Gated-SCNN: Gated Shape CNNs for Semantic Segmentation——论文阅读理解
Title | Gated-SCNN: Gated Shape CNNs for Semantic Segmentation |
---|---|
标题 | Gated-SCNN: 门控形状CNN用于语义分割 |
https://arxiv.org/pdf/1907.05740.pdf | |
code | https://github.com/nv-tlabs/GSCNN |
摘要
当前用于图像分割的最新方法形成了密集的图像表示,其中颜色,形状和纹理信息都在CNN中一起处理。然而,这可能并不理想,因为它们包含与识别有关的非常不同类型的信息。在这里,我们提出了一种新的用于语义分割的双流CNN体系结构,该体系明确将形状信息连接为一个单独的处理分支,即形状流,该分支并行处理与经典流的信息。这种架构的关键是连接两种流的中间层的新型门。具体而言,我们使用经典流中的high-level的激活来控制形状流中的low-level的激活,从而有效地消除噪声并帮助形状流仅专注于处理相关的边界相关信息。这使我们可以为图像流使用非常浅的体系结构,以图像级分辨率运行。我们的实验表明,这导致了一种高效的体系结构,该体系结构围绕对象边界产生了更清晰的预测,并显着提高了对较小和较小对象的性能。我们的方法在遮罩(mIoU)和边界(F分数)方面均达到了Cityscapes基准的最先进性能,比强基准提高了2%和4%。项目网站:https://nvtlabs.github.io/GSCNN。
1.简介
语义图像分割是计算机视觉中研究最广泛的问题之一,其在自动驾驶[42、17、57],3D重建[38、30]和图像生成[22、47]中皆有应用。近年来,卷积神经网络(CNN)导致几乎所有主要细分基准的准确性都得到了显着提高。一种标准实践是通过将完全连接的层转换为卷积层来使图像分类CNN体系结构适应语义分割的任务。然而,使用分类架构进行密集像素预测有几个缺点[51、37、58、11]。一个突出的缺点是由于使用池化层而导致输出的空间分辨率下降。这促使了几项工作[51、58、15、35、21]提出了专门的CNN模块,以帮助恢复网络输出的空间分辨率。
我们在这里辩称,由于颜色,形状和纹理信息都在一个深层的CNN中一起处理,因此架构设计也存在固有的无效性。请注意,这些信息可能包含与识别有关的非常不同的信息量。例如,可能需要查看完整且详细的对象边界以获取形状[2,33]的判别编码,而颜色和纹理包含相当低级的信息。这也可以提供一个洞察力,说明为什么残差[19],跳层[19、52]甚至密集连接[21]会导致最显着的性能提升。合并其他连接性有助于不同类型的信息跨不同规模的网络深度流动。但是,通过设计来解耦这些表示可能会导致更自然和有效的识别流程。
在这项工作中,我们提出了一种用于语义分割的新的两流CNN架构,该架构明确将形状信息连接为一个单独的处理分支。特别是,我们将经典CNN放在一个流中,并添加了一个并行处理信息的所谓形状流。我们明确禁止在最顶层之前在两个流之间融合信息。
我们架构的关键是新型门控,它允许两个分支相互作用。特别是,我们利用经典流中包含的更高级别的信息来消除形状流在其非常早期的处理中的激活。通过这样做,形状流专注于仅处理相关信息。这允许形状流采用非常有效的浅架构,该架构可在全图像分辨率下运行。为了实现形状信息定向到所需流,我们使用语义边界损失对其进行监督。我们进一步利用了一个新的损失函数,该函数鼓励预测的语义分割与真实语义边界正确对齐,从而进一步鼓励融合层利用来自形状流的信息。我们将新架构称为GSCNN。
我们对Cityscapes基准[13]进行了广泛的评估。请注意,我们的GSCNN可以用作任何经典CNN主干网络的即插即用功能。在我们的实验中,我们探索了ResNet-50 [19],ResNet-101 [19]和WideResnet [56],并显示了所有方面的显着改进。就mIoU和F边界得分而言,我们比最新的DeepLab-v3 + [11]高出1.5%以上。对于较薄和较小的物体(例如,电线杆,交通信号灯,交通标志),我们的收益特别重要,在IoU方面,我们的收益可提高7%。
我们使用先验距离,进一步评估了距相机不同距离的性能。实验表明,在最大距离(即更远的物体)上,我们的mIoU始终比最新的基线好,最多可提高6%。
2.相关工作
2.1 语义分割
最先进的语义分割方法主要基于CNN。较早的方法[37,8]将分类网络转换为完全卷积网络(FCN),以进行有效的端到端语义分割训练。几篇著作[9、32、59、43、20、3、36、23、5]建议在网络输出上使用结构化预测模块(例如条件随机字段(CRF))来提高分割性能,尤其是在对象边界附近。为了避免昂贵的DenseCRF [29],[6]的工作对网络输出使用了快速域变换[16]滤波,同时还预测了来自中间CNN层的边缘图。我们还预测边界图以提高分割性能。与[6](使用边缘信息来细化网络输出)相反,我们将学习到的边界信息注入到中间CNN层中。此外,我们提出了专门的网络体系结构和双任务正则器以获取高质量的边界。
最近,新的体系结构设计推动了性能和推理速度的显着提高。例如,PSPNet [58]和DeepLab [9,11]提出了一个特征金字塔池模块,该模块通过以多个尺度聚合特征来合并多尺度上下文。与我们相似,[42]提出了一个两流网络,但是,在这种情况下,第二流的主要目的是恢复池化层丢失的高分辨率特征。在这里,我们明确地专门处理第二个流以处理形状相关的信息。一些工作[15,35,48]提出了使用学习的像素亲和力在中间CNN表示中进行结构化信息传播的模块。我们建议通过精心设计的网络和损失函数来学习高质量的形状信息,而不是学习专门的信息传播模块。由于我们仅将形状信息与分割CNN特征连接在一起,因此我们的方法可以轻松地合并到现有网络中以提高性能。
2.2 多任务学习
几项工作也探索了将网络合并为互补任务的想法,以提高学习效率,预测准确性和跨计算机视觉任务的通用性。例如,[45,39,27,26,28]的工作提出了使用多任务损失学习共享表示的统一体系结构。我们的主要目标不是训练多任务网络,而是实施一种结构化的表示,该结构利用了分割和边界预测任务之间的双重性。 [12,4]同时学习了分割和边界检测网络,而[31,40]学习了边界作为辅助分割的中间表示。与这些工作相反,语义和边界信息仅在损失函数处相互作用,我们将边界信息显式注入到分割CNN中,并且还提出了双重任务损失函数,该函数可同时完善语义掩码和边界预测。
2.3 门控卷积
关于语言建模的最新工作也提出了在卷积中使用门控机制的想法。例如,[14]提出用门控时间卷积代替通常在递归网络中使用的递归连接。另一方面,[53]提出将卷积与软门控机制一起用于自由形式图像修复,[46]提出了门控PixelCNN用于条件图像生成。在我们的案例中,我们使用门控卷积运算符完成语义分割任务,并定义形状和规则流之间的信息流。
3.GSCNN
在本节中,我们介绍用于语义分割的门控形状CNN体系结构。如图2所示,我们的网络由两个网络流组成,后面是融合模块。网络的第一流(常规流)是标准分割CNN,第二流(形状流)以语义边界的形式处理形状信息。我们通过精心设计的门控卷积层(GCL)和本地监督来强制执行形状流以仅处理与边界有关的信息。然后,我们融合规则流中的语义区域特征和形状流中的边界特征,以产生精细的分割结果,尤其是在边界周围。接下来,我们详细描述框架中的每个模块,然后介绍我们新颖的GCL。
3.1 总体结构
3.1.1 常规流
此流用表示(参数为),将高度为且宽度为的图像作为输入,并生成密集的像素特征。常规流可以是任何前馈全卷积网络,例如基于ResNet [19]或基于VGG [44]的语义分段网络。由于ResNets是最新的语义分割技术,因此我们在常规流中使用类似于ResNet的体系结构,例如ResNet-101 [19]和WideResNet [56]。我们将常规流的输出特征表示表示为,其中是常规流的下采样步长。
3.1.2 形状流
此流表示为表示(参数为),该流使用图像梯度以及常规流的第一卷积层的输出作为输入,并生成语义边界作为输出。网络架构由与门控卷积层(GCL)交错的几个残差块组成。如下所述,GCL确保形状流仅处理边界相关信息。我们将形状流的输出边界图表示为。由于我们可以从GT语义分割掩膜获得边缘真值,因此我们在输出边界上使用监督的二元交叉熵损失来监督形状流。
3.1.3 融合模块
该模块表示为(参数为),将来自规则分支的密集特征表示作为输入,并将其与形状分支输出的边界图融合在一起,从而保留了多尺度上下文信息。它将区域特征与边界特征相结合,并输出精细的语义分割输出。更正式地,对于个语义类别的分割预测,它输出分类分布,它表示像素属于K个类别中每个类别的概率。具体来说,我们使用ASPP[11]将边界图与合并。这使我们能够保留多尺度上下文信息,并被证明是最新语义分割网络中的重要组成部分。
3.2 门控卷积层(GCL)
由于估计语义分割和语义边界的任务紧密相关,因此我们设计了一种新颖的GCL层,该层有助于信息从常规流向形状流的流动。 GCL是我们体系结构的核心组件,它通过过滤掉其余信息,帮助形状流仅处理相关信息。请注意,形状流不包含常规流中的特征。或者说,形状流使用GCL来停用不相关的特征(high-level特征)。
我们在两个流之间的多个位置使用GCL。令表示位置数,令是运行索引,其中和表示我们使用GCL处理的相应规则和形状流的中间表示。为了应用GCL,我们首先通过串联和,然后是归一化的卷积层和sigmoid函数 来获得注意力图,然后是:
其中||表示特征图的串联。给定注意力图,GCL首先执行与注意力图之间的逐元素乘法操作,然后进行残差连接并使用核进行逐通道加权。在每个像素,GCL计算为:
然后被传递到形状流中的下一层进行进一步处理。注意,注意力图的计算和门控卷积都是可微的,因此可以端对端进行反向传播。直观上,也可以看作是一张注意力图,它对重要的边界信息区域进行更大的权重加权。在我们的实验中,我们使用三个GCL,并将它们连接到常规流的第三,第四和最后一层。如果需要,可使用双线性插值对来自常规流的特征图进行上采样。
3.3 联合多任务学习
我们以端到端的方式共同学习规则流和形状流以及融合模块。我们在训练期间共同监督分割和边界预测。在这里,边界图是场景中目标和填充类的所有轮廓的二进制表示(图6)。我们在预测的边界图上使用标准的二进制交叉熵(BCE)损失,在预测的语义分割上使用标准交叉熵(CE)损失:
其中表示GT边界,而表示GT语义标签。在这里,, 是控制loss之间权重的两个超参数。
如图2所示,在将边界图馈入融合模块之前,对边界图进行监督。因此,损失更新规则流和形状流的参数。与标准语义分割网络中一样,最后用损失监督语义类的最终分类分布,更新所有网络参数。对于边界的,我们遵循[50,54],并使用系数β来解决边界/非边界像素之间的高度不平衡。
3.4 双重任务正则化
如上所述,表示融合模块的分类分布输出。令表示电势,其代表特定像素是否属于输入图像中的语义边界。它是对分割输出的执行空间导数计算得出的:
其中表示高斯滤波器。如果我们假设是从GT语义标签以相同方式计算出的GT二进制掩码,则可以编写以下损失函数:
其中包含和中所有非零像素坐标的集合。直观地讲,我们要确保与GT边界不匹配时对边界像素进行惩罚,并避免非边界像素主导损失函数。注意,上述正则化损失函数利用了边界空间中边界预测和语义分割之间的对偶性。
类似地,我们可以使用来自形状流的边界预测来确保二进制边界预测和预测语义之间的一致性:
其中和分别遍历所有图像像素和类别。
对应于指示函数,而是置信度阈值,我们在实验中使用0.8。双重任务正则化器总损失函数可以写为:
此处,和是两个控制正则化器加权的超参数。
3.4.1训练过程中的梯度传播
为了通过进行反向传播,需要计算的梯度。让,偏导数对于给定参数计算如下:
由于arg max不是一个可微函数,我们使用了Gumbel softmax技巧[24]。在向后传递时,我们近似argmax操作用温度系数:
是超参数。算子可以用Sobel kernel进行滤波计算得到。
4. 实验结果
结果在本节中,我们对具有挑战性的Cityscapes数据集[13]进行了框架各部分的广泛评估。我们进一步展示了我们的方法对几种骨干架构的有效性,并提供了我们方法的定性结果。
4.1 基本设置与评估指标
4.1.1 基线
我们使用DeepLabV3 + [11]作为主要基准。这构成了用于语义分割的最新架构,并且可以使用预训练的模型。在我们的大多数实验中,我们使用DeeplabV3 +的PyTorch实现,在骨干架构选择上与[11]不同。具体来说,我们使用ResNet-50,ResNet-101和WideResNet作为DeepLabV3 +版本的主干架构。为了进行合理的比较,在适用时,我们在表中将此称为“基准”。此外,我们还在验证集和Cityscapes(测试集)中已发布的最新方法进行了比较。
4.1.2数据集
我们所有的实验都是在Cityscapes数据集上进行的。该数据集包含来自德国和邻国27个城市的图像。它包含2975个训练,500个验证和1525个测试图像。此外,城市景观还包括20,000个其他粗略注释(即覆盖各个对象的粗多边形)。请注意,我们使用边界GT来监督形状流,因此,粗糙数据集对于我们的设置而言并不理想。因此,我们在实验中不使用粗略的数据。密集像素注释包括30个类别,这些类别经常出现在城市街道场景中,其中19个类别用于实际训练和评估。我们遵循[54,55,1]生成边界GT并监督形状流。
4.1.3 评估指标
我们使用三种定量方法来评估我们方法的性能。 1)我们使用广泛使用的联合交叉点(IoU)评估网络是否准确预测区域。 2)由于我们的方法旨在预测高质量边界,因此我们引入了另一个评估指标。具体来说,我们遵循[41]中提出的边界度量来评估语义边界的质量。此度量计算沿预测掩膜边界的F分数,给定距离上的小松弛。在我们的实验中,我们使用阈值0.00088、0.001875、0.00375和0.005,分别对应于3、5、9和12个像素。与IoU计算相似,我们在计算F分数时也会删除空白区域。由于没有为测试集提供边界,因此我们使用验证集来计算F分数作为边界对齐的度量。 3)为了评估分割模型在距相机的距离不同时的性能,我们使用了基于距离的评估,方法如下所述。
4.1.4 基于距离的评估
我们认为,对小(远)物体的高精度也很重要,但是,全局IoU度量不能很好地反映这一点。因此,我们以接近(固定)消失点附近的大小不同的裁剪作为距离的代表。在我们的示例中,这是通过沿除顶部以外的每个图像边裁切100个像素来执行的,结果裁切的中心是我们的近似消失点。然后,在给定预定义的裁剪因子的情况下:我们从顶部和底部裁剪,从左侧和右侧裁剪。直观地,较小的中心裁切拥有更大的权重对于距离照相机较远的较小对象。在图3中显示了该过程的说明。图4显示了每种裁剪的示例预测,说明了度量如何可以专注于评估不同大小的对象。
4.1.5 实施细节
在我们的大多数实验中,我们都遵循Deeplab v3 +的方法[11],但使用实验中描述的更简单的编码器。我们所有的网络都在PyTorch中实现。我们使用作为训练分辨率和sync BN。训练是在NVIDIA DGX工作站上进行的,该工作站使用8个GPU,每个batch的总大小为16。对于Cityscapes,我们使用1e-2的学习率并采用多项式衰减策略。我们为消融目的进行了100个epoch的训练,并在表1中以230个epoch展示了我们的最佳结果。对于我们的联合损失,我们设置。对于Gumbel softmax,我们设置。我们所有的实验都是在Cityscapes精细数据集中进行的。
4.2 定量评估
4.2.1 验证集(miou/crop iou/edge f-score)
在表1中,我们根据区域精度(通过mIoU测量)比较了GSCNN与基准的性能。数字在验证集上报告,并在完整图像上计算(不裁剪)。在此指标中,我们实现了2%的改进,这是在此性能水平下的重要结果。特别是,我们注意到我们在小型物体(摩托车,交通标志,交通信号灯和电线杆)上取得了重大改进。
另一方面,表2在边界精度(由F分数衡量)方面,比较了我们的方法与基线的性能。同样,我们的模型表现要好得多,在最严格的条件下,其性能要比基准高出近4%。请注意,为公平起见,我们仅报告经过Cityscapes精细训练的模型。所有模型的推断都是在单一尺度上完成的。
在图5中,我们显示了我们提出的基于距离的评估方法相对于基线的性能。在这里,我们发现随着裁剪因子的增加,与DeeplabV3 +相比,GSCNN的性能越来越好。 GSCNN和DeeplabV3 +之间的性能差距从裁剪因子0(即不裁剪)的2%增大到裁剪因子400的接近6%。这证实了我们的网络对于距离摄像机更远的较小物体实现了显着改进。
4.2.2 cityscapes 基准
为了在测试集上获得最佳性能,我们使用了最佳模型(即常规流为WideResNet)。训练是在NVIDIA DGX工作站上使用8个GPU(batch总大小为16)完成的。我们使用GCL和双任务loss训练该网络达175个epoch,学习率为1e-2,并采用多项式衰减策略。We also use a uniform sampling scheme to retrieve a 800*800 crop that uniformly samples from all classes.。此外,我们使用比例为0.5、1.0和2.0的多尺度推理方案。由于边界损失需要精细的边界注释,因此在训练过程中我们不会使用粗略的数据。
在表6中,我们与在测试集上评估的Cityscapes基准上已发布的最新方法进行了比较。需要强调的是,我们的模型未在粗略数据上训练。令人印象深刻的是,我们可以看到我们的模型始终优于非常强的基准,其中一些基准还使用了额外的粗略训练数据。在撰写本文时,我们的方法在不使用粗略数据的已发布方法中也排名第一。
4.3 消融实验
在表3中,我们针对常规流使用不同的编码器网络评估了我们方法的每个组件的有效性。为了公平起见,此表中的比较是针对我们自己的基准实现(即具有不同主干架构的DeepLabV3 +)进行的,使用相同的超参数集和ImageNet初始化从头开始进行训练。具体来说,我们将ResNet-50,ResNet-101和Wide-ResNet用于骨干架构。在此,GCL表示使用形状流训练的具有双重任务损失的网络,而Gradients表示在融合层之前也添加图像梯度的网络。在我们的网络中,我们使用Canny边缘检测器来获取此类梯度。从表中可以看出,就mIoU而言,我们的性能提高了1%至2%,对于边界任务,性能提高了约3%。
另一方面,表4展示了双重任务损失对边界对齐的F分数影响。我们说明了它在三个不同阈值处的作用。在此,GCL表示训练有GCL形状流而没有双重任务丢失的网络。关于基线,我们可以观察到双重损失在边界精度方面显着提高了模型的性能。具体而言,通过增加“双重任务”损失,在最严格的制度下,我们最多可以看到3%的改善。
4.4 定性结果
在图7中,我们在Cityscapes测试集中提供了该方法的定性结果。我们通过在图8中突出显示我们的方法擅长的典型情况来将我们的方法与基线进行比较。具体地说,我们将这两种方法的预测误差可视化。在这些缩放的图像中,我们可以看到一群人站在两极密集的区域周围。在这里,Deeplab v3 +无法捕获极点,并且天真地将其归类为人类。相反,我们可以看到在我们的模型中极点已正确分类,行人的误差边界也变稀了。此外,交通信号灯等对象通常会在Deeplab v3 +中被预测为过度妥协的斑点(尤其是在距离较远的情况下),其形状和结构会在我们模型的输出中保留。
图10显示了来自GCL的alpha通道。我们可以注意到门如何帮助强调输入要素图中边界/区域之间的差异。例如,第一个门强调了非常低级的边缘,而第二个和第三个则着重于对象级边界。门控的结果是,我们在形状流中获得了最终的边界图,该边界图准确地勾勒出对象和填充类。该流学习产生高质量的类不可知边界,然后将其馈送到融合模块。形状流的输出的定性结果如图6所示。
另一方面,在图9中,我们显示了从最终分割蒙版获得的边界。注意它们在较小和较小对象上的准确性。
5. 总结
在本文中,我们提出了gatedscnn (GSCNN),这是一种新的用于语义分割的两流CNN架构,它将线状结构分割成一个单独的并行流。我们使用一种新的门控机制连接中间层和一个新的损失函数,利用语义分割和语义边界预测任务之间的二重性。我们的实验表明,这导致了一个非常有效的架构,可以产生更清晰的对象边界预测,并显著提高更薄和更小对象的性能。我们的架构在具有挑战性的Cityscapes数据集上实现了最先进的结果,在强基线上显著改进。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- html 适配iphone X 底部导航
padding-bottom: constant(safe-area-inset-bottom); /* 兼容 iOS < 11.2 */ padding-bottom: env(safe-area-inset-bottom);在底部导航css样式中加入改代码 导航会在iphone X手机上 会自动向上padding值 防止iphone X 底部的横线遮住 页面导航...
2024/5/7 18:21:54 - IT项目管理--作业3
研究项目管理过程与领域知识及其关系1.了解CMMI项目管理过程-项目计划(PP),使用知识域*过程矩阵 对比项目规划过程组与CMMI-PP过程,具体要求:• 首先,绘制矩阵。矩阵行是十大知识领域,最后一行为其他知识;矩阵第一列是项目规划过程组,第2~4列分别是特定目标(SG)1~…...
2024/5/7 21:04:14 - 转载和积累系列 - 分库分表的细节讲解
目录数据库瓶颈分库分表水平分库水平分表垂直分库垂直分表分库分表工具分库分表带来的问题事务一致性问题跨节点关联查询 Join 问题跨节点分页、排序、函数问题全局主键避重问题数据迁移、扩容问题什么时候考虑分库分表能不分就不分数据量过大,正常运维影响业务访问随着业务发…...
2024/5/7 15:07:53 - sql添加序号
sql添加序号--sql 2000 select 序号 = (select count(1) from tb where 学号 < t.学号) + 1,学号 ,姓名 from tb t --sql 2005 select 序号 = row_number() over(order by 学号),学号 ,姓名 from tb --oracle select row_number() over(order by 学号) 序号,学号 ,姓名 from…...
2024/4/16 7:12:44 - B1028人口普查(用结构体排序)坑点测试点3
题目思路:排序的思路和的德才论一样。难点在于不合理日期的统计和剔除。 本题坑点是测试点3,当日期均不合格时,输出0不能加空格。去掉空格后即正确。AC代码 #include<bits/stdc++.h> using namespace std;struct people {string name;int year;int mon;int day; }inf[…...
2024/4/20 8:44:15 - linux(ubuntu)下安装dosbox教程
sudo apt install -y dosbox下载工具包(我的资源里面有,可以下载),下载到某个目录 如:/test使用命令 vi “$(dosbox -printconf)” 编辑dosbox配置文件在文件末尾添加下面l两行代码,自动挂载刚刚下载文件的目录mount d /testd:保存文件,并运行 dosbox 命令启动。dosbox...
2024/4/22 2:38:41 - asp.net 分页
asp.net 分页==控制====视图== 控制 using System; using System.Collections.Generic; using System.Linq; using System.Web; using System.Web.Mvc; using Com.Hi.FY.Models;namespace Com.Hi.FY.Controllers {public class RoleController : Controller{// GET: RoleRbacDB…...
2024/4/19 20:11:23 - C++Prime 第二章
第二章练习2.11. 区别是所占字节数可能不同,也就是在机器中存储的位数不同2. 带符号类型和无符号类型本质是对字节的解释方式不同,表现形式为带符号类型可以有负值,且正值最大值减半。3. 精度不同,代价不同。float精度低,相应的运算快。练习2.2略练习2.3、2.4#include<…...
2024/5/2 22:03:29 - 【Android 踩过的坑】3.Android Studio无法进入调试页面
【Android 踩过的坑】3.Android Studio无法进入调试页面 情况 今天在使用 Android Studio 时,无缘无故就进不去调试页面,打了断点也进不去,最终找到了解决方法。 原因 把这个勾打上就好了。...
2024/4/16 7:13:50 - iOS 接口加密方法-ASE256和数字签名
//这是需要加密的字典,里面存储这需要上传的参数NSMutableDictionary *bodyDict=[[NSMutableDictionary alloc] init];[bodyDict setValue:@"80088202220" forKey:@"phone"];//这是需要配置的key,需要前后端统一配置#define StrApiKey @"ios-to-p…...
2024/4/27 0:10:40 - jvm可视化工具Visual的使用说明
近期个人想要了解一下jvm,但由于网上大部分的讲解都过于抽象,对于没有实际操作过的我来说有点难以理解,即使理解也仅仅是数据参数上有个大体概念,真正想要去理解还是需要实际操作,于是在网上查找了关于jvm可视化工具的内容,觉的受益匪浅,在此记录一下。 我了解的是jdk自…...
2024/4/16 7:13:45 - 浮点数计算精度误差原理随记
场景 0.1 + 0.2 = 0.30000000000000004 原因 以下摘自 https://www.cnblogs.com/wymbk/p/6031442.html 首先,我们要站在计算机的角度思考 0.1 + 0.2 这个看似小儿科的问题。我们知道,能被计算机读懂的是二进制,而不是十进制,所以我们先把 0.1 和 0.2 转换成二进制看看: 0.…...
2024/5/3 8:46:57 - mysql 根据日期查询周、月、年起止时间
查询周起止日期 SELECTDATE_ADD( 2019-11-12, INTERVAL - WEEKDAY ( 2019-11-12 ) DAY ) week_begin,DATE_ADD( 2019-11-12, INTERVAL - WEEKDAY ( 2019-11-12 ) + 7 DAY ) week_end FROM DUAL查询月起止日期 SELECTDATE_ADD( 2019-11-12, INTERVAL - DAY ( 2019-11-12 ) + 1 …...
2024/5/3 11:45:28 - Windows下VsCode配置c语言的环境
前言 主要学习的是java语言,由于部分原因需要有c语言的环境,因此使用vscode配置c环境,出现好多问题。 自己的java相关学习笔记 VsCode下载 vscode的下载:下载地址 安装vscode,比较简单 安装c的编译环境 另外在自己的电脑上有c的编译环境。可以测试一下:如果没有配置显示的…...
2024/5/3 2:18:41 - 1.3 SpringBoot 案例实现
1.3 SpringBoot 案例实现 案例需求:请求Controller中的方法,并将返回值响应到页面 (1)使用Spring Initializr方式构建Spring Boot项目 本质上说,Spring Initializr是一个Web应用,它提供了一个基本的项目结构,能够帮助我们快速构建一个基础的Spring Boot项目 Project …...
2024/4/24 10:25:02 - 网关协议——OpenID Connect入门指南
OpenID Connect 如果要谈单点登录和身份认证,就不得不谈OpenID Connect (OIDC)。最典型的使用实例就是使用Google账户登录其他应用,这一经典的协议模式,为其他厂商的第三方登录起到了标杆的作用,被广泛参考和使用。 OpenID Connect简介 OpenID Connect是基于OAuth 2.0规范族…...
2024/4/24 10:24:57 - 短信接口报错 1031,他在召唤你充值!
短信接口报错 1031,他在召唤你充值! 使用某云短信服务,接口突然报错: {"result":1031,"errmsg":"\u77ED\u4FE1\u5957\u9910\u5305\u4F59\u91CF\u4E0D\u8查看官网错误码手册: https://yixzm.blog.csdn.net/article/details/106489846 官网解读: …...
2024/5/3 8:43:27 - keil MDK安装说明
1、keil MDK添加芯片下载安装好keil软件以后,还需要添加芯片。如下图所示,是几个常用的芯片包。点击文件,会进入安装界面。安装好以后,打开kei uVision5软件,会自动的加载这些已经安装好的芯片。2、keil MDK编译找不到 "core_cmInstr.h"文件编译的时候报错,..\…...
2024/4/23 17:35:04 - iOS 图片上传时压缩处理
在上传图片时,如果对图片内存大小有要求,需上传前进行压缩处理,这样服务器也会减少压力。接下来我们正式开始:1、先对图片进行“压”操作,降低图片的分辨率,宽高不会改变。2、如果还不能满足要求,则在“压”的基础上,再对图片进行“缩”操作,改变图片的宽高。直接从相…...
2024/4/24 10:24:55 - CMake 学习入门
CMake 学习入门 配置CMakeList.txt 配置配置cmake版本要求 配置工程 添加可执行文件 note: cmake文件不区分大小写cmake_minimum_required(VERSION 2.6) project(Tutorial) add_executable(Tutorial tutorial.cxx)版本号设置,使用set()函数# The version number set(Tutorial…...
2024/4/24 10:24:53
最新文章
- Kansformer?变形金刚来自过去的新敌人
1.前言 多层感知器(MLPs),也被称为全连接前馈神经网络,是当今深度学习模型的基础组成部分。 MLPs在机器学习中扮演着至关重要的角色,因为它们是用于近似非线性函数的默认模型,这得益于通用近似定理所保证的表达能力。然而,MLPs真的是我们能构建的最佳非线性回归器吗?尽管ML…...
2024/5/8 4:18:06 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/7 10:36:02 - 磁盘管理与文件管理
文章目录 一、磁盘结构二、MBR与磁盘分区分区的优势与缺点分区的方式文件系统分区工具挂载与解挂载 一、磁盘结构 1.硬盘结构 硬盘分类: 1.机械硬盘:靠磁头转动找数据 慢 便宜 2.固态硬盘:靠芯片去找数据 快 贵 硬盘的数据结构:…...
2024/5/8 2:36:28 - linuxday05
1、makedile原理(增量编译生成代码) # (注释符) 目标------依赖 目标不存在//目标比依赖旧才会执行命令; makefile的实现 1、命名要求(Makefile/makefile) 2、规则的集合 目标文件&#…...
2024/5/7 13:05:29 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/7 5:50:09 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/7 9:45:25 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/7 14:25:14 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/7 11:36:39 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/6 1:40:42 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/4 23:55:17 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/7 9:26:26 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/4 23:55:06 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/4 23:55:16 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/6 21:42:42 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57