交互过程的某一个交互步骤时，往往需要了解上一次交互过程的处理结果，或者上几步的交互过程结果，服务器进行下
  • Object.equals方法：重载还是覆盖 Cwind javagenericsoverrideoverload
    本文译自StackOverflow上对此问题的讨论。 原问题链接   在阅读Joshua Bloch的《Effective Java（第二版）》第8条“覆盖equals时请遵守通用约定”时对如下论述有疑问： “不要将equals声明中的Object对象替换为其他的类型。程序员编写出下面这样的equals方法并不鲜见，这会使程序员花上数个小时都搞不清它为什么不能正常工作：” pu
  • 初始线程 15700786134
          暑假学习的第一课是讲线程，任务是是界面上的一条线运动起来。            既然是在界面上，那必定得先有一个界面，所以第一步就是，自己的类继承JAVA中的JFrame，在新建的类中写一个界面，代码如下： public class ShapeFr
  • Linux的tcpdump 被触发 tcpdump
    用简单的话来定义tcpdump，就是：dump the traffic on a network，根据使用者的定义对网络上的数据包进行截获的包分析工具。 tcpdump可以将网络中传送的数据包的“头”完全截获下来提供分析。它支 持针对网络层、协议、主机、网络或端口的过滤，并提供and、or、not等逻辑语句来帮助你去掉无用的信息。 实用命令实例 默认启动 tcpdump 普通情况下，直
  • 安卓程序listview优化后还是卡顿 肆无忌惮_ ListView
    最近用eclipse开发一个安卓app，listview使用baseadapter，里面有一个ImageView和两个TextView。使用了Holder内部类进行优化了还是很卡顿。后来发现是图片资源的问题。把一张分辨率高的图片放在了drawable-mdpi文件夹下，当我在每个item中显示，他都要进行缩放，导致很卡顿。解决办法是把这个高分辨率图片放到drawable-xxhdpi下。 &nb
  • 扩展easyUI tab控件，添加加载遮罩效果 知了ing jquery
    (function () { $.extend($.fn.tabs.methods, { //显示遮罩 loading: function (jq, msg) { return jq.each(function () { var panel = $(this).tabs(&
  • gradle上传jar到nexus 矮蛋蛋 gradle
    原文地址： https://docs.gradle.org/current/userguide/maven_plugin.html configurations {     deployerJars } dependencies {     deployerJars "org.apache.maven.wagon
  • 千万条数据外网导入数据库的解决方案。 alleni123 sqlmysql
    从某网上爬了数千万的数据，存在文本中。 然后要导入mysql数据库。 悲剧的是数据库和我存数据的服务器不在一个内网里面。。 ping了一下， 19ms的延迟。 于是下面的代码是没用的。 ps = con.prepareStatement(sql); ps.setString(1, info.getYear())............; ps.exec
  • JAVA IO InputStreamReader和OutputStreamReader 百合不是茶 JAVA.io操作 字符流
    这是第三篇关于java.io的文章了，从开始对io的不了解-->熟悉--->模糊，是这几天来对文件操作中最大的感受，本来自己认为的熟悉了的，刚刚在回想起前面学的好像又不是很清晰了，模糊对我现在或许是最好的鼓励 我会更加的去学 加油！： JAVA的API提供了另外一种数据保存途径，使用字符流来保存的，字符流只能保存字符形式的流   字节流和字符的难点：a,怎么将读到的数据
  • MO、MT解读 bijian1013 GSM
    MO= Mobile originate，上行，即用户上发给SP的信息。MT= Mobile Terminate，下行，即SP端下发给用户的信息； 上行:mo提交短信到短信中心下行:mt短信中心向特定的用户转发短信，你的短信是这样的，你所提交的短信，投递的地址是短信中心。短信中心收到你的短信后，存储转发，转发的时候就会根据你填写的接收方号码寻找路由，下发。在彩信领域是一样的道理。下行业务：由SP
  • 五个JavaScript基础问题 bijian1013 JavaScriptcallapplythisHoisting
    下面是五个关于前端相关的基础问题，但却很能体现JavaScript的基本功底。 问题1：Scope作用范围 考虑下面的代码：  (function() { var a = b = 5; })(); console.log(b); 什么会被打印在控制台上？  回答：         上面的代码会打印 5。 &nbs
  • 【Thrift二】Thrift Hello World bit1129 Hello world
    本篇，不考虑细节问题和为什么，先照葫芦画瓢写一个Thrift版本的Hello World，了解Thrift RPC服务开发的基本流程   1. 在Intellij中创建一个Maven模块，加入对Thrift的依赖，同时还要加上slf4j依赖，如果不加slf4j依赖，在后面启动Thrift Server时会报错 <dependency>
  • 【Avro一】Avro入门 bit1129 入门
    本文的目的主要是总结下基于Avro Schema代码生成，然后进行序列化和反序列化开发的基本流程。需要指出的是，Avro并不要求一定得根据Schema文件生成代码，这对于动态类型语言很有用。   1. 添加Maven依赖   <?xml version="1.0" encoding="UTF-8"?> <proj
  • 安装nginx+ngx_lua支持WAF防护功能 ronin47
    需要的软件:LuaJIT-2.0.0.tar.gz                   nginx-1.4.4.tar.gz          &nb
  • java-5.查找最小的K个元素-使用最大堆 bylijinnan java
    import java.util.Arrays; import java.util.Random; public class MinKElement { /** * 5.最小的K个元素 * I would like to use MaxHeap. * using QuickSort is also OK */ public static void
  • TCP的TIME-WAIT bylijinnan socket
    原文连接： http://vincent.bernat.im/en/blog/2014-tcp-time-wait-state-linux.html 以下为对原文的阅读笔记 说明： 主动关闭的一方称为local end，被动关闭的一方称为remote end 本地IP、本地端口、远端IP、远端端口这一“四元组”称为quadruplet，也称为socket 1、TIME_WA
  • jquery ajax 序列化表单 coder_xpf Jquery ajax 序列化
       checkbox 如果不设定值，默认选中值为on；设定值之后，选中则为设定的值   <input type="checkbox" name="favor" id="favor" checked="checked"/> $("#favor&quo
  • Apache集群乱码和最高并发控制 cuisuqiang apachetomcat并发集群乱码
    都知道如果使用Http访问，那么在Connector中增加URIEncoding即可，其实使用AJP时也一样，增加useBodyEncodingForURI和URIEncoding即可。 最大连接数也是一样的，增加maxThreads属性即可，如下，配置如下： <Connector maxThreads="300" port="8019" prot
  • websocket dalan_123 websocket
    一、低延迟的客户端-服务器 和 服务器-客户端的连接 很多时候所谓的http的请求、响应的模式，都是客户端加载一个网页，直到用户在进行下一次点击的时候，什么都不会发生。并且所有的http的通信都是客户端控制的，这时候就需要用户的互动或定期轮训的，以便从服务器端加载新的数据。   通常采用的技术比如推送和comet（使用http长连接、无需安装浏览器安装插件的两种方式：基于ajax的长
  • 菜鸟分析网络执法官 dcj3sjt126com 网络
      最近在论坛上看到很多贴子在讨论网络执法官的问题。菜鸟我正好知道这回事情.人道"人之患好为人师" 手里忍不住,就写点东西吧. 我也很忙.又没有MM,又没有MONEY....晕倒有点跑题. OK,闲话少说,切如正题. 要了解网络执法官的原理. 就要先了解局域网的通信的原理. 前面我们看到了.在以太网上传输的都是具有以太网头的数据包. 
  • Android相对布局属性全集 dcj3sjt126com android
    RelativeLayout布局android:layout_marginTop="25dip" //顶部距离android:gravity="left" //空间布局位置android:layout_marginLeft="15dip //距离左边距 // 相对于给定ID控件android:layout_above 将该控件的底部置于给定ID的
  • Tomcat内存设置详解 eksliang jvmtomcattomcat内存设置
    Java内存溢出详解   一、常见的Java内存溢出有以下三种：   1. java.lang.OutOfMemoryError: Java heap space ----JVM Heap（堆）溢出JVM在启动的时候会自动设置JVM Heap的值，其初始空间(即-Xms)是物理内存的1/64，最大空间(-Xmx)不可超过物理内存。 可以利用JVM提
  • Java6 JVM参数选项 greatwqs javaHotSpotjvmjvm参数JVM Options
    Java 6 JVM参数选项大全（中文版）   作者：Ken Wu Email: [email protected] 转载本文档请注明原文链接 http://kenwublog.com/docs/java6-jvm-options-chinese-edition.htm！   本文是基于最新的SUN官方文档Java SE 6 Hotspot VM Opt
  • weblogic创建JMC i5land weblogicjms
    进入 weblogic控制太 1.创建持久化存储 --Services--Persistant Stores--new--Create FileStores--name随便起--target默认--Directory写入在本机建立的文件夹的路径--ok 2.创建JMS服务器 --Services--Messaging--JMS Servers--new--name随便起--Pers
  • 基于 DHT 网络的磁力链接和BT种子的搜索引擎架构 justjavac DHT
    上周开发了一个磁力链接和 BT 种子的搜索引擎 {Magnet & Torrent}，本文简单介绍一下主要的系统功能和用到的技术。 系统包括几个独立的部分： 使用 Python 的 Scrapy 框架开发的网络爬虫，用来爬取磁力链接和种子； 使用 PHP CI 框架开发的简易网站； 搜索引擎目前直接使用的 MySQL，将来可以考虑使
  • sql添加、删除表中的列 macroli sql
    添加没有默认值：alter table Test add BazaarType char(1) 有默认值的添加列：alter table Test add BazaarType char(1) default(0) 删除没有默认值的列：alter table Test drop COLUMN BazaarType 删除有默认值的列：先删除约束（默认值）alter table Test DRO
  • PHP中二维数组的排序方法 abc123456789cba 排序二维数组PHP
    <?php/*** @package     BugFree* @version     $Id: FunctionsMain.inc.php,v 1.32 2005/09/24 11:38:37 wwccss Exp $*** Sort an two-dimension array by some level
  • hive优化之------控制hive任务中的map数和reduce数 superlxw1234 hivehive优化
    一、    控制hive任务中的map数: 1.    通常情况下，作业会通过input的目录产生一个或者多个map任务。 主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；2. 
  • Spring Boot 1.2.4 发布 wiselyman spring boot
    Spring Boot 1.2.4已于6.4日发布，repo.spring.io and Maven Central可以下载(推荐使用maven或者gradle构建下载)。   这是一个维护版本，包含了一些修复small number of fixes,建议所有的用户升级。   Spring Boot 1.3的第一个里程碑版本将在几天后发布，包含许多
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他