新年10个Flag实现中~
访问量
218.9K
文章数
89
运行天
468
前言前言有点长,讲述Docker和DockerCompose用来做什么的和一些使用感受,不看可跳过。随着我使用Docker越来越频繁,开始逐渐理解一些Docker的作用了。刚接触Docker总是会听说“Docker是Linux上的虚拟机”,然后就会把Docker和Vmware来类比,虽然有些相似,但你用多了就会发现区别:Docker镜像用起来最大的感受就是,它的读写是不会保存的。Vmware不管你在虚拟机操作了什么,它都会保存,而Docker更多地是一个独立的镜像,可以无限复制到任意安装了Docker的机器上跑,而且对外表现一致——这给服务的部署带来了便利。比如我买的服务器到期了,续费比活动购买新机要贵得多,这时候就需要迁移服务,如果我直接安装到机器上,那迁移服务就很累了,可能会依赖很多组件
前言相信经历过很久以前初代JavaWeb开发的程序员都应该有体验,在那个时候是没有Maven这种东西的,每引入一个新功能,就需要手动下载依赖的JAR包导入,还可能和已经导入的JAR包产生冲突。更难受的是,运行的时候抛出异常查半天,到处修改业务代码以为自己写错了,结果发现问题处在JAR包冲突……所以,之前一直在用师兄师姐传承下来的经过多年验证的Jar包组……而有了Maven,所有的JAR包问题都不用担心,可以完全集中精力写逻辑了。当然,管理Jar包只是Maven的其中一个功能,它还可以用来拆分和聚合模块,将整个大项目分成多个独立的模块分别开发,然后自动部署。本文将只注重基础的管理Jar包的基础功能,其他的以后填坑。Maven简单入门Maven读音官方的读法应该是[ˈmevən],“美ven”,
GitHub私有仓库免费2019年1月7日,GitHub推送了最新博文《Newyear,newGitHub:AnnouncingunlimitedfreeprivatereposandunifiedEnterpriseoffering》,主要有两个更新:1、私有存储库免费没有数量限制、每个仓库支持最多3个开发者协作。打开GitHub创建界面,不会再提示收费:其实国内早就有了码云这类免费私有仓库,前几天我还重新去使用了一下2年前注册的账号。免费的东西确实不错,甚至结合了一些代码检查工具,不过整体体验还是没有GitHub好。所以这次GitHub开放免费私有仓库是真心舒服。2、统一了企业云和企业服务器统一化的企业云(GitHubBusiniessCloud)和企业服务器(GitHubEnterpr
前言局部二值模式(LocalBinaryPattern,LBP)是一种用来描述图像局部纹理特征的算法,反映的是图像像素点周围纹理变化情况,具有旋转不变性、灰度不变性(光照变化无影响)、计算复杂度低等优点,1994年首次由TimoOjala,MattiPietikainen等人提出,用于纹理特征提取。2002年论文《Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns》进行了归纳总结,2018年该论文引用量154次,累计9832次。LBP特征描述原始LBP特征使用3×3矩形模板,从上到下,从左到右逐行扫描,模板中心像素值为gc,从右侧中间像素点开始编号gp(p=0,..
前言Haar特征是我用得最多的一个特征了。Haar特征的鲁棒性并不好,它常常用于颜色或者轮廓较为明显的、波动不大的图像,比如人脸识别中识别眼睛、鼻子的位置。尽管如此,用Haar特征处理一般图像分割已经足够使用了。Haar特征设计思想Haar特征(Haar-likeFeature)的名称来源于Haar小波(HaarWavelet)变换,最早由Papageorgiou在论文《AGeneralFrameworkforObjectDetection》中提出。那个时期,用RGB图像像素值来处理特征会产生很大的计算量,Papageorgiou等人就提出了用Haar小波变换来处理特征的想法。在2001年,Viola和Jones在论文《RapidObjectDetectionusingaBoostedCas
颜色空间概述入门彩色图像分割首先当然要了解一下颜色空间。RGB颜色空间RGB颜色空间的设计初衷是,用红色(Red)、蓝色(Blue)和绿色(Green)作为基础颜色,通过三基色的强弱变化组合成整个颜色空间中的各种颜色。 如上图所示,分别以红色、绿色、蓝色分量为R轴、G轴、B轴建立坐标系,原点(0,0,0)代表的颜色为黑色,(1,0,0)、(0,1,0)、(0,0,1)分别表示红色、蓝色、绿色,构成的立方体中体对角线端点(1,1,1)代表的颜色为白色,而体对角线上的颜色则是由黑色过渡到白色的灰度。至此,任意一种常见颜色都可以由(R,G,B)的坐标数值表示出来。 RGB颜色空间最开始用于彩色电视机,通过红色、绿色、蓝色发光材料的发光强度来展示彩色图像,后来在计算机显示器中被广
概率提升树前言这是本科毕设用到的树,概率提升树(ProbabilisticBoosting-Tree,PBT)是Tu在2005年《ProbabilisticBoosting-Tree:LearningDiscriminativeModelsforClassification,Recognition,andClustering》中提到的分层分类框架。AdaBoostPBT的实质是对Adaboost的改进,首先回顾一下Adaboost: Adaboost是针对二分类问题设计的,核心点是关注那些被错误分类的训练样本,通过多轮弱分类器的训练逐渐提高被错分样本的权重,对每个弱分类器根据分类精度给一个权重,然后将所有弱分类器用加权的方式制作一个强分类器来达到分类的目的。算法如下:【输入】n个训
依赖树论文背景前言《ApproximatingDiscreteProbabilityDistributionswithDependenceTrees》是一篇1968年的经典论文了,即使在2018年也有28次的引用量:是由两位IEEE大牛C.K.CHOW和C.N.LIU所写,所以通常都被称为“Chow-LiuTree”、“周刘树”、“CLT”,或者叫“依赖树”。整篇论文一共就6页,虽然是6页,刚开始看得真的头大,完全不知道在讲什么,更别说用了,百度一下啥都不知道,最后到外网才找到一些资料。我本科也是做这个相关的内容,当时连分类和分割的区别都不懂,也没有人讲解强行上手,真是被坑哭了。本科大四的时候每天早上起来就硬盯着一遍一遍地重复看,终于才慢慢理解。举个例子:Abstract——Amethodi
12345... 10下一页