- PyTorch 使用指南
PyTorch是一个功能强大且灵活的Python开源机器学习库,以其动态计算图和直观的Pythonic接口而闻名。本指南将带您了解PyTorch的基础操作,包括张量创建、自动求导,以及如何构建、训练和优化神经网络模型。我们还将深入探讨其在图像分类(以CIFAR-10为例)和自然语言处理(以灾难推文分类为例)等特定领域的应用,并概述其在图像分割和强化学习等其他领域的应用。PyTorch使用指南1.P
- gis怎么提取水系_深度学习在GIS中的应用
weixin_36214932
gis怎么提取水系
近年来,人工智能(AI)飞速发展,在诸如图像识别,图像分割和目标智能提取等任务上,达到甚至在某些方面超过了人工的准确度。人工智能在图像识别方面的优势,为AI和GIS的结合提供了前所未有的契机。人工智能,机器学习和深度学习正在帮助我们认识世界、改善世界。AI是计算机科学的一个重要分支,在某种程度上具有类似人类工作的执行能力,能以一种新的与人类相似的方式做出智能的反应,机器学习利用数据驱动算法从数据中
- 计算机视觉:少样本学习(Few-Shot Learning)在视觉中的应用
xcLeigh
计算机视觉CV计算机视觉学习人工智能FSLAI
计算机视觉:少样本学习(Few-ShotLearning)在视觉中的应用一、前言二、少样本学习基础概念2.1定义与范畴2.2与传统机器学习对比2.3核心挑战三、少样本学习在计算机视觉中的典型应用3.1图像分类3.1.1新类别识别3.1.2医学图像分类3.2目标检测3.2.1新目标检测3.2.2小目标检测3.3图像分割3.3.1医学图像分割3.3.2工业缺陷检测四、少样本学习在计算机视觉中的技术方法
- 暴力涨点!通道注意力UNet起步就能发二区
AI波克布林
UNetAttention目标跟踪人工智能计算机视觉通道注意力注意力机制unet图像分割
2025深度学习发论文&模型涨点之——通道注意力UNet通道注意力UNet是一种结合了通道注意力机制的UNet网络架构,旨在通过动态调整特征通道的重要性来增强模型对关键特征的感知能力,从而提升图像分割的性能。通道注意力机制通过学习不同通道之间的权重,对特征图进行加权处理,从而增强重要通道的特征表示,同时抑制冗余信息。我整理了一些通道注意力UNet【论文+代码】合集论文精选论文1:BrainTumo
- 【AI 赋能:Python 人工智能应用实战】6. 概率图模型入门:贝叶斯网络与隐马尔可夫模型实战
AI_DL_CODE
AI赋能:Python人工智能应用实战人工智能python概率图模型贝叶斯网络隐马尔可夫模型概率推断HMM
摘要:本文系统介绍概率图模型的基础理论与实战应用,聚焦贝叶斯网络与隐马尔可夫模型(HMM)两大核心模型。理论部分解析概率图模型的分类体系:贝叶斯网络(有向无环图)用于静态不确定性建模,代表算法为变量消元,适用于医疗诊断;马尔可夫网络(无向图)依托置信传播,应用于图像分割;HMM(时序链结构)通过维特比算法等解决语音识别等时序问题。详解贝叶斯网络三要素:结构学习(爬山算法)、参数学习(最大似然与贝叶
- “显著性”(Saliency)是计算机视觉中的一个重要概念,主要指的是图像或视频中最吸引人注意力的区域或对象
步步咏凉天
计算机视觉人工智能
“显著性”(Saliency)是计算机视觉中的一个重要概念,主要指的是图像或视频中最吸引人注意力的区域或对象。它模拟的是人类视觉系统对视觉场景中“显著”区域的感知能力。显著性可以用于图像理解、目标检测、图像压缩、图像分割等多个任务。下面是对显著性在计算机视觉中的几个关键方面的解释:一、显著性检测(SaliencyDetection)显著性检测的目标是预测图像中最能吸引人注意的区域,通常输出一个与输
- 【图像分割】基于模糊聚类FCM和改进的模糊聚类算法实现CT图像分割matlab代码
天天Matlab科研工作室
图像处理Matlab各类代码算法聚类matlab
1简介医学影像分割的基本目标是将图像分割成不同的解剖组织,从而可以从背景中提取出感兴趣区域。因为图像的低分辨率和弱对比度,实现医学影像分割是一件具有挑战的任务。而且,这个任务由于噪声和伪阴影变得更加困难,这些干扰项可能是因器材限制、重建算法和患者移动等原因造成的。目前还没有通用的医学图像分割算法,算法的优点和缺点经常根据所研究的问题而变化。将分割概念具体到颅内出血CT图像上,就是将颅腔中的出血病灶
- Unet源码实现(pytorch)
wyn20001128
pytorch人工智能python
U-Net是一种用于生物医学图像分割的卷积神经网络架构。它通过引入一种新颖的网络结构和训练策略解决了传统方法在数据量不足时面临的挑战。U-Net的主要思想是利用数据增强技术来高效利用有限的标注样本,并通过独特的网络设计来提高分割精度。主要贡献U-Net的主要贡献包括:1、数据增强策略:使用随机弹性变形和其他形式的数据增强来增加训练数据的多样性,从而在有限的数据集上训练出更强大的模型。2、U形网络结
- 051-OpenCV GrabCut图像分割算法
话不多说,上代码,看结果。importcv2#导入库importnumpyasnp'''cv2.imread(filename,flags)#filename为文件名,图片与.py文件在一个文件夹时输入文件名即可#不在一个文件夹时输入图片的路径和名字#flags为图片的颜色类型,默认为1,灰度图像为0'''img=cv2.imread('89.jpg')mask=np.zeros(img.shap
- 数据科学简讯 2023-04-07
数科每日
image.png头条SegmentAnything图像分割的重大进步图像分割是提取图像中代表特定对象(例如人或桌子)的所有像素的过程。由于几个原因,这是一项艰巨的任务,通常它要么需要大量预定义对象的数据集,要么需要一些的初级监督数据。Meta的这个全新的、完全开源的模型感觉就像是功能上的飞跃。他们收集了大量数据集,简化了注释功能,并创建了一个可以在浏览器中实时运行的模型。并提供演示、代码和论文。
- 微算法科技研究量子视觉计算,利用量子力学原理提升传统计算机视觉任务的性能
计算机视觉,作为人工智能领域的一个重要分支,致力于模拟人类视觉系统对图像或视频等视觉数据的理解与分析能力。它涵盖了图像识别、目标检测、图像分割等一系列复杂任务,广泛应用于自动驾驶、医疗影像分析、安防监控等多个领域。然而,随着数据规模的不断膨胀和任务复杂度的日益提升,传统计算机视觉算法在处理大规模、高维度数据时遇到了性能瓶颈。微算法科技(NASDAQ:MLGO)研究量子视觉计算,探索量子计算与经典卷
- 目前主流图像分类模型的详细对比分析
@comefly
闲聊linux运维服务器
以下是目前主流图像分类模型的详细对比分析,结合性能、架构特点及应用场景进行整理:一、主流模型架构分类与定量对比模型名称架构类型核心特点ImageNetTop-1准确率参数量(百万)计算效率典型应用场景ResNetCNN残差连接解决梯度消失,支持超深网络(如ResNet-152)76.1%25.6中等通用分类、目标检测ViTTransformer将图像分割为patches,用标准Transforme
- 深度学习交互式图像分割技术演进与突破
wang1776866571
深度学习交互式分割深度学习人工智能交互式分割
说明本文为作者读研期间基于交互式图像分割领域公开文献的系统梳理与个人理解总结,所有内容均为原创撰写(ai辅助创作),未直接复制或抄袭他人成果。文中涉及的算法、模型及实验结论均参考自领域内公开发表的学术论文(具体文献见文末参考文献列表)。本文旨在为交互式图像分割领域的学习者提供一份结构化的综述参考,内容涵盖技术演进、核心方法、关键技术优化及应用前景,希望能为相关研究提供启发。摘要:本文系统综述了基于
- Halcon学习之select_shape()算子参数介绍
一、算子介绍select_shape()是HALCON中用于基于形状特征筛选区域的关键算子,广泛应用于图像分割、目标检测和工业质检等领域。它允许用户根据指定的几何特征从输入区域集合中选择符合条件的区域。至于为什么单独介绍这个算子呢,因为他筛选特征的方式有太多种了,如果可以熟练的掌握这些特征,那在后面的例程学习以及实际应用中,可谓是得心应手了。二、算子参数select_shape(Regions:S
- 图像分割技术详解:从原理到实践
lanjieying
本文还有配套的精品资源,点击获取简介:图像分割是图像处理领域将图像分解为多个区域的过程,用于图像分析、特征提取等。文章介绍了图像分割的原理,并通过一个将图像划分为2*4子块的示例,展示了如何使用Python和matplotlib库中的tight_subplot函数进行图像分割和展示。文章还探讨了图像分割在不同领域的应用,以及如何在机器学习项目中作为数据预处理步骤。1.图像分割基本概念在图像处理领域
- SAM 图像分割算法计算物体表面积
loong_XL
深度学习图像CV算法SAM图像面积计算图像算法cv图像分割
参考:https://enpeicv.com/forum.php?mod=viewthread&tid=90&extra=page%3D1使用SAM算法进行图像分割,计算出分割图像有多少像素,然后根据像素数量计算实际面积局限:此方法适用于物体与参考物体一个平面内,如果物体在参考物体的前后立体位置,准确性可能不大好SAM安装及模型下载:https://github.com/facebookresea
- OpenCV图像边缘检测
慕婉0307
opencv基础opencv人工智能计算机视觉
一、边缘检测基础概念边缘检测是图像处理中最基本也是最重要的操作之一,它能识别图像中亮度或颜色急剧变化的区域,这些区域通常对应物体的边界。OpenCV提供了多种边缘检测方法,从传统的算子到基于深度学习的现代方法。1.1为什么需要边缘检测?数据降维:将图像转换为边缘表示可大幅减少数据量特征提取:边缘是图像最重要的视觉特征之一预处理步骤:为物体识别、图像分割等高级任务做准备噪声抑制:某些边缘检测方法具有
- CVPR2024 分割Segmentation相关论文37篇速览
木木阳
CVPR2024Segmentation分割论文
Paper1MFP:MakingFullUseofProbabilityMapsforInteractiveImageSegmentation摘要小结:最近的交互式分割算法中,将先前的概率图作为网络输入,以帮助当前分割轮次的预测。然而,尽管使用了先前的掩膜,概率图中包含的有用信息并没有很好地传播到当前预测中。在本文中,为了克服这一局限性,我们提出了一种新颖有效的基于点击的交互式图像分割算法MFP,
- 【EI会议征稿】东北大学主办第三届机器视觉、图像处理与影像技术国际会议(MVIPIT 2025)
诗远Yolanda
图像处理计算机视觉考研视频机器学习论文阅读
一、会议信息大会官网:www.mvipit.org官方邮箱:
[email protected]会议地点:辽宁沈阳主办单位:东北大学会议时间:2025年9月27日-9月29日二、征稿主题集中但不限于“机器视觉、图像处理与影像技术”等其他相关主题。机器视觉:视觉中的统计机器学习;立体视觉标定;几何建模与处理;人脸识别与手势识别;早期视觉和生物学启发的视觉;光流法和运动追踪;图像分割和图像分类;基于模型的视觉
- 遥感影像数据处理-大图滑窗切分为小图
GIS潮流
遥感语义分割
功能需求据所周知,遥感影像的尺寸有大有小,大的达到几万x几万像素,而图像分割算法模型在训练中尺寸适中,比如256x256,512x512,1024x1024等等,如果直接将遥感影像的原图输入模型中进行训练,大概率会提示内存和显存不足,因此针对遥感影像的模型训练,一般都需要将影像裁剪为小图。裁剪后的效果图如下:解决思路基于上面的需求,写了一套裁剪算法流程。主要考虑的是在裁剪过程中,从左往右、从上到下
- 基于OpenCV图像分割与PyTorch的增强图像分类方案
从零开始学习人工智能
opencvpytorch分类
在图像分类任务中,背景噪声和复杂场景常常会对分类准确率产生负面影响。为了应对这一挑战,本文介绍了一种结合OpenCV图像分割与PyTorch深度学习框架的增强图像分类方案。通过先对图像进行分割提取感兴趣区域(RegionofInterest,ROI),再进行分类,可以有效减少背景干扰,突出关键特征,从而提高分类准确率。该方案在多种复杂场景下表现出色,尤其适用于图像背景复杂或包含多个对象的情况。一、
- 【图像处理入门】12. 综合项目与进阶:超分辨率、医学分割与工业检测
小米玄戒Andrew
图像处理:从入门到专家图像处理人工智能深度学习算法python计算机视觉CV
摘要本周将聚焦三个高价值的综合项目,打通传统算法与深度学习的技术壁垒。通过图像超分辨率重建对比传统方法与深度学习方案,掌握医学图像分割的U-Net实现,设计工业缺陷检测的完整流水线。每个项目均包含原理解析、代码实现与性能优化,帮助读者从“技术应用”迈向“系统设计”。一、项目1:图像超分辨率重建(从模糊到清晰的跨越)1.技术背景与核心指标超分辨率(SR)是通过算法将低分辨率(LR)图像恢复为高分辨率
- 高斯混合模型(Gaussian Mixture Model, GMM)
不想秃头的程序
神经网络语音识别人工智能深度学习网络
高斯混合模型(GaussianMixtureModel,GMM)是一种概率模型,用于表示数据点由多个高斯分布(GaussianDistribution)混合生成的过程。它广泛应用于聚类分析、密度估计、图像分割、语音识别等领域,尤其适合处理非球形簇或多模态数据。以下是GMM的详细介绍:一、核心思想GMM假设数据是由多个高斯分布混合生成的,每个高斯分布代表一个簇(Cluster),并引入隐变量(Lat
- 10个基于Python的计算机视觉实战项目
云博士的AI课堂
基于Python计算机视觉python计算机视觉机器视觉人工智能
10个基于Python的计算机视觉实战项目,涵盖多个领域和应用场景,每个项目均附有GitHub地址、概述、解决的问题及应用场景:1.PCV图像处理与计算机视觉库GitHub地址:jesolem/PCV概述:提供计算机视觉基础算法的Python实现,包括图像分割、直方图均衡化、图像增强等。解决的问题:简化图像处理流程,支持快速实现算法原型。应用场景:学术研究、教学实验、图像预处理任务。2.基于朴素贝
- 用OpenCV实现图像分割:提取Logo中的特定元素并重新着色
Wave还没秃
opencv人工智能计算机视觉
用OpenCV实现图像分割:提取Logo中的特定元素并重新着色任务:将图片中三个圆形图案以及字母(共四个)单独取出,分别保存为四个新图片,图片大小与原图一致,图案尽量位于图片中心。三个圆形图案在新图片中改成不与于原来的填充色。步骤总览1.读取图片2.预处理:二值化或色彩分割找目标区域3.提取每个圆形图案(红、绿、蓝)和文字区域的掩膜4.将掩膜区域提取出来并改变颜色(对圆形)5.让内容居中对齐,保存
- CVPR 2024 图像处理方向总汇(图像去噪、图像增强、图像分割和图像恢复等)
点云SLAM
图形图像处理深度学习计算机视觉图像分割图像增强CVPR2024人工智能
1、ImageProgress(图像处理)去鬼影GeneratingContentforHDRDeghostingfromFrequencyView去阴影HomoFormer:HomogenizedTransformerforImageShadowRemoval去模糊UnsupervisedBlindImageDeblurringBasedonSelf-EnhancementLatencyCorr
- UNet改进(5):线性注意力机制(Linear Attention)-原理详解与代码实现
摸鱼许可证
人工智能计算机视觉
引言在计算机视觉领域,UNet架构因其在图像分割任务中的卓越表现而广受欢迎。近年来,注意力机制的引入进一步提升了UNet的性能。本文将深入分析一个结合了线性注意力机制的UNet实现,探讨其设计原理、代码实现以及在医学图像分割等任务中的应用潜力。UNet架构概述UNet最初由Ronneberger等人提出,主要用于生物医学图像分割。其独特的U形结构由编码器(下采样路径)和解码器(上采样路径)组成,通
- OpenCV C++ 边缘检测与图像分割
achene_ql
opencvc++计算机视觉人工智能
一、边缘检测在数字图像处理领域,边缘检测是一项至关重要的基础技术。它如同为图像赋予“骨架”,帮助计算机快速识别图像中的物体轮廓、形状与结构,广泛应用于目标识别、图像分割、图像配准等多个领域。1.1概念边缘检测的核心目标是找出图像中像素灰度发生剧烈变化的区域边界。这些边界往往对应着图像中物体的轮廓、不同物体的交界处或纹理变化明显的地方。通过提取这些边缘信息,可以有效减少图像数据量,同时保留图像中最关
- 【GitHub项目实战】Roboflow Sports 实战解析:构建多场景运动视觉系统的开源工具集与工程落地路径
观熵
GitHub开源项目实战github开源人工智能
RoboflowSports实战解析:构建多场景运动视觉系统的开源工具集与工程落地路径关键词RoboflowSports、计算机视觉、体育目标检测、关键点识别、球体追踪、OpenCV、YOLOv8、图像分割、PoseEstimation、数据集标注与训练摘要RoboflowSports是由Roboflow团队推出的面向体育分析场景的开源视觉工具集,涵盖目标检测、图像分割、关键点检测等常用任务,支持
- Matlab | matlab中的图像处理详解
北斗猿
程序语言设计(C语言C++MatlabPython等)matlab算法图像处理
MATLAB图像处理详解这里写目录标题图像处理MATLAB图像处理详解一、图像基础操作1.图像读写与显示2.图像信息获取3.图像类型转换二、图像增强技术1.对比度调整2.去噪处理3.锐化处理三、图像变换1.几何变换2.频域变换四、图像分割1.阈值分割2.边缘检测3.区域分割五、形态学操作1.基本操作2.高级形态学六、特征提取与分析1.区域属性2.纹理特征七、彩色图像处理1.色彩空间转换2.彩色分割
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio