D2009感受之一

最新推荐文章于 2021-11-09 17:08:21 发布
原创 最新推荐文章于 2021-11-09 17:08:21 发布 · 177 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章分享了作者在安装D2009预览版过程中的经历，包括安装速度、卸载速度、对J#的反思以及对C#与J#功能的对比。此外，文章还详细描述了D2009预览版在处理数据集中文过滤问题上的表现，特别是针对汉字单字过滤存在的缺陷，并提出了对正式版解决这些问题的期望。

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

       周末装了D2009的预览版，虽说只有255天使用时间，但也够用了，仅仅试用而已。
       我机器是AMD2500+,1G内存。装了几次没装上。卸载,NET framework也卸载不了，J#也卸载不了。后来才想起，是不是XP+SP3（雨林木风版本）的问题，然后，强制删除.NET framework 2.0 目录，重启系统。
       官方网说安装安装速度有提升，大概只是将 ,NET SDK改为22M左右的可发布版本吧。安装速度还可以忍受，但卸载速度，慢死了，比安装还慢。另外，我觉得完全可以抛弃J#了，为何用J#能写的东西，C#为何不行？
       默认情况下，string=Unicodestring。声明一个string字符串，可以使用字符串数组方式访问，而不是像之前非要声明widestring或转换。
      D2009里的indy，是最新的10.2.3，和我预料差不多。
      但我最关心的是数据集中文过滤问题，尤其是汉字单字过滤，这是borland的历史欠债。
     测试了一下：ADO Filter 解决了 Like '%小%'，Like '小%'，但 Like '%小'问题依然存在。
     TClientDataSet(简称CDS)问题，由于核心Midaslib单元不开源，出了问题也难以解决。但CDS的中文过滤问题更严重，Like '%小%'就直接弹出异常，再也没信心测试其他两个模糊方式。
     我希望是我装的D2009预览版问题，在正式版中，一切都完美解决Unicode问题。
     预览版没有DBX。我尝试一下安装SQL Direct，异常错误达40多个，看来，还要等待第三方控件解决方案。
    CDS添加了一个XMLData，如果有JSonData数据包格式，呵呵，那该多方便。
     无论如何，D2009还是值得期待。
  
    

        
        



        







        
          
            
            评论这张
          
        


          
            
               D2009感受之一 - yyimen - yyimen的博客
            
            转发至微博
          
        
RealSense RGBD 深度摄像头 D435i 、D455 硬件结构及各个组件原理详解
小秋 AI SLAM 入门实战教程
07-31 5万+
文章目录D435i硬件结构图D435i介绍视角知识补充标准镜头广角镜头长焦镜头广角镜头和长焦镜头的区别主要在于焦距不同、取景范围不同和拍摄对象不同。鱼眼镜头和广角镜头的区别IR Laser Projector 介绍测距方式汇总3D结构光介绍RGB-D相机的TOF工作原理实际应用案例librealsenserealsense-rosD455 D435i 官方链接：https://www.intelrealsense.com/zh-hans/depth-camera-d435i/ 先来看一下实际图片 硬件结构
IPC之十一：使用D-Bus实现客户端向服务端请求服务的实例
whowin
12-29 1985
IPC是Linux编程中一个重要的概念，IPC有多种方式，本IPC系列文章的前十篇介绍了几乎所有的常用的IPC方法，每种方法都给出了具体实例，本文介绍在Linux下IPC的另外一种实现，D-Bus，D-Bus是一种用于进程间通信的消息总线系统，它提供了一个可靠且灵活的机制，使得不同进程之间能够相互通信，本文给出了使用D-Bus进行基本IPC的实例，并附有完整的源代码；本文不适合Linux编程的初学者阅读。
U3D中ShaderForge插件使用系列教程之一
Mantra的专栏
04-11 1万+
各位看官好，今天戳戳为大家介绍一个插件。那就是大名鼎鼎的ShaderForge（以下简称SF），这款插件曾获得UNITE14的最佳技术成就奖。请看戳戳为大家截的图。 那么这是一款什么插件呢，这是一款可视化的Shader编辑器。官方宣称能够让艺术家在不写一行代码的前提下创造出Fantastic（请允许戳戳用这个英语单词来形容这种兴奋）Shader。Shader可以说是游戏行业的高端领域了，
感受LiveData 与 ViewModel结合之美
唯鹿的博客
06-19 5万+
LiveData与ViewModel都是Android官方架构组件（Android Architecture Components）之一。 1.前言 虽说这篇是说LiveData与ViewModel，但是或多或少都有涉及另外一个组件：Lifecycles 。它们连同Room都是在17年谷歌IO大会推出的，当时还是预览版，大致17年底时推出了正式版。到今年的IO大会过后，又增加了许多新成员。...
P3D详细介绍
niumenglong1的博客
07-29 9223
    LastHero3D的基本规则： Keys初始价格是0.0000001ETH 每当你买一个Keys，价格上涨到0.00000001ETH 每当你卖一个Keys，价格下降到0.00000001ETH 每次交易，都有10%的交易额分配给整个平台的已有的Keys持有者 当一个用户的Keys数到达5以后，他会获得一个特殊的地址，当有人通过这个地址购买的时候，该用户能够获得直接获得33%的...
深度学习-感受野与有效感受野
Tc、zyh的博客
11-09 5643
文章目录感受野增加感受野有效感受野与反卷积的区别总结 感受野 卷积核的大小(高度和宽度)定义了一个区域的空间范围，改区域可以被卷积核在每个卷积步骤中修改，因而卷积核的大小称为卷积核的“感受野”。 感受野(receptive field, RF)，卷积神经网络每一层输出的特征图（feature map）上的特征点在原始图像上映射的区域大小，即特征点能“看”到的范围。越高（深）层的特征点描述的原图信息越全面，越能表述语义信息。 神经元之所以无法对原始图像的所有信息进行感知，是因为在卷积神经网络中普遍使用卷积层和
CNN中感受野的计算
zyazky
07-09 1万+
感受野（receptive field）是怎样一个东西呢，从CNN可视化的角度来讲，就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通...
卷积神经网络中感受野的理解和计算
Never-Giveup的博客
10-29 1万+
参考 https://blog.youkuaiyun.com/qq_27825451/article/details/83302662 https://blog.youkuaiyun.com/program_developer/article/details/80958716 https://blog.youkuaiyun.com/SIGAI_优快云/article/details/80743475（卷积神经网络为什么有效） ...
视频行为识别检测综述 IDT TSN CNN-LSTM C3D CDC R-C3D
热门推荐
万有文的博客
06-20 14万+
本文github地址 Video Analysis之Action Recognition(行为识别) 行为识别就是对时域预先分割好的序列判定其所属行为动作的类型，即“读懂行为”。 [行为检测|论文解读]行为检测调研综述 较新 基于Deep Learning 的视频识别技术 科研成果—-中国科学院深圳先进技术研究院 面向人体姿态行为理解的深度学习方法 CVPR 2014 Tut...
如何计算CNN感受野、计算量和模型大小
zhangxu
08-17 4677
下面以最经典的AlexNet模型为例子，计算感受野，模型计算量和大小（内存）。下面这张图是AlexNet的结构图，看起来比较直观。 感受野 感受野是检测和分割任务中比较重要的指标，它是一个逐层叠加的过程，计算到最后一层的卷积特征图输出上，它的计算公式是： RFi=RFi−1+(kernelsize−1)×stride，RF0=1RF_{i}=RF_{i-1}+(kernelsize-1)\tim...
Anchor和目标检测中的理论感受野和实际感受野的关系
pprp的博客
02-22 2953
1. 概念 经典的目标检测如Faster R-CNN, YOLOv3等都用到了Anchor, 怎么设计Anchor每个目标检测方法各不相同。Faster R-CNN中的Anchor有三种形状，三种长宽比，比如形状有[128, 256, 512]三个，长宽比有[1:1, 1:2, 2:1]三种，这样组合就是9个anchor。YOLOv3中的Anchor是通过K-Means聚类得到的。这些基于anch...
论文笔记之C3D（Learning Spatiotemporal Features with 3D Convolutional Networks）
加油
06-26 3902
通过构造了对称的3×3×3卷积核来利用3D卷积学习时空特征，计算效率高。 论文地址：http://vlg.cs.dartmouth.edu/c3d/c3d_video.pdf 1. 摘要 本文提出了一种简单而有效的时空特征学习方法，使用在大规模有监督视频数据集上训练的3D 卷积网络。本文的发现有三个方面： 1）与2D ConvNets相比，3D ConvNets更适合于时空特征学习； 2）一个在所有层都有3 × 3 × 3卷积核的同质结构是3D ConvNets的最佳性能结构； 3）学习到的特征，即C3.
为什么要选择UniDAC？
08-28 452
说到数据集组件，大家也许会首选ADO，然后说BDE太老了，DBX不敢用。其实delphi优秀的数据集组件真不少，除了上诉的数据集组件，还有ZEOSDB、SQL Direct、UniDAC等，要是专业的数据集组件，更是百花盛开，如FIBPLUS、SDAC、ODAC、DOA等等，商业和开源不尽其中！这里只讨论UniDAC和ADO的一些比较。        Delphi能发展到现在，和一些著名的第三方控
\t\tIndy10手动安装示例
08-28 420
indy是一个很好开源的网络通讯套件，覆盖了TCP、HTTP、UDP、SNMP等协议，上百个控件左右。最近的版本为：10.2.3。Remobjects 在5.0.29后也加入了支持这个indy版本。但要替换indy是非常麻烦，原因是，delphi自动携带了低版本的indy，如D7携带了Indy9.X的版本，D2007携带了Indy 10.1.X。我不喜欢用官方自带的安装程序来安装控件，原因是他们喜
FireMonkey 绘图
08-28 417
FMX 的 Canvas 在不同的系统上会分别使用:WinVista、Win7: D2D (FMX.Canvas.D2D.pas)WinXP: GDI+ (FMX.Canvas.GDIP.pas)Mac 系列: Core Graphics (FMX.Canvas.Mac.pas)和 HTML5 中的 Canvas 非常类似, 现在的 Canvas 模糊了 Pen 的概念:之前的 Canvas.Pe
Indy10手动安装示例
08-28 408
indy是一个很好开源的网络通讯套件，覆盖了TCP、HTTP、UDP、SNMP等协议，上百个控件左右。最近的版本为：10.2.3。Remobjects 在5.0.29后也加入了支持这个indy版本。 但要替换indy是非常麻烦，原因是，delphi自动携带了低版本的indy，如D7携带了Indy9.X的版本，D2007携带了Indy 10.1.X。我不喜欢用官方自带的安装程序来安装控件，原因是他们
我们永远优雅，但绝不炫耀：合并BPL包图文教程！
08-28 404
Delphi IDE 本身就是一个插件模式的工具，插件的好处不用多说。运行包的BPL，其实就是众多单元的集合，因此可以再次重新组合，只要你将各个BPL包用到的单元再组合一次！本文以  http://code.google.com/p/tangram-plugin-framework/ 插件框架自带的BPL包合并向导工具做一次图文介绍！ 1、安装好开源插件框架 tangram-plugin后，然后
【原创】Delphi7下的TFlowPanel
08-28 384
TFlowPanel是一个很好的排版容器控件，支持上下左右的紧凑排版。但TFlowPanel是基于D2005之后的控件，D7并没有自带这个控件。我开始以为从D2007将这个控件扒下来很容易，但在编写过程中，发现TComponent这个基类，D7和D2007发生了很大不同，看来D2007的底层RTL发生了不少变化。后来边修改边测试，还是改成了D7版下的TFlowPanel。在设计期可能有点停滞感，但
UniDAC使用 Direct Mode（直连模式）
08-28 362
当你选择Oracle作数据库服务器时，客户端一般需要装一个肥硕的200M左右客户端，而且还要做连接配置，尤其是C/S模式，客户端多的时候非常不便。当然，网上也有一个10M左右的Oracle精简客户端，性能和稳定性和官方版差不多。Oracle还提供了Direct Mode（直连模式），只要你的客户端机子支持TCP/IP协议，完全可以不用安装Oracle客户端及其连接配置。幸运的是，UniDAC也提供
denseaspp感受野
最新发布
03-28
<think>好的，我现在需要帮助用户解答关于DenseASPP模型中感受野计算与实现的问题。首先，我需要回忆一下DenseASPP的基本结构以及它在语义分割中的应用。根据用户提供的引用内容，DenseASPP是为了解决街景语义分割中物体尺度差异大、传统ASPP模块感受野不足的问题而提出的。它通过密集连接不同扩张率的空洞卷积层来生成更密集的多尺度特征。 接下来，用户询问的是感受野的计算和实现细节。我需要先理解感受野的基本概念，即网络中某一层特征图上的一个点所能看到的输入图像的区域大小。然后，结合DenseASPP的结构，分析如何计算经过多个密集连接的空洞卷积层后的感受野。 根据引用[3]和[4]，DenseASPP通过密集连接不同扩张率的层，每个层都会增加感受野，并且这些层的输出会级联起来。因此，计算感受野时需要考虑每个扩张卷积层的扩张率以及它们之间的组合方式。可能需要分步骤计算每一层的感受野，并考虑层间叠加的影响。 此外，用户可能想知道具体的实现细节，比如代码中如何设置扩张率，或者数学上的计算公式。这时候需要参考论文中的方法，可能涉及递归公式或者累积计算的方式。例如，每个新添加的扩张卷积层的扩张率可能基于之前所有层的扩张率之和，如引用[4]提到的扩张率逐渐增大，比如从3,6,12,18,24到更大的数值。 还需要注意，密集连接会导致特征图的通道数增加，但这里用户关注的是感受野，所以重点在扩张率的叠加方式。可能需要使用感受野计算公式：$RF_{l} = RF_{l-1} + (k-1) \times d$，其中$k$是卷积核大小，$d$是扩张率，不过这个公式可能需要调整，或者考虑层之间的叠加顺序。 另外，用户提供的引用中提到DenseASPP通过密集连接生成覆盖更大范围的感受野，因此需要说明如何通过不同扩张率的层逐步扩大感受野，并给出具体的例子，比如每层的扩张率如何设置，以及最终总感受野的计算结果。 最后，可能需要提及实现中的技术细节，比如在代码中如何堆叠这些层，是否使用残差连接，以及如何保持特征图的分辨率不变。同时，结合用户提供的引用[2]和[4]，指出DenseASPP相对于传统ASPP的优势在于更密集的尺度采样和更大的感受野覆盖范围。 总结来说，我需要逐步解释DenseASPP中感受野的计算方法，包括每层的扩张率设置、累积方式，以及具体的实现步骤和公式，同时结合用户提供的引用内容来支持这些解释。</think>### DenseASPP模型感受野计算与实现细节 DenseASPP通过**密集连接不同扩张率的空洞卷积层**实现感受野的逐级扩展。其核心设计是让每个新层的扩张率基于之前所有层的扩张率之和，最终形成覆盖极大范围的感受野[^3][^4]。 --- #### **1. 感受野计算原理** 对于空洞卷积层，感受野计算公式为： $$RF_l = RF_{l-1} + (k-1) \times d_l \times \prod_{i=1}^{l-1} s_i$$ 其中： - $RF_l$：第$l$层的感受野 - $k$：卷积核尺寸（通常为3） - $d_l$：第$l$层的扩张率 - $s_i$：之前层的步长（DenseASPP中步长始终为1） **简化公式**（因步长$s=1$）： $$RF_l = RF_{l-1} + (k-1) \times d_l$$ --- #### **2. DenseASPP实现细节** 以论文中典型结构为例（6层密集连接）： 1. **扩张率设计**： - 第1层：$d_1=3$ - 第2层：$d_2=6$（$3+3$） - 第3层：$d_3=12$（$3+6+3$） - 第4层：$d_4=18$（$3+6+12+...$） - 依此类推，最终扩张率可达$d=300$以上 2. **感受野累积过程**： - 初始层感受野：$RF_0=1$（输入像素） - 第1层：$RF_1=1 + (3-1)\times3=7$ - 第2层：$RF_2=7 + (3-1)\times6=19$ - 第3层：$RF_3=19 + (3-1)\times12=43$ - **最终感受野可达$400\times400$像素级别** --- #### **3. 代码实现关键点** 以PyTorch为例，DenseASPP的堆叠方式： ```python # 扩张率序列示例：3,6,12,18,24,... class DenseASPPBlock(nn.Module): def __init__(self, in_channels, dilation_rates): super().__init__() self.layers = nn.ModuleList() accumulated_dilation = 0 for rate in dilation_rates: # 每个新层的实际扩张率 = 已积累的扩张率 + 当前rate actual_rate = accumulated_dilation + rate layer = nn.Conv2d(in_channels, out_channels, kernel_size=3, dilation=actual_rate, padding=actual_rate) self.layers.append(layer) accumulated_dilation += actual_rate # 更新累积值 ``` --- #### **4. 技术优势** 1. **密集级联**：每个新层的扩张率包含之前所有层的扩张信息，避免感受野跳跃式增长[^3] 2. **覆盖密度**：最终特征包含从局部细节（小扩张率）到全局上下文（大扩张率）的连续尺度特征[^2] 3. **计算效率**：通过密集连接复用中间特征，减少重复计算[^4] --- #### **5. 与传统ASPP对比** | 特性 | ASPP | DenseASPP[^3] | |--------------|-----------------------|---------------------------| | 扩张率组合 | 固定（如1,6,12,18） | 动态累积（3,6,12,24,...） | | 最大感受野 | ~200像素 | >400像素 | | 尺度连续性 | 离散间隔 | 连续密集覆盖 | ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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