桌面GIS连接Postgresql总结

本文介绍了如何使用QGIS和ArcGIS Desktop连接PostgreSQL及其空间扩展PostGIS。文章详细记录了配置步骤,并展示了如何利用这两种GIS工具读取并可视化存储在PostGIS中的空间数据。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

对于非开发人员的GISer而言,数据库这东西更多停留在mdb,gdb的层面,相对而言这些数据的使用无论是在处理还是管理上,门槛相对较低。但是目前所处的信息爆炸的大数据时代,仅仅依靠桌面GIS本身的数据存储远远不够,在存储大量数据的时候,仍然需要专门的数据库管理。所以桌面GIS如何在关系型数据库中写入空间数据也是一个重要的过程。此文是在阅读了网上的部分博客及自己的亲身经验写成。主要介绍桌面GIS中两大代表——Esri的ArcGIS以及开源的QGIS。使用的关系型数据库是Postgresql,它的空间扩展是PostGIS。

桌面GIS:

Esri ArcGIS 10.2

Esri ArcSDE 10.2

QGIS 2.8.2

关系型数据库及空间扩展:

Postgresql 9.5.0_x64

PostGIS 2.2

以上软件的安装略过了,网上均有教程。


(一)QGIS连接Postgresql

个人最喜爱QGIS的一点就是它与PostGIS以及其他各类数据库的无缝衔接,确实可以说是直连数据库。


主要是通过这个数据库的操作


先新建一个连接,输入名称、主机、数据库、调整SSL模式、用户名、密码,最后测试连接。


如果跳出这个页面,就证明你成功啦。


接下来按确定之后,只要在最开始的页面点击“连接”,就已经愉快地连上了。如果你打开Postgresql,会发现全局架构是对应的,所以确认是连接成功的。


这边选择了一个2008年2月3日北京市的一辆出租车轨迹数据来做测试



QGIS中,基于出租车轨迹生成的热图





(二)ArcGIS Desktop 连接Postgresql

ArcGIS Desktop 10.2之后提供了Postgresql直连的功能,当然这里的直连,我认为可以叫伪直连,因为它仍然需要ArcSDE的支持,而不像QGIS可以直接连接。

当然直连的的方法还是相对简单的,不过我也遇到了一个问题,我的Postgresql是64位。但是ArcGIS Desktop目前只有32位。所以即使安装了ArcSDE,也无法直接连接。需要Postgresql32位里面的一些dll文件。


将这些Postgresql对应版本32位的dll文件复制粘贴到ArcGIS安装目录下面的"/ArcGIS/Desktop 10.2/bin的文件夹里,接着可以打开ArcGIS进行连接了。



选择同一个测试数据导入PostGIS

基于ArcGIS连接Postgresql里面的数据制作的核密度图





### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值