spring源码 AnnotationConfigApplicationContext里面的 AnnotatedBeanDefinitionReader
构造器构造1其中AnnotatedBeanDefinitionReader(BeanDefinitionRegistry registry) 方法调用了 getOrCreateEnvironment(registry) 来调用自己的另一个构造方法解释AnnotatedBeanDefinitionReader(BeanDefinitionRegistry registry) 里面的 == getOrCreateEnvironment(BeanDefinitionRegistry regist
.gitignore 配置文件
.gitignore 配置文件用于配置不需要加入版本管理的文件，配置好该文件可以为我们的版本管理带来很大的便利，以下是个人对于配置 .gitignore 的一些心得。1、配置语法：以斜杠“/”开头表示目录；以星号“*”通配多个字符；以问号“?”通配单个字符以方括号“[]”包含单个字符的匹配列表；以叹号“!”表示不忽略(跟踪)匹配到的文件或目录；此外，git 对于 .ignore 配置文件是按行从上到下进行规则匹配的，意味着如果前面的规则匹配的范围更大，则后面的规则将不会生效；2、示例：（
面向对象什么是依赖关联聚合和组合实现继承？
图片继承鸟是动物 动物就是鸟的父亲实现鸟会飞 大雁继承了 实现了鸟会飞的接口就是实现关联可以看到当a对象有一个属性是b对象的时候 那么就可以说 a对象关联b对象聚合可以看到燕群是 a 大雁是b 可以看到 a包含b 但是问题来了 这不就是关联吗？ 这个是 a包含b但是b知识 a包含的一部分 就是聚合 就想大雁聚集为燕群一样 不是 一个燕群只有一只大雁而是一群大雁组合为燕群也就是 燕群关联的是 一群大雁 那么这个就叫做聚合聚合表示的是一种弱拥有关系体现的是 a包含b，但是b
rabbitMQ快速开始整合springboot模板
发送端依赖 <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</mode
消息协议 AMQP 及MQTT ,STOMP，JMS的概念和基本理解
前言简单理解就是需要大家都遵守的 套规 。在计算机领域中，只要涉及不同的计算机之间要共同完成一事情的时候，就肯定会有协议的存在，就像我们说话用某种语言一样，不 同的计算机之间必须使用相同的语 才能进行通信消息协议则是指用于实现消息队列功能时所涉及的协议。按照是否向行业开放消息规范文档，可以将消息协议分为开放协议和私有协议。常见的开放协议有 AMQP, MQTT STOMP,XMPP 等。有些特殊框架（如 Red Kafka ZeroMQ ）根据自身需要未严格遵循 MQ 规范，而是基于 TCP
无人驾驶车道线检测论文主要思路大集合
VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition这一篇文章主要是针对下雨天，地面湿漉漉的，可能会反光，拍摄的图片不清晰，公开的数据集没有包括这一类图片，现有的算法也不能很好滴处理这个问题，作者只做了针对这种情况的数据集（包含下雨，不下雨，大雨，晚上四种情况），并且开发了多任务的VPGNet，并通过单个前向通道预测消失点。速度可达20fps。网络有四个任务模块，每个任务执行
论文解读：SMOKE：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
摘要估计三维方向和物体的平移对于无基础设施的自主导航和驾驶至关重要。 在单目视觉方面，成功的方法主要基于两个因素：（1）网络生成2D区域提案；（2）R-CNN结构，利用所获得的感兴趣区域预测3D物体的姿态。 我们认为2D检测网络是冗余的，并为3D检测引入了不可忽略的噪声。 因此，我们提出了一种新的三维目标检测方法，称为SMOKE，该方法通过将单个关键点估计与回归的三维变量相结合来预测每个检测对象的三维包围盒。 作为第二种贡献，我们提出了一种构造三维包围盒的多步分离方法，这大大提高了训练收敛性和检测精度。
单目车辆3Dbox检测算法对比
现有的3dBox的检测算法大部分都是直接回归posea)将3D模型遍历姿态参数，投影到2D，进行HOG特征匹配； b)将3D模型遍历姿态参数，投影到2D，进行shape匹配；c)ＣＮＮ直接回归pose参数 d)ＣＮＮ关键点检测，然后pnp求解姿态DeepManta图文将文章的算法将的清清楚楚！输入图片，经过三个共享参数的卷积模块获得关键点，可见性，2D框，模板相似度。接下来将以上这些几何送入NMS，去掉冗余的部分，然后选择用模板相似度选择最匹配的模板，通过关键点（2D/3D关键点pnp)求
关键点检测模型中的loss详解
heatmap如果网络要输出N种分类的关键点，就输出N维的特征图，同时我们根据关键点的位置在N维label的特征图上造高斯核，如果每一个像素点对应的只有一种分类，此时我们可以采用softmax Loss，如果不止一个分类，我们就只能MSE Loss.heatmap+focal loss我们假设一张特征图的大小是800600，上面有一个关键点，其高斯核的大小是99,那么正负样本的比例就是81：480000，这正负样本的比例相差惊人，为了平衡正负样本，我们可以引入focal loss。我们以简单的二分
提升深度学习模型泛化性的方法
一个好的深度学习模型的目标是将训练数据很好地推广到问题领域的任何数据。这使我们可以对模型从未见过的数据进行将来的预测。首先，当模型泛化性差的时候，我们需要找到其原因，当训练集能够很好地拟合，但是测试集却不能有很好的准确率，主要可能有以下几点原因：网络足够大，仅仅记住了所有样本当网络足够大时，无论你的数据集多么没规律，多么无意义，网络都能记住它们。如果你的数据集巨大，但是模型仅在训练集上表现良好，泛化性一般，同时提升模型大小时泛化性没有提升，那么就要考虑是这样情况了所以，我们需要做的是：1.找当前
选择L1正则化还是L2正则化
从实际角度来看，L1倾向于将系数缩小到零，而L2倾向于均匀地缩小系数。因此，L1对于特征选择很有用，因为我们可以删除任何与系数趋于零相关的变量。另一方面，当你有共线/相互依赖的特性时，L2是有用的。一般来说，如果希望有更好的泛化性，选择L2希望参数更稀疏，选择L1...
opencv C++版本在ubuntu上的卸载和安装
1.卸载原有版本；cd 到opencv下面的build目录下执行 sudo make uninstall之后，删除opencv和opencv_contrib文件夹。如果上述命令不起作用，请不要担心。现在，我们将手动删除符号链接（建议您遵循此规则，并检查以避免在安装新符号链接时出现大量错误）。卸下它们时请小心。在删除 “运行以下命令”之前，请务必先完整阅读，它会提示您所有具有OpenCV名称的文件。仔细阅读并输入y并输入。如果您不想删除，请输入n并输入。上述手动删除完成后，请运行pkg-confi
使用libtorch:C++调用Pytorch模型
windows也就是基于libtorch库，一个基于深度学习的C++库1.按照以下操作将已经训练好的模型转换成pt格式保存https://pytorch.apachecn.org/docs/1.0/cpp_export.html注意如果模型有根据输入才能确定的参数，根据trace方法生成的torch script中，该参数变成了常量，这一点务必注意。2.安装对应版本的libtorch(注意事项：安装的libtorch的版本最好跟安装的Pytorch版本一致；)比如，我本机上的Pytorch的版
解决HRNet在trace.jit.trace()过程中assert(if(instance))错误
按照以下该文档的方式将None改为nn.Identityhttps://github.com/cpbotha/deep-high-resolution-net.pytorch/commit/b1a7fdb49b437ff864f2e01d8b393fe0be389aaf
opencv及contrib在windows上的编译安装
主要是参考这篇博客来完成的:https://cv-tricks.com/how-to/installation-of-opencv-4-1-0-in-windows-10-from-source/需要注意的是：1.需要下载cmake(带gui的）；2.如果出现报错，opencv contrib Invalid character escape ‘\o’.那就是opencv_contrib路径的填写要从->/具体参考：https://github.com/opencv/opencv/issu
今日推荐
周排行