⌈ 传知代码 ⌋ MonoCon解读与复现

💛前情提要💛

本文是传知代码平台中的相关前沿知识与技术的分享~

接下来我们即将进入一个全新的空间，对技术有一个全新的视角~

本文所涉及所有资源均在传知代码平台可获取

以下的内容一定会让你对AI 赋能时代有一个颠覆性的认识哦！！！

以下内容干货满满，跟上步伐吧~

📌导航小助手📌

  • 💡本章重点
  • 🍞一. 概述
  • 🍞二. 论文方法
  • 🍞三. 论文总结
  • 🍞四. 代码复现
  • 🍞五. 数据集划分
  • 🍞六. 训练模型
  • 🍞七. 模型推理与可视化结果
  • 🫓总结

💡本章重点

  • MonoCon解读与复现

🍞一. 概述

本文介绍了一种名为 MonoCon 的方法，用于单目深度目标检测任务中的辅助学习。该方法利用了训练数据中丰富的投影2D监督信号作为辅助任务，在训练过程中同时学习了目标3D边界框和辅助上下文信息。实验结果表明，该方法在KITTI基准测试中取得了优异的表现，并且具有较快的推理速度。

在这里插入图片描述

🍞二. 论文方法

方法描述

该论文提出了一种名为MonoCon的单目深度估计方法，用于预测3D物体的中心位置、形状尺寸和观察角度等参数。

论文实验

本文主要介绍了作者在Kitti 3D目标检测基准上进行的实验，并与现有的方法进行了比较。具体来说，作者首先对数据集和评估指标进行了介绍，然后针对MonoCon方法进行了训练和测试，并对其进行了详细的分析和解释。

在实验中，作者使用了Kitti 3D目标检测基准中的数据集，其中包括7481张图像用于训练和7518张图像用于测试。共有三个类别感兴趣：汽车、行人和自行车。作者采用了官方服务器提供的平均精度（AP）作为评估指标，包括AP3D|R40和APBEV|R40两个指标，均使用40个召回位置（R40），并在三种难度级别下进行评估。此外，作者还提供了训练和验证子集的划分方式。

在实验结果方面，作者首先将MonoCon与其他现有方法进行了比较。对于汽车类别，MonoCon在所有评估指标下都表现出了显著的优势，比第二名的方法GUPNet提高了1.44%的绝对增加率。同时，MonoCon也比其他方法运行得更快。然而，在行人和自行车类别上，MonoCon的表现不如一些现有方法。对于行人类别，MonoCon相对于最佳模型GUPNet有1.35%的AP3D|R40下降，但在所有方法中表现最好。对于自行车类别，MonoCon相对于最佳纯单目方法MonoDLE有1.29%的AP3D|R40下降，但仍然优于其他方法。作者认为，这可能是因为自行车类别的3D边界框比汽车类别的要小得多，投影到特征图上的辅助上下文往往非常接近，这可能会影响辅助上下文的学习效果。

最后，作者进行了多个Ablation Study来进一步分析MonoCon的效果。其中，作者发现学习辅助上下文是提高MonoCon性能的关键因素之一，而注意力归一化的作用相对较小。此外，作者还研究了回归头的类无关设置和训练设置的影响，发现在某些情况下可以提高性能。

总的来说，本文通过一系列实验和分析，证明了MonoCon在3D目标检测任务中的有效性，并提出了一些改进方向。

在这里插入图片描述

🍞三. 论文总结

文章优点

该论文提出了一种简单而有效的方法来进行单目3D目标检测，不需要利用任何额外的信息。作者提出的MonoCon方法学习了辅助单目上下文，这些上下文是从训练中的3D边界框投影而来。该方法采用了简单的实现设计，包括一个卷积神经网络特征背心和一组具有相同模块架构的回归头，用于必要的参数和辅助上下文。在实验中，MonoCon在Kitti 3D目标检测基准测试中表现出色，在汽车类别上优于最先进的方法，并在行人和骑自行车类别上获得与之相当的表现。此外，该方法还使用Cramer-Wold定理解释了其有效性，并进行了有效的实验验证。

方法创新点

该论文提出了MonoCon方法，这是一种基于单目上下文的学习方法，可以提高单目3D目标检测的性能。该方法通过利用3D边界框的投影来提取丰富的监督信号，从而有效地提高了模型的表达能力。此外，该方法采用了简单的实现设计，使得模型更加高效和易于理解。

未来展望

该论文提出的方法为单目3D目标检测提供了一个新的思路，但仍然存在一些挑战需要克服。例如，如何进一步提高模型的准确性和鲁棒性，以及如何将该方法扩展到其他应用场景中。因此，未来的研究方向可能包括改进模型的设计和优化算法，以提高模型的性能和效率。同时，还需要进一步探索单目上下文的潜力，以便更好地应用于实际场景中。

🍞四. 代码复现

这是不同于官方的基于pytorch的monocon复现

[Step 1]: 创建新的环境

Set [ENV_NAME] freely to any name you want. (Please exclude the brackets.)
conda create --name [ENV_NAME] python=3.8
conda activate [ENV_NAME]

[Step 2]: 下载新的代码

部分核心代码如下：

  • monocon_detector.py
import os
import sys
import torch
import torch.nn as nn

from typing import Tuple, Dict, Any

sys.path.append(os.path.join(os.path.dirname(__file__), "..", ".."))
from model import DLA, DLAUp, MonoConDenseHeads


default_head_config = {
    'num_classes': 3,
    'num_kpts': 9,
    'num_alpha_bins': 12,
    'max_objs': 30,
}


default_test_config = {
    'topk': 30,
    'local_maximum_kernel': 3,
    'max_per_img': 30,
    'test_thres': 0.4,
}


class MonoConDetector(nn.Module):
    def __init__(self,
                 num_dla_layers: int = 34,
                 pretrained_backbone: bool = True,
                 head_config: Dict[str, Any] = None,
                 test_config: Dict[str, Any] = None):
        
        super().__init__()
        
        self.backbone = DLA(num_dla_layers, pretrained=pretrained_backbone)
        self.neck = DLAUp(self.backbone.get_out_channels(start_level=2), start_level=2)
        
        if head_config is None:
            head_config = default_head_config
        if test_config is None:
            test_config = default_test_config
            
        if num_dla_layers in [34, 46]:
            head_in_ch = 64
        else:
            head_in_ch = 128
            
        self.head = MonoConDenseHeads(in_ch=head_in_ch, test_config=test_config, **head_config)
        
        
    def forward(self, data_dict: Dict[str, Any], return_loss: bool = True) -> Tuple[Dict[str, torch.Tensor]]:
        
        feat = self._extract_feat_from_data_dict(data_dict)
        
        if self.training:
            pred_dict, loss_dict = self.head.forward_train(feat, data_dict)
            if return_loss:
                return pred_dict, loss_dict
            return pred_dict
        
        else:
            pred_dict = self.head.forward_test(feat)
            return pred_dict
        
    
    def batch_eval(self, 
                   data_dict: Dict[str, Any], 
                   get_vis_format: bool = False) -> Dict[str, Any]:
        
        if self.training:
            raise Exception(f"Model is in training mode. Please use '.eval()' first.")
        
        pred_dict = self.forward(data_dict, return_loss=False)
        eval_format = self.head._get_eval_formats(data_dict, pred_dict, get_vis_format=get_vis_format)
        return eval_format
    
    
    def load_checkpoint(self, ckpt_file: str):
        model_dict = torch.load(ckpt_file)['state_dict']['model']
        self.load_state_dict(model_dict)


    def _extract_feat_from_data_dict(self, data_dict: Dict[str, Any]) -> torch.Tensor:
        img = data_dict['img']
        return self.neck(self.backbone(img))[0]

[Step 3]: See https://pytorch.org/get-started/locally/ and install pytorch for your environment.

We have tested on version 1.10.0.
It is recommended to install version 1.7.0 or higher.

[Step 4]: Install some packages using ‘requirements.txt’ in the repository.

The version of numpy must be 1.22.4.
pip install -r requirements.txt

[Step 5]

conda install cudatoolkit

🍞五. 数据集划分

下载后的文件放在 dataset 目录中，存放的目录结构

dataset
│
├── training
│ ├── calib
│ │ ├── 000000.txt
│ │ ├── 000001.txt
│ │ └── …
│ ├── image_2
│ │ ├── 000000.png
│ │ ├── 000001.png
│ │ └── …
│ └── label_2
│ ├── 000000.txt
│ ├── 000001.txt
│ └── …
│
└── testing
├── calib
└── image_2

需要对数据集划分：train训练集、val验证集，在dataset目录下新建一个文件to_train_val.py

用于将training 带标签数据（7481帧），划分为train（3712帧）、val（3769帧），代码如下：

 
import os
import shutil
 
# 【一】、读取train.txt文件
with open('./ImageSets/train.txt', 'r') as file:
    # 逐行读取train.txt文件中的文件名ID
    file_ids = [line.strip() for line in file]
 
# 【1】calib
# 指定路径A和路径B
path_A = './training/calib'
path_B = './train/calib'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.txt")
    destination_file = os.path.join(path_B, f"{file_id}.txt")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")
 
 
# 【2】image_2
# 指定路径A和路径B
path_A = './training/image_2'
path_B = './train/image_2'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.png")
    destination_file = os.path.join(path_B, f"{file_id}.png")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")
 
 
# 【3】label_2
# 指定路径A和路径B
path_A = './training/label_2'
path_B = './train/label_2'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.txt")
    destination_file = os.path.join(path_B, f"{file_id}.txt")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")
 
 
 
 
 
 
# 【二】、读取valtxt文件
with open('./ImageSets/val.txt', 'r') as file:
    # 逐行读取val.txt文件中的文件名ID
    file_ids = [line.strip() for line in file]
 
# 【1】calib
# 指定路径A和路径B
path_A = './training/calib'
path_B = './val/calib'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.txt")
    destination_file = os.path.join(path_B, f"{file_id}.txt")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")
 
 
# 【2】image_2
# 指定路径A和路径B
path_A = './training/image_2'
path_B = './val/image_2'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.png")
    destination_file = os.path.join(path_B, f"{file_id}.png")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")
 
 
# 【3】label_2
# 指定路径A和路径B
path_A = './training/label_2'
path_B = './val/label_2'
 
# 如果路径B不存在，创建它
if not os.path.exists(path_B):
    os.makedirs(path_B)
 
# 遍历文件名ID并复制文件到路径B
for file_id in file_ids:
    source_file = os.path.join(path_A, f"{file_id}.txt")
    destination_file = os.path.join(path_B, f"{file_id}.txt")
    
    if os.path.exists(source_file):
        shutil.copy(source_file, destination_file)
    else:
        print(f"文件未找到：{file_id}.txt")

🍞六. 训练模型

训练模型的配置在config/monocon_configs.py：

需要修改数据集的路径。

模型训练保存的路径，比如./checkpoints_train，新建一个checkpoints_train文件夹。

如果GPU显存小于16G，要将_C.USE_BENCHMARK 设置为False；如果大约16G，设置为True。

设置BATCH_SIZE的大小，默认 _C.DATA.BATCH_SIZE = 8

设置CPU线程数，默认 _C.DATA.NUM_WORKERS = 4

设置验证模型和保存模型的间隔轮数，默认_C.PERIOD.EVAL_PERIOD = 10

from yacs.config import CfgNode as CN
 
 
_C = CN()
 
_C.VERSION = 'v1.0.3'
_C.DESCRIPTION = "MonoCon Default Configuration"
 
_C.OUTPUT_DIR = "./checkpoints_train"                               # Output Directory
_C.SEED = -1                                     # -1: Random Seed Selection
_C.GPU_ID = 0                                    # Index of GPU to use
 
_C.USE_BENCHMARK = False                          # Value of 'torch.backends.cudnn.benchmark' and 'torch.backends.cudnn.enabled'
 
 
# Data
_C.DATA = CN()
_C.DATA.ROOT = r'./dataset'                  # KITTI Root
_C.DATA.BATCH_SIZE = 8
_C.DATA.NUM_WORKERS = 4
_C.DATA.TRAIN_SPLIT = 'train' 
_C.DATA.TEST_SPLIT = 'val' 
 
_C.DATA.FILTER = CN()
_C.DATA.FILTER.MIN_HEIGHT = 25
_C.DATA.FILTER.MIN_DEPTH = 2
_C.DATA.FILTER.MAX_DEPTH = 65
_C.DATA.FILTER.MAX_TRUNCATION = 0.5
_C.DATA.FILTER.MAX_OCCLUSION = 2
 
 
# Model
_C.MODEL = CN()
 
_C.MODEL.BACKBONE = CN()
_C.MODEL.BACKBONE.NUM_LAYERS = 34
_C.MODEL.BACKBONE.IMAGENET_PRETRAINED = True
 
_C.MODEL.HEAD = CN()
_C.MODEL.HEAD.NUM_CLASSES = 3
_C.MODEL.HEAD.MAX_OBJS = 30
 
 
# Optimization
_C.SOLVER = CN()
 
_C.SOLVER.OPTIM = CN()
_C.SOLVER.OPTIM.LR = 2.25E-04
_C.SOLVER.OPTIM.WEIGHT_DECAY = 1E-05
_C.SOLVER.OPTIM.NUM_EPOCHS = 20        # Max Training Epochs 200
 
_C.SOLVER.SCHEDULER = CN()
_C.SOLVER.SCHEDULER.ENABLE = True
 
_C.SOLVER.CLIP_GRAD = CN()
_C.SOLVER.CLIP_GRAD.ENABLE = True
_C.SOLVER.CLIP_GRAD.NORM_TYPE = 2.0
_C.SOLVER.CLIP_GRAD.MAX_NORM = 35 
 
 
# Period
_C.PERIOD = CN()
_C.PERIOD.EVAL_PERIOD = 10                      # In Epochs / Set -1 if you don't want validation 10
_C.PERIOD.LOG_PERIOD = 50                       # In Steps 50

🍞七. 模型推理与可视化结果

模型推理的命令含义如下：

python test.py --config_file [FILL] # Config file (.yaml file)

–checkpoint_file [FILL] # Checkpoint file (.pth file)

–visualize # Perform visualization (Qualitative Results)

–gpu_id [Optional] # Index of GPU to use for testing (Default: 0)

–save_dir [FILL] # Path where visualization results will be saved to

  • 使用刚才训练的权重，模型推理示例：
python test.py --config_file checkpoints_train/config.yaml --checkpoint_file checkpoints_train/checkpoints/epoch_010.pth --visualize --save_dir save_output --gpu_id 0

在这里插入图片描述

视频推理

python test_raw.py  --data_dir          [FILL]      # Path where sequence images are saved
                    --calib_file        [FILL]      # Calibration file ("calib_cam_to_cam.txt")
                    --checkpoint_file   [FILL]      # Checkpoint file (.pth file)
                    --gpu_id            [Optional]  # Index of GPU to use for testing (Default: 0)
                    --fps               [Optional]  # FPS of the result video (Default: 25)
                    --save_dir          [FILL]      # Path of the directory to save the result video

参考材料

@InProceedings{liu2022monocon,
    title={Learning Auxiliary Monocular Contexts Helps Monocular 3D Object Detection},
    author={Xianpeng Liu, Nan Xue, Tianfu Wu},
    booktitle = {36th AAAI Conference on Artifical Intelligence (AAAI)},
    month = {Feburary},
    year = {2022}
}
https://blog.csdn.net/qq_41204464/article/details/133824468
https://guo-pu.blog.csdn.net/article/details/133834915

🫓总结

综上，我们基本了解了“一项全新的技术啦” 🍭 ~~

恭喜你的内功又双叒叕得到了提高！！！

感谢你们的阅读😆

后续还会继续更新💓，欢迎持续关注📌哟~

💫如果有错误❌，欢迎指正呀💫

✨如果觉得收获满满，可以点点赞👍支持一下哟~✨

【传知科技 – 了解更多新知识】

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/703190.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

写给大数据开发：好的指标定义、特性与业务价值

写给大数据开发：好的指标定义、特性与业务价值

在大数据时代，数据的质量对于业务决策和数据分析至关重要。好的数据不仅丰富，而且准确、及时，为业务提供有力支撑。 文章目录 数据定义与特性数据对业务的价值指标展示与规范化定义一些指标的定义好的数据是业务成功的关键 数据定义与特性 好…
阅读更多...
在 Wed 中应用 MyBatis（同时使用MVC架构模式，以及ThreadLocal 事务控制）

在 Wed 中应用 MyBatis（同时使用MVC架构模式，以及ThreadLocal 事务控制）

1. 在 Wed 中应用 MyBatis（同时使用MVC架构模式，以及ThreadLocal 事务控制） 文章目录 1. 在 Wed 中应用 MyBatis（同时使用MVC架构模式，以及ThreadLocal 事务控制）2. 实现步骤：1. 第一步&#xf…
阅读更多...
python爬虫爬取微博评论--完整版(超详细，大学生不骗大学生)

python爬虫爬取微博评论--完整版(超详细，大学生不骗大学生)

目录 一、找到页面 二、学会使用检查元素 2.1 打开检查元素界面 2.2 找到所有评论所在的位置 2.2.1 搜索评论 2.2.2 找到data表 三、基础部分代码实现 四、格式化输出 4.1 了解存储格式 4.2 单独取出内容 4.3 取出所有评论内容 4.4 格式化读取信息 五、导出成表格…
阅读更多...
【ARM Cache 与 MMU 系列文章 7.4 -- ARMv8 MMU 配置 寄存器使用介绍】

【ARM Cache 与 MMU 系列文章 7.4 -- ARMv8 MMU 配置 寄存器使用介绍】

请阅读【ARM Cache 及 MMU/MPU 系列文章专栏导读】 及【嵌入式开发学习必备专栏】 文章目录 MMU 转换控制寄存器 TCR_ELxTCR_ELx 概览TCR_ELx 寄存器字段详解TCR 使用示例Normal MemoryCacheableShareability MMU 内存属性寄存器 MAIR_ELxMAIR_ELx 寄存器结构内存属性字段Devic…
阅读更多...
两种典型的嵌入式系统架构模式

两种典型的嵌入式系统架构模式

大多数嵌入式系统都具备实时特征，那么，这种嵌入式系统的典型架构可概括为两种模式，即层次化模式架构和递归模式架构。 1.层次化模式架构 为了达到概念一致性，许多系统通过层次化的方法进行搭建。这样做的结果是：位于高…
阅读更多...
【漏洞复现】海洋CMS /js/player/dmplayer/dmku/ SQL注入漏洞复现(CVE-2024-29275)

【漏洞复现】海洋CMS /js/player/dmplayer/dmku/ SQL注入漏洞复现(CVE-2024-29275)

0x01 产品简介 海洋CMS是一套专为不同需求的站长而设计的内容管理系统，灵活、方便、人性化设计、内容的专业网站。海洋CMS基于PHPMySql技术开发，完全开源免费、无任何加密代码。简单易用是最大的特色，可快速建立一个海量 0x02 漏洞概述 海…
阅读更多...
翻译: Gen AI生成式人工智能学习资源路线图一

翻译: Gen AI生成式人工智能学习资源路线图一

Introduction 介绍 本文档旨在作为学习现代人工智能系统背后的关键概念的手册。考虑到人工智能最近的发展速度，确实没有一个好的教科书式的资源来快速了解 LLMs 或其他生成模型的最新和最伟大的创新，但互联网上有大量关于这些主题的优秀解释资源&#x…
阅读更多...
.NET周刊【6月第2期 2024-06-09】

.NET周刊【6月第2期 2024-06-09】

国内文章 C#开源实用的工具类库，集成超过1000多种扩展方法 https://www.cnblogs.com/Can-daydayup/p/18230586 文章介绍了一个免费的C#工具类库Z.ExtensionMethods，可以通过NuGet包管理器轻松集成。该库支持.NET Standard 2.0和.NET Framework 4.0&am…
阅读更多...
make和Cmake都有什么区别？（内附使用详解）

make和Cmake都有什么区别？（内附使用详解）

Make和Cmake make和Cmake的区别： 角色和功能: make: 是一个构建工具，它的任务是读取 Makefile 文件，并基于这些文件中的指令执行具体的构建操作。Makefile 文件包含了如何构建项目的规则，make 负责解析这些规则并执行必要的命令来…
阅读更多...
webshell获取总结（cms获取方法、非cms获取方法、中间件拿Webshell方法）

webshell获取总结（cms获取方法、非cms获取方法、中间件拿Webshell方法）

目录 前期准备： 1、cookices靶场网站搭建： 2、dedecms靶场环境搭建： 获取Webshell方法总结： 一、CMS获取Webshell方法 二、非CMS获取Webshell方法 1、数据库备份获取Webshell 例如： 2、抓包上传获取Webshell 3、…
阅读更多...
什么是APS计划排程？ 企业产能与效率提升的智能引擎

什么是APS计划排程？ 企业产能与效率提升的智能引擎

快节奏和愈发激烈的现代工业环境中，如何提升生产效率、降低生产成本、最大化的满足订单交期、实现企业的降本增效，已成为众多企业关注的焦点。而APS系统——作为高级生产计划和调度系统的代表，正以其卓越的生产过程实时监控、产品加工过程优化…
阅读更多...
[CAN] 创建解析CAN报文DBC文件教程

[CAN] 创建解析CAN报文DBC文件教程

👉本教程需要先安装CANdb软件，[CAN] DBC数据库编辑器的下载与安装 🙋前言 DBC(全称为Database CAN)，是用于描述单个CAN网络中各逻辑节点的信息。 DBC是汽车ECU（Electronic Control Unit，电子控制单元&…
阅读更多...
Java面试八股之构造方法有哪些特性

Java面试八股之构造方法有哪些特性

构造方法有哪些特性 方法名与类名相同：构造方法的名称必须与它所在的类名称完全相同，包括大小写。 无返回类型：构造方法没有返回类型声明，连void也不需要。虽然没有明确的返回类型，但它隐式地返回了新创建的实例的引…
阅读更多...
基于Java的诊所医院管理系统，springboot+html，MySQL数据库，用户+医生+管理员三种身份，完美运行，有一万一千字论文

基于Java的诊所医院管理系统，springboot+html，MySQL数据库，用户+医生+管理员三种身份，完美运行，有一万一千字论文

演示视频 基本介绍 基于Java的诊所医院管理系统，springboothtml，MySQL数据库，用户医生管理员三种身份，完美运行，有一万一千字论文。 用户：个人信息管理、预约医生、查看病例、查看公告、充值、支付费用...…
阅读更多...
后端开发面经系列 -- 小鹏汽车一面面经

后端开发面经系列 -- 小鹏汽车一面面经

小鹏汽车一面面经 公众号：阿Q技术站 来源：职言详情页 (maimai.cn) 文章目录 小鹏汽车一面面经1、String类型为什么不可变？1. 安全性2. 缓存和性能优化3. 哈希码缓存4. 类设计和接口5. 简单性和可读性 2、在浏览器中输入url地址到显示主页的过…
阅读更多...
一文搞懂flex布局

一文搞懂flex布局

上学读书的时候，学习flex布局，更多停留在理论知识层面。近来，经过工作实践，发现自己对flex布局的理解更加深入，运用起来更加熟练，也越发能感受到flex布局的强大灵活性，特来总结一波。若有错误之…
阅读更多...
Linux部署mysql8.0.28数据库

Linux部署mysql8.0.28数据库

目录 1.基础准备 (1)首先去官网下载二进制安装包 (2)下载好之后上传至服务器 (3)禁用关闭selinux和防火墙 (4)挂载光盘搭建本地yum仓库 2.解压到指定目录 3.检查系统是否安装mariadb 4.安装MySQL数据库 (1)进入MySQL目录 看到‘完毕’就说面mysql已经安装成功了 4.初…
阅读更多...
2024-6-12-IXI(mat)应用到SR的代码解读

2024-6-12-IXI(mat)应用到SR的代码解读

数据集 Download and decompress data from the link 百度网盘 请输入提取码 Password: qrlt Transform .h5 format to .mat format "python convertH5tomat.py --data_dir XXX/T2Net/h5 论文：Task Transformer Network for Joint MRI Reconstruction and Super-Resoluti…
阅读更多...
大数据概论总结

大数据概论总结

三次信息化浪潮 : 信息技术的支撑 : 存储设备容量不断增加 CPU的处理能力不断提高 网络带宽不断增加 数据产生方式的变革促成大数据时代的来临 运营式系统阶段用户原创内容感知式系统阶段 大数据发展历程 : 分为三个阶段 : 大数据的概念 : 1 . 数据量大 : 根据IDC作出…
阅读更多...
量产导入 | Tessent Scan 和 ATPG

量产导入 | Tessent Scan 和 ATPG

目标 Upon completion of this module, you should be able to: Use Tessent Scan to insert full scan. Write a scan-inserted netlist file. Write ATPG setup files. lnsert test logic. Create, configure, and balance scan chains. Edit a scan chain order file and …
阅读更多...
最新文章

Copyright @ 2022~2023