四叶草_liu
四叶草_liu

Hog特征的学习和资料整理

Hog特征的学习和资料整理

初学HOG特征，本文将几篇博文整合，添加部分一些新的内容，整理自己的学习过程。

参考文献：

1、”Histograms of Oriented Gradients for Human Detection” ，2005，CVPR,(2016 Google Citation: 14046)
下载地址：Histograms of Oriented Gradients for Human Detection
翻译：中文翻译
2、一篇更详细的博士论文：Dalal N. Dalal N. Finding people in images and videos[D]. Institut National Polytechnique de Grenoble-INPG, 2006.(Google Citation: 337)
下载地址：Finding people in images and videos
3、采用级联结构对HOG检测进行加速：Zhu Q, Yeh M C, Cheng K T, et al. Fast human detection using a cascade of histograms of oriented gradients[C] Computer Vision and Pattern Recognitio

你可能感兴趣的:(分类识别-特征提取)

  • 高铁站违规撑伞识别误检率↓79%：陌讯多模态融合算法实战解析 2501_92722744 算法人工智能目标检测计算机视觉目标跟踪
    原创声明本文为原创技术解析，核心技术参数与架构参考自《陌讯技术白皮书》，禁止未经授权的转载与改编。一、行业痛点：密集场景下的违规撑伞识别难题在高铁站、地铁站等交通枢纽，违规撑伞（如非雨天在站台、通道内持伞）可能引发客流拥堵、设备刮擦等安全隐患。然而，传统视觉识别方案面临三大核心挑战：环境干扰大：进出站口光线突变（正午强光/夜间弱光）导致伞面特征提取不稳定，某枢纽站点实测数据显示，阴雨天违规撑伞识别
  • yolo 目标检测600类目标 大霸王龙 行业+领域+业务场景=定制YOLO目标检测人工智能
    1.模型架构调整类别适配：将YOLO输出层的类别节点数调整为600（如YOLOv5的detect.yaml中修改nc=600），并更新类别名称映射表（classes.txt）。骨干网络优化：若使用YOLOv5/v8，可升级骨干网络（如C3模块深度）或替换为更高性能的主干（如EfficientNet、ResNet-101），以增强复杂场景的特征提取能力。多尺度检测头：保留或扩展YOLO的多尺度输出（
  • 【Python高阶开发】1. Pandas工业级时序数据处理实战：从振动传感器数据到轴承故障预警系统 AI_DL_CODE pythonpandas时序数据处理振动传感器工业数据清洗特征工程
    摘要：在工业设备健康监测中，振动传感器数据是评估设备状态的核心依据，但高频噪声干扰、数据传输缺失、多设备时间戳错位等问题严重影响分析准确性。本文基于PythonPandas构建工业级时序数据处理流水线，提出"时间校正-缺失填充-噪声过滤-特征提取"四步清洗法，针对工业场景设计专用策略：短时缺失采用线性插值、长时缺失标记异常，振动数据结合移动平均与Z-score检测保留真实特征。通过时域（峰值、峭度
  • 声纹识别系统（MFCC特征+DTW/SVM分类） 佩爷0107 支持向量机分类算法梅尔频率倒谱系数动态时间规整
    摘要本毕业设计实现了一个完整的声纹识别系统，采用梅尔频率倒谱系数(MFCC)作为声学特征提取方法，结合动态时间规整(DTW)和支持向量机(SVM)两种分类算法进行说话人识别。系统包含语音预处理、特征提取、模型训练和识别测试等完整流程，并通过实验对比两种分类算法的性能。第一章绪论1.1研究背景与意义声纹识别(SpeakerRecognition)是生物特征识别技术的一种，通过分析语音信号中包含的说话
  • 《零基础入门AI：从图像梯度到凸包特征检测（OpenCV图像特征提取）》 竹子_23 OpenCV入门opencv人工智能计算机视觉
    一、图像梯度处理：理解像素变化的本质1.1图像梯度基础图像梯度是计算机视觉中的核心概念，它描述了图像中像素强度的变化情况：梯度方向：像素值变化最剧烈的方向（垂直于边缘）梯度幅度：像素值变化的强度（值越大表示边缘越明显）物理意义：就像地形图中的等高线，梯度大的地方相当于陡坡，梯度小的地方相当于平地1.2垂直边缘提取垂直边缘是图像中物体左右边界形成的线条：特征：水平方向上像素值发生突变应用场景：文档扫
  • OpenCV基础02_图像预处理 白槿_cha 计算机视觉基础opencv人工智能计算机视觉笔记
    图像预处理在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。OpenCV提供了许多图像预处理的函数和方法，一些常见的图像预处理操作：图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学一、图像翻转cv2.flip是OpenCV库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂
  • 破解电梯场景难题：陌讯识别算法 mAP 达 98.7% 2501_92474790 算法计算机视觉目标检测智慧城市目标跟踪
    开篇痛点：电梯间电动车识别的行业困局传统视觉算法在电梯间电动车检测场景中始终面临三重挑战：复杂光线环境下（如强光直射、夜间低照度）目标特征提取不稳定，电动车与婴儿车、行李箱等相似物体的误判率高达35%；电梯轿厢狭小空间导致目标畸变严重，小目标检测漏检率超过20%；普通模型在边缘设备部署时难以兼顾精度与速度，FPS普遍低于15帧[实测数据显示]。这些问题直接导致物业安防系统告警泛滥，真正的安全隐患却
  • 器件仿真学习记录（一） john 学习
    训练工具总览什么是TCADTCAD和半导体产业工艺计算机辅助设计（TCAD）就是是使用电脑仿真来改进和优化半导体工艺技术和器件。TCAD仿真工具可以解出存在于半导体器件中的硅晶圆或者layersystem中的基础的物理偏微分方程，例如离散几何的扩散和输运方程。这些密集的物理拟合使得TCAD仿真有能够预测的准确性。因此，使用TCAD计算机仿真来代替在改进和对新的半导体器件或工艺进行特征提取时需要对晶
  • 强背光干扰拒识率↓82%！陌讯多模态融合算法在智慧安防的实战优化
    摘要针对边缘计算优化在复杂光照场景的鲁棒性挑战，本文解析陌讯视觉算法的多模态融合架构。实测显示，在背光、遮挡等极端条件下较基线模型误报率降低82%，部署时延C(特征提取分支)B[红外输入]-->CC-->D{自适应融合模块}D-->E[动态决策引擎]E-->F[置信度分级输出]2.2核心算法实现动态特征聚合公式：Ffusion=∑i=1Nαi⋅ϕ(Vrgb⊕Tir)其中αi为光照强度自适应的权重系
  • Python 实现基于SDAE堆叠去噪自编码器的数据分类预测的详细项目实例（含模型描述及示例代码） nantangyuxi Pythonpython分类开发语言人工智能大数据深度学习机器学习
    目录Python实现基于SDAE堆叠去噪自编码器的数据分类预测的详细项目实例...1项目背景介绍...2项目目标与意义...2目标...2意义...3项目挑战及解决方案...3噪声数据处理...3特征提取与降维...3模型过拟合问题...4训练时间与计算资源...4数据不平衡问题...4项目特点与创新...4去噪自编码器的堆叠应用...4多层次特征学习...4噪声抑制机制...4模型自动优化...
  • AI人工智能加持，人脸识别精准度飙升 AI大模型应用工坊 人工智能ai
    AI人工智能加持，人脸识别精准度飙升：从模糊到清晰的技术革命关键词人脸识别、深度学习、神经网络、精准度优化、计算机视觉、特征提取、面部识别算法摘要想象一下，在一个拥挤的火车站，系统能在瞬间从数千人中准确识别出需要关注的个体；或者你的手机仅通过一瞥就能认出你，甚至在你戴着口罩时也能做到。这不是科幻电影的场景，而是当下AI驱动的人脸识别技术的真实能力。本文将深入探讨人工智能如何彻底改变人脸识别领域，从
  • opencv-day2-图像预处理1 谢眠 OpenCVopencv计算机视觉
    图像预处理在计算机视觉和图像处理领域，图像预处理能够提高后续处理（如特征提取、目标检测等）的准确性和效率。常见的图像预处理操作：图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学图像翻转cv2.flip是OpenCV库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂直翻转或同时水平和垂直翻转。这个函数接受两个参数：要翻转的图像和一个指定翻
  • 基于孪生网络 (Siamese Network) 的人脸识别系统 DeniuHe Pytorchpytorch
    上一个帖子记录了基于普通CNN的人脸识别系统。但是，测试准确率实在太低了只有30%。这次使用孪生网络（SiameseNet）进行实现。代码实现使用了VGG19预训练模型作为特征提取器，通过对比学习来判断两张人脸图像是否属于同一人。整个代码分为数据准备、模型构建、训练和测试四个主要部分。importmatplotlib.pyplotaspltimporttorchfromtorchimportnnf
  • 工业缺陷检测的计算机视觉方法总结 思绪漂移 计算机视觉人工智能缺陷检测
    工业缺陷检测的计算机视觉方法总结传统方法特征提取方式：颜色：基于HSV/RGB空间分析，如颜色直方图、颜色矩等纹理：采用LBP、Haar、Gabor滤波器等算子提取纹理模式形状：基于Hu矩、Zernike矩等数学描述符刻画几何特性尺寸：通过连通域分析计算物体像素面积、周长等参数典型处理流程：手动设计特征提取算法建立规则分类器（如SVM、决策树）基于阈值分割目标区域深度学习方法核心特点：端到端学习：
  • 基于深度学习的图像分类：使用Inception-v3实现高效分类 Blossom.118 机器学习与人工智能深度学习分类人工智能机器学习数据挖掘计算机视觉python
    前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。Inception-v3是一种高效的深度学习架构，通过引入多尺度特征提取和模块化设计，显著提高了模型的性能和效率。本文将详细介绍如何使用Inception-v3实现高效的图像分类，从理论基础到代码实现，带你一步步掌握基于Inc
  • 探秘VCSI：一款创新的视觉内容识别工具
    探秘VCSI：一款创新的视觉内容识别工具是一个基于深度学习的开源项目，其主要目标是帮助开发者和数据科学家进行高效、精确的视觉内容识别。在这个数字时代，我们每天都被大量的图像和视频所包围，VCSI提供了强大的工具，使得机器能够理解这些媒体内容，从而打开了一扇全新的应用之门。技术解析VCSI基于现代神经网络架构，特别是卷积神经网络（CNNs），用于图像特征提取。它利用预训练模型，如VGG16和ResN
  • 阿里云内容审核之图片审核 spring boot 项目 大佐不会说日语～ 阿里云云计算安全springboot
    内容审核-阿里云视觉智能开放平台阿里云的图片审核服务是一种高效的内容安全解决方案，用于自动检测和过滤图片中的不适当内容。以下是关于阿里云图片审核服务：审核方式：阿里云图片审核服务采用两种主要方式来检测图片内容：MD5比对：通过比较上传图片的MD5值与素材库中的MD5值来获取审核结果。卷积神经网络（CNN）技术：使用CNN技术进行特征提取、各部分特征汇总，并通过分类器预测识别来进行审核。内容安全服务
  • OpenCV图像预处理
    图像预处理在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。OpenCV提供了许多图像预处理的函数和方法，以下是一些常见的图像预处理操作：图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学图像翻转cv2.flip是OpenCV库中的一个函数，用于翻转图像。翻转可以是水平翻转、
  • 第3.3章 一文带你入门PCL点云库及在机器人SLAM中的代码实战 行知SLAM 机器人工程师带你入门SLAM人工智能c++算法机器人开发语言
    目录一、PCL库：开启3D感知大门的钥匙二、PCL库基础入门2.1什么是PCL库2.2PCL源码头文件分类概览总结2.3安装PCL库2.4基础数据结构与概念三、PCL库在SLAM中的核心应用3.1点云获取与预处理3.2点云特征提取与描述3.3点云配准3.4点云分割与目标识别四、进阶技巧与优化策略4.1提高算法效率的方法4.2解决实际问题的经验4.3与其他技术的融合五、案例分析：PCL库实战应用六、
  • C++ PCL点云处理实战专栏 迅卓科技 C++PCL点云处理实战专栏c++开发语言
    本次技术分享围绕C++与PCL库在工业点云处理中的工程化应用展开，结合电力、建筑、隧道等垂直领域的实际技术需求，分阶段解析点云处理的核心算法、开发实践与系统落地路径。内容涵盖：算法原理剖析：深入解析PCL库核心机制（如点云滤波、特征提取、曲面重建等），结合数学原理与代码实现逻辑，建立工业级点云处理的算法认知体系。动态库开发实践：探讨工业场景下点云处理工具链的工程化封装（如点云分割、三维建模模块），
  • 【1】计算机视觉方法（更新） annaPresident 计算机视觉计算机视觉人工智能
    1计算机是视觉的定义和任务计算机视觉（ComputerVision,CV）是人工智能领域的分支，旨在通过算法让计算机从图像或视频中提取信息、理解内容并做出决策。其核心任务是模拟人类视觉系统，实现场景理解、目标检测、图像分类等功能。2传统CV解决问题的步骤和方法步骤对图片、视频进行预处理，增强对比度，灰度化，变形等特征提取，边缘、角点、纹理等分割，通过阈值进行分割，分别处理形态学处理，通过膨胀、腐蚀
  • MATLAB水果分级系统水果识别 清风明月来几时 图像算法处理matlab开发语言
    MATLAB草莓识别系统是一个基于MATLAB的图像处理系统，用于识别和分类草莓图像。该系统可以帮助农业领域的研究人员和农民快速准确地识别草莓品种和成熟度，从而帮助决策种植、采摘和销售的工作。系统的主要功能包括：1.图像预处理：对草莓图像进行去噪、增强和标准化等预处理工作，以提高后续的图像分析和识别效果。2.特征提取：从预处理后的图像中提取代表草莓特征的信息，例如颜色、形状、纹理等。3.分类器训练
  • Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法（BO）优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例（含模型描述及示例代 nantangyuxi Python含模型描述及示例代码算法神经网络python人工智能大数据深度学习机器学习
    目录Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法（BO）优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例...2项目背景介绍...2项目目标与意义...3高效的模型优化...3深度特征提取...3序列数据的时序建模...3
  • YOLO11优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野 芯作者 D2:YOLO人工智能YOLO深度学习人工智能计算机视觉
    针对微弱小目标检测的世界性难题，AAAI2025最新研究提出革命性的风车形卷积(PConv)，显著提升特征提取能力与感受野，让小目标无所遁形！引言：小目标检测的挑战与突破在计算机视觉领域，小目标检测一直是极具挑战性的任务。传统卷积神经网络在处理微小物体时往往表现不佳，主要原因有二：有限的特征表达能力和不足的感受野范围。当目标尺寸小于32×32像素时，检测精度会急剧下降。近期在AAAI2025上发表
  • 秩序中的混沌与混沌中的秩序：旋转数组的搜索艺术与变位词组的模式密码 司铭鸿 算法前端数据结构矩阵开发语言
    在算法的世界里，秩序与混沌的边界往往比想象中更模糊。当有序数组被旋转成"数字龙卷风"，当字母组合在字符串中跳起"变位之舞"，传统算法将遭遇前所未有的挑战。今日，我们将深入两个经典问题：搜索旋转数组（SearchinRotatedArray）与变位词组（GroupAnagrams）。它们一个在扭曲的有序结构中寻找目标索引，一个在字母的混沌排列中识别隐藏模式。二者在"数据重构"与"特征提取"的哲学层面
  • 21. 反向传播、优化器、模型的训练 啥都想学的大学生 小土堆--Pytorch学习pytorch
    反向传播、优化器、模型的训练1.什么是反向传播在我们从输入层对数据进行一系列的操作，包括特征提取、函数激活、维度变换等，从输入层到输出层的各种变换可以称为前向传播。前向传播的用处是为了对输入数据转换为我们需要的回归值或者标签类别值，但是这种输出结果往往是有偏差的，这种偏差是通过误差函数进行计算的。当我们构建了一个完整的前向传播结构后，就需要考虑如何使用误差来优化我们的网络结构。常见的优化算法包括梯
  • YOLO目标检测模型优化技术全景解析
    YOLO目标检测模型优化技术全景解析作为实时目标检测领域的标杆算法，YOLO系列模型通过持续的技术革新不断提升性能边界。本文将从模型架构设计、数据优化、注意力机制融合、后处理策略及训练方法等维度，系统剖析YOLO优化领域的关键技术与最新进展。一、模型架构优化：突破性能瓶颈的核心路径多尺度检测层增强针对小目标检测难题，主流方案通过增加浅层检测通道优化特征提取。例如在YOLOv5中引入160×160特
  • 深度学习在环境感知中的应用：案例与代码实现
    让机器学会“看”世界：深度学习如何赋能环境感知？关键词深度学习|环境感知|计算机视觉|传感器融合|语义分割|目标检测|自动驾驶摘要环境感知是机器与外界互动的“眼睛和耳朵”——从自动驾驶汽车识别行人，到智能机器人避开障碍物，再到城市监控系统检测异常，所有智能系统都需要先“理解”环境，才能做出决策。传统环境感知方法依赖手工特征提取，难以应对复杂场景；而深度学习通过数据驱动的方式，让机器从大量数据中自动
  • 自编码器表征学习：重构误差与隐空间拓扑结构的深度解析 码字的字节 机器学习自编码器重构误差隐空间
    自编码器基础与工作原理自编码器（Autoencoder）作为深度学习领域的重要无监督学习模型，其核心思想是通过模拟人类认知过程中的"压缩-解压"机制实现数据的表征学习。这种由GeoffreyHinton团队在2006年复兴的神经网络结构，本质上是一个试图通过编码-解码过程来复制其输入的系统，却在实现这一看似简单目标的过程中，意外地获得了强大的特征提取能力。基本架构与工作流程典型自编码器由对称的两部
  • 在NLP深层语义分析中，深度学习和机器学习的区别与联系
    在自然语言处理（NLP）的深层语义分析任务中，深度学习与机器学习的区别和联系主要体现在以下方面：一、核心区别特征提取方式机器学习：依赖人工设计特征（如词频、句法规则、TF-IDF等），需要领域专家对文本进行结构化处理。例如，传统情感分析需人工定义“情感词库”或通过词性标注提取关键成分。深度学习：通过神经网络自动学习多层次特征。例如，BERT等模型可从原始文本中捕获词向量、句法关系甚至篇章级语义，无
  • Java常用排序算法/程序员必须掌握的8大排序算法 cugfy java
    分类： 1）插入排序（直接插入排序、希尔排序） 2）交换排序（冒泡排序、快速排序） 3）选择排序（直接选择排序、堆排序） 4）归并排序 5）分配排序（基数排序） 所需辅助空间最多：归并排序 所需辅助空间最少：堆排序 平均速度最快：快速排序 不稳定：快速排序，希尔排序，堆排序。 先来看看8种排序之间的关系：   1.直接插入排序 （1
  • 【Spark102】Spark存储模块BlockManager剖析 bit1129 manager
    Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
  • linux 查看端口被占用情况详解 daizj linux端口占用netstatlsof
    经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序   1、lsof -i:port port为端口号   [root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080 COMMAND   PID USER   FD   TY
  • Hosts文件使用 周凡杨 hostslocahost
         一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
  • java excel工具 g21121 Java excel
    直接上代码，一看就懂，利用的是jxl： import java.io.File; import java.io.IOException; import jxl.Cell; import jxl.Sheet; import jxl.Workbook; import jxl.read.biff.BiffException; import jxl.write.Label; import
  • web报表工具finereport常用函数的用法总结（数组函数） 老A不折腾 finereportweb报表函数总结
    ADD2ARRAY ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。 示例： ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7]. ADDARRAY([3,4, 1, 5, 7], "测试&q
  • 游戏服务器网络带宽负载计算 墙头上一根草 服务器
    家庭所安装的4M，8M宽带。其中M是指，Mbits/S 其中要提前说明的是： 8bits = 1Byte 即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。 8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。 我是在计算我们网络流量时想到的
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans Spring 3 系列
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • 高性能mysql 之 选择存储引擎(一) annan211 mysqlInnoDBMySQL引擎存储引擎
    1 没有特殊情况，应尽可能使用InnoDB存储引擎。   原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她   被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃   恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
  • UDP网络编程 百合不是茶 UDP编程局域网组播
      UDP是基于无连接的,不可靠的传输   与TCP/IP相反       UDP实现私聊,发送方式客户端,接受方式服务器 package netUDP_sc; import java.net.DatagramPacket; import java.net.DatagramSocket; import java.net.Ine
  • JQuery对象的val()方法执行结果分析 bijian1013 JavaScriptjsjquery
            JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。        
  • http请求测试实例（采用json-lib解析） bijian1013 jsonhttp
            由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。 package com; import java.util.HashMap; import java.util.Map; import
  • 【RPC框架Hessian四】Hessian与Spring集成 bit1129 hessian
    在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。   定义模型、接口和服务器端代码 |---Model    &nb
  • 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析 bit1129 Mahout
    1.Mahout环境搭建  1.下载Mahout http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz    2.解压Mahout  3. 配置环境变量 vim /etc/profile export HADOOP_HOME=/home
  • nginx负载tomcat遇非80时的转发问题 ronin47
    　　nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port        详细如下： 　　 该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的： ? 1 2 3 4 5
  • java-17-在一个字符串中找到第一个只出现一次的字符 bylijinnan java
    public class FirstShowOnlyOnceElement { /**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b * 1.int[] count:count[i]表示i对应字符出现的次数 * 2.将26个英文字母映射：a-z <--> 0-25 * 3.假设全部字母都是小写 */ pu
  • mongoDB 复制集 开窍的石头 mongodb
    mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题             mo
  • [宇宙与天文]宇宙时代的经济学 comsci 经济
        宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。      在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源      以目前地球上国家的经济发展水平来讲，
  • Git忽略文件 Cwind git
         有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。 ==== ==== ==== 一些牢骚
  • MySQL连接数据库的必须配置 dashuaifu mysql连接数据库配置
    MySQL连接数据库的必须配置   1.driverClass：com.mysql.jdbc.Driver   2.jdbcUrl：jdbc:mysql://localhost:3306/dbname   3.user：username   4.password：password   其中1是驱动名；2是url，这里的‘dbna
  • 一生要养成的60个习惯 dcj3sjt126com 习惯
    一生要养成的60个习惯 第1篇 让你更受大家欢迎的习惯 1 守时，不准时赴约,让别人等,会失去很多机会。 如何做到： ①该起床时就起床， ②养成任何事情都提前15分钟的习惯。 ③带本可以随时阅读的书，如果早了就拿出来读读。 ④有条理，生活没条理最容易耽误时间。 ⑤提前计划：将重要和不重要的事情岔开。 ⑥今天就准备好明天要穿的衣服。 ⑦按时睡觉，这会让按时起床更容易。 2 注重
  • [介绍]Yii 是什么 dcj3sjt126com PHPyii2
    Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。 Yii 最适合做什么？ Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
  • Linux SSH常用总结 eksliang linux sshSSHD
    转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机   格式： ssh name@remoteserver 例如： ssh [email protected]   二、连接到远程主机指定的端口   格式： ssh name@remoteserver -p 22 例如： ssh i
  • 快速上传头像到服务端工具类FaceUtil gundumw100 android
    快速迭代用 import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOExceptio
  • jQuery入门之怎么使用 ini JavaScripthtmljqueryWebcss
    jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？   首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
  • 带filter的hbase查询优化 kane_xie 查询优化hbaseRandomRowFilter
    问题描述 hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。   问题原因 直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
  • java设计模式-单例模式 men4661273 java单例枚举反射IOC
             单例模式1，饿汉模式 //饿汉式单例类.在类初始化时，已经自行实例化 public class Singleton1 { //私有的默认构造函数 private Singleton1() {} //已经自行实例化 private static final Singleton1 singl
  • mongodb 查询某一天所有信息的3种方法，根据日期查询 qiaolevip 每天进步一点点学习永无止境mongodb纵观千象
    // mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。 // 第一种方式： coll.aggregate([ {$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}}, {$match:{sendDate: '2015-
  • 二维数组转换成JSON tangqi609567707 java二维数组json
    原文出处：http://blog.csdn.net/springsen/article/details/7833596 public class Demo {     public static void main(String[] args) {        String[][] blogL
  • erlang supervisor wudixiaotie erlang
    定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他