redis是一款高功能的nosql系列的非关系型数据库，可以支持每秒十几万次的读/写操作，并且还支持集群，分布式，主从同步等配置。
还支持一定的事务能力，这保证了高并发的场景下数据的安全性和一致性。
还支持一定的事务能力，这保证了高并发的场景下数据的安全性和一致性。
2020/7/5 8:20:18
787KB
1
实验要求描述：1、给定场景，给定WSN的节点数目，节点随机分布，能按照LEACH的引见，实现（每一轮）对WSN的分簇。
请记录前k轮（eg.k=10）/绘制第k轮时，网络的分簇情况，即每个节点的角色（簇头or簇成员）及其关系，如是簇成员，标记其所属的簇头2.Note要求： 节点数目不宜过小；
每轮只完成分簇，不考虑通信过程；
每轮可以以定时器确定，也可以以完成当轮分簇为准；
簇成员在寻找簇头时，以距离作为接收信号强弱的判断依据；
当选为簇头的节点将，以后几轮的分簇中将，不再成为簇头，这个约束条件，在仿真中应能体现。
请记录前k轮（eg.k=10）/绘制第k轮时，网络的分簇情况，即每个节点的角色（簇头or簇成员）及其关系，如是簇成员，标记其所属的簇头2.Note要求： 节点数目不宜过小；
每轮只完成分簇，不考虑通信过程；
每轮可以以定时器确定，也可以以完成当轮分簇为准；
簇成员在寻找簇头时，以距离作为接收信号强弱的判断依据；
当选为簇头的节点将，以后几轮的分簇中将，不再成为簇头，这个约束条件，在仿真中应能体现。
2020/1/22 13:03:28
6KB
1
这是多个经典视觉显著模型代码的合集，包括ITTI、SUN、GBVS、BMS等等，内有运行方法。
视觉显著性检测(Visualsaliencydetection)指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴味的区域)。
视觉注意机制(VisualAttentionMechanism，VA)，即面对一个场景时，人类自动地对感兴味区域进行处理而选择性地忽略不感兴味区域，这些人们感兴味区域被称之为显著性区域。
视觉显著性检测(Visualsaliencydetection)指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴味的区域)。
视觉注意机制(VisualAttentionMechanism，VA)，即面对一个场景时，人类自动地对感兴味区域进行处理而选择性地忽略不感兴味区域，这些人们感兴味区域被称之为显著性区域。
2017/3/25 13:34:57
39.25MB
1
Android获取USB扫描枪扫描数据。
Android平板热插拔USB扫描枪使用场景多，在有界面如EditText时，扫描枪扫描内容自动输入到编辑框了，在没有界面的情况下如何获取扫描枪数据呢。
AccessibilityService不了解的同学看看http://www.jianshu.com/p/4cd8c109cdfb
Android平板热插拔USB扫描枪使用场景多，在有界面如EditText时，扫描枪扫描内容自动输入到编辑框了，在没有界面的情况下如何获取扫描枪数据呢。
AccessibilityService不了解的同学看看http://www.jianshu.com/p/4cd8c109cdfb
2015/4/12 11:18:46
82KB
1
火龙果软件工程技术中心 前言本指南描述了服务总线（AqualogicEnterpriseServiceBus---简称:ESB）的一些典型使用场景、设计模式和实践经验。
同时对于ESB上一些常见的问题予以解答。
本文的读者应该已经了解ESB的基础概念、进行了相关实践，以及熟悉ESB的管理配置界面。
使用流程元素ESB提供了丰富的消息流程处理的模型，可以有多种方式来实现。
因而需要有一个指导来表明在何时使用哪种方式比较适合。
何处执行转换（Transformations）路由节点（routenode）是消息流树上的一个页节点。
如果我们需要转换成或需要转换的消息格式依赖于目标服务，因而在路由节点（rout
同时对于ESB上一些常见的问题予以解答。
本文的读者应该已经了解ESB的基础概念、进行了相关实践，以及熟悉ESB的管理配置界面。
使用流程元素ESB提供了丰富的消息流程处理的模型，可以有多种方式来实现。
因而需要有一个指导来表明在何时使用哪种方式比较适合。
何处执行转换（Transformations）路由节点（routenode）是消息流树上的一个页节点。
如果我们需要转换成或需要转换的消息格式依赖于目标服务，因而在路由节点（rout
2018/1/19 1:44:49
138KB
1
[社区团购]是以微信为载体整合多个社区社群资源,形成由商家集中化管理运营的预售+团购的社区商业模式。
主要销售场景是由各快递代收点、社区便利店、社区物业、业主等发起的社区微信群,每个群都相当于逐个个社区店。
主要销售场景是由各快递代收点、社区便利店、社区物业、业主等发起的社区微信群,每个群都相当于逐个个社区店。
2020/3/9 11:04:18
101.37MB
1
该文件包括效果展示视频和训练生成的xml文件由于该方法要求负样本与场景相关，因此建议自己采集视频进行样本获取及后续处理，直接使用xml文件在其他场景的效果并不一定好。
本实验也有许多问题，①比如远处的检测框会较早的消失，这个原因应该是抽帧截取正样本时，远处的车辆样本选取的较少，建议新实验中每个位置上的正样本都要考虑到。
②偶尔会出现检测框消失的现象，这个没法避免的..建议使用卡尔曼滤波对消失的检测框进行预测然后校正！关于样本集会在后面半个月放出，最近事比较多，等开学会有点时间...本演示视频只对单一方向的车辆样本进行训练，并且包含了晴天多云雨天等场景的样本共同训练，正样本数量为4300多份。
如果想尝试双向车道的训练，建议正样本数量达到1w左右的量级，负样本为正样本的2-5倍，关于xml文件的训练参考文章XXX，也可以换成其他特征进行训练，如LBP特征（听说训练花费时间大大降低，精度差不多，并没有进行试验），有兴味的可以试一试，多多交流！
本实验也有许多问题，①比如远处的检测框会较早的消失，这个原因应该是抽帧截取正样本时，远处的车辆样本选取的较少，建议新实验中每个位置上的正样本都要考虑到。
②偶尔会出现检测框消失的现象，这个没法避免的..建议使用卡尔曼滤波对消失的检测框进行预测然后校正！关于样本集会在后面半个月放出，最近事比较多，等开学会有点时间...本演示视频只对单一方向的车辆样本进行训练，并且包含了晴天多云雨天等场景的样本共同训练，正样本数量为4300多份。
如果想尝试双向车道的训练，建议正样本数量达到1w左右的量级，负样本为正样本的2-5倍，关于xml文件的训练参考文章XXX，也可以换成其他特征进行训练，如LBP特征（听说训练花费时间大大降低，精度差不多，并没有进行试验），有兴味的可以试一试，多多交流！
2019/2/6 19:12:18
2.83MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB