CVPR2024自动驾驶轨迹预测方向的论文整理
2024年自动驾驶轨迹预测方向的论文汇总
1、Producing and Leveraging Online Map Uncertainty in Trajectory Prediction
论文地址:https://arxiv.org/pdf/2403.16439
提出针对在线地图不确定性带给轨迹预测的影响对应的解决方案。
在轨迹预测中,利用在线地图不确定性是一个重要的课题。随着位置数据的增加和地图更新的频率加快,准确地处理这些不确定性变得至关重要。以下是一些关键步骤:
- 收集数据:首先,需要收集大量的位置数据,并确保这些数据来自可靠的来源。
- 构建地图模型:使用收集到的数据来构建地图模型。这可能涉及到使用机器学习算法来识别模式并生成预测。
- 处理不确定性:考虑到地图更新的频率,必须考虑如何处理不确定性。一种方法是使用概率分布来表示每个位置点的不确定性。
- 集成实时更新:为了保持准确性,需要将实时更新集成到模型中。这可以通过定期更新地图模型来实现。
- 评估性能:最后,对模型进行评估以确保其在实际应用中的有效性。可以使用各种指标来衡量模型的性能,例如平均绝对误差(MAE)或均方根误差(RMSE)。
通过这些步骤,我们可以有效地利用在线地图的不确定性来提高轨迹预测的准确性。
2、CaDeT: a Causal Disentanglement Approach for Robust Trajectory Prediction in Autonomous Driving
论文:https://openaccess.thecvf.com/content/CVPR2024/papers/Pourkeshavarz_CaDeT_a_Causal_Disentanglement_Approach_for_Robust_Trajectory_Prediction_in_CVPR_2024_paper.pdf
CaDeT的核心思想是通过因果分解来分离出环境因素对轨迹预测的影响,并将其从预测模型中剔除从而训练一个自动适应新环境的轨迹预测模型。
实验数据集:AV2,无代码公开
3、Adapting to Length Shift: FlexiLength Network for Trajectory Prediction
论文:https://arxiv.org/pdf/2404.00742
篇论文主要关注的是如何解决轨迹预测任务中长度变化的问题,通过引入一个长度控制模块来实现的,该模块可以根据输入轨迹的长度动态地生成一个长度向量,用于指导后续的预测过程。
数据集:nuScenes, AV1,base model:HiVT,下图为HiVT使用了他的方案后的涨点:
4、HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention
论文地址:https://arxiv.org/pdf/2404.06351
代码地址:https://github.com/XiaolongTang23/HPNet
该论文介绍了一种名为 HPNet 的新方法,它利用历史预测注意力来提高轨迹预测的准确性。传统的轨迹预测模型通常只考虑当前时刻的环境信息,而忽视了之前预测的历史信息。然而,HPNet 引入了一个历史预测注意力机制,使得模型能够更好地利用先前的预测结果来指导后续的预测过程。
具体来说,HPNet 包含以下几个关键步骤:首先,需要收集大量的位置数据,并确保这些数据来自可靠的来源。其次使用收集到的数据来训练一个能够产生更准确预测的模型。在这个过程中,引入历史预测注意力机制。
然后使用历史预测注意力机制来训练模型,使其能够更好地利用先前的预测结果来指导后续的预测过程。最后,对模型进行评估以确保其在实际应用中的有效性。可以使用各种指标来衡量模型的性能,例如平均绝对误差(MAE)或均方根误差(RMSE)。通过这些步骤,HPNet 提供了一种新的方法来提高动态轨迹预测的准确性和鲁棒性。
实验数据集:Argoverse1
代码地址:https://github.com/XiaolongTang23/HPNet
论文地址:https://arxiv.org/pdf/2404.06351
实验结果:数据集:AV1
5、DAMM:Density-Adaptive Model Based on Motif Matrix for Multi-Agent Trajectory Prediction
论文地址:https://openaccess.thecvf.com/content/CVPR2024/papers/Wen_Density-Adaptive_Model_Based_on_Motif_Matrix_for_Multi-Agent_Trajectory_Prediction_CVPR_2024_paper.pdf
技术文档:https://openaccess.thecvf.com/content/CVPR2024/supplemental/Wen_Density-Adaptive_Model_Based_CVPR_2024_supplemental.pdf
实验数据集:nuScenes Argoverse
这篇论文主要探讨如何通过基于模式矩阵的密度自适应模型来实现多代理轨迹预测,模式矩阵是一种用于表示道路用户之间相互作用关系的数据结构, 它能够捕捉到不同道路用户之间的复杂交互行为,例如跟随、并行行驶等。DAM能够根据当前场景中的道路用户密度动态调整其内部参数,从而提高预测准确性。
6、MATRIX: Multi-Agent Trajectory Generation with Diverse Contexts
轨迹生成方向相关。该论文的主要思想是提出一种新的方法来生成具有丰富上下文信息的多智能体轨迹。
论文地址:https://arxiv.org/pdf/2403.06041v1
7、SeNeVA:Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture
论文地址:https://arxiv.org/pdf/2404.03789
是一篇关于运动预测中不确定性度量的论文。该论文的主要思想是提出了一种基于变分贝叶斯混合模型(Variational Bayesian Mixture, VBM)的方法来量化运动预测中的不确定性。传统的运动预测方法往往假设预测结果是确定性的,即预测结果只有一个确定的值。然而,在实际应用中,我们经常需要面对各种不确定因素,比如传感器噪声、模型误差等,这些都会导致预测结果存在一定的不确定性。因此,准确地量化并表达这种不确定性对于运动预测系统的可靠性和安全性至关重要。
论文中提出的 VBM 方法通过引入贝叶斯统计学的思想,将预测结果视为由多个潜在状态组成的混合分布。每个潜在状态对应着一种可能的运动模式,而混合系数则反映了不同模式的概率大小。这样,我们就可以通过计算混合系数来衡量预测结果的不确定性。
具体来说,VBM 方法首先构建了一个包含多个潜在状态的混合模型,然后利用变分贝叶斯技术对模型参数进行优化。优化过程中,不仅考虑了数据的似然函数,还考虑了模型的复杂度惩罚项,以避免过度拟合。最终,通过分析混合系数的分布情况,我们可以得到一个概率分布图,直观地展示出预测结果的不确定性。
实验结果在多个数据集上验证(包括AV2),效果优于DenseTNT,Forecast-MAE
8、Continual Learning for Motion Prediction Model via Meta-Representation Learning and Optimal Memory Buffer Retention Strategy
论文地址:https://openaccess.thecvf.com/content/CVPR2024/papers/Kang_Continual_Learning_for_Motion_Prediction_Model_via_Meta-Representation_Learning_and_CVPR_2024_paper.pdf
实验数据集:nuScenes
该论文的主要思想是提出了一种结合元表示学习和最优记忆缓冲区保留策略的连续学习方法。
传统的运动预测模型通常假设训练数据集是静态不变的,然而在现实世界中,我们经常需要处理不断变化的数据流。这就要求我们的模型能够适应新的数据分布,同时保持对之前数据的有效记忆。因此,我们需要引入连续学习的概念,即在模型训练过程中,允许新数据的加入并更新模型参数,同时保留对之前数据的记忆。
9、SmartRefine: A Scenario-Adaptive Refinement Framework for Efficient Motion Prediction
论文:https://arxiv.org/pdf/2403.11492
代码:https://github.com/opendilab/SmartRefine/
论文解读:论文解读
该论文的主要思想是提出了一种场景自适应的精炼框架,通过分析当前的传感器数据或者历史数据,对当前所处的场景进行识别,针对不同的场景,选择最适合的预测策略,对于每个场景,采用不同的精炼算法来进一步优化预测结果。这些算法可以包括但不限于卡尔曼滤波、粒子滤波等,为了持续改进预测性能,论文还提出了一种反馈机制。即当新的数据到来时,不仅会更新当前的预测结果,还会将这些新数据加入到训练集中,用于后续的场景识别和策略选择。
模型框架:
实验结果:
10、Generalized Predictive Model for Autonomous Driving 框架级别 目前线上预测架构设计可以关注
论文:https://arxiv.org/pdf/2403.09630
数据集:kitti,waymo, nuScenes
该论文的主要思想是提出了一种通用的预测模型,旨在为自动驾驶系统提供更准确、可靠的预测能力。前期数据预处理,然后进入模型选择与训练:根据具体的预测任务,选择合适的预测模型进行训练。这些模型可以包括但不限于回归模型、分类模型、强化学习模型等。
集成学习:为了进一步提高预测性能,论文还提出了一种集成学习的方法。即将多个不同的预测模型组合起来,形成一个更为强大的整体模型。
11、Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations
论文地址:https://arxiv.org/pdf/2403.13261
无监督的方法,可解决标注数据没有或者很少的问题.
数据集:nuScenes
该论文的主要思想是提出了一种无监督的、类别的泛化能力更强的运动预测方法,并且通过空间和时间一致性正则化来进一步提升预测精度。
数据增强:首先,通过对原始数据进行随机变换(如旋转、平移、缩放等),生成一系列的伪标签数据。
预测模型训练:然后,使用这些伪标签数据来训练一个运动预测模型。值得注意的是,这里的预测模型并不直接预测车辆的具体类别(如汽车、自行车等),而是预测车辆的运动状态(如位置、速度等)。
空间一致性正则化:为了保证预测结果在空间上的连续性,论文引入了空间一致性正则化。简单来说,就是要求相邻时刻的预测结果在空间上应该尽可能接近。
时间一致性正则化:同样地,为了保证预测结果在时间上的连续性,论文还引入了时间一致性正则化。即要求相邻时刻的预测结果在时间上也应该尽可能接近。
预测结果评估:最后,通过一些标准的评估指标(如均方误差、平均绝对误差等)来评估预测结果的质量。
12、MoST: Multi-Modality Scene Tokenization for Motion Prediction
论文:https://arxiv.org/pdf/2404.1953
端到端的,场景分块,运动预测,效果优于MultiPath++, MTR, 数据集:WOMD
该论文介绍了一种名为 MoST 的新方法,用于运动预测。
传统的运动预测模型往往只关注单个传感器的数据,而忽略了其他可用的信息源。MoST 则引入了多模态场景分割的概念,将来自多个传感器的数据整合起来,从而提高了预测的准确性。具体来说,MoST 包含以下几个关键步骤:
- 数据收集:首先,需要收集多种类型的传感器数据,例如摄像头图像、雷达点云等。
- 建立模型:使用收集到的数据来训练一个能够产生更准确预测的模型。在这个过程中,引入多模态场景分割的概念。
- 训练模型:使用多模态场景分割的概念来训练模型,使其能够更好地利用来自多个传感器的数据来指导运动预测。
-评估性能:最后,对模型进行评估以确保其在实际应用中的有效性。可以使用各种指标来衡量模型的性能,例如平均绝对误差(MAE)或均方根误差(RMSE)。
通过这些步骤,MoST 提供了一种新的方法来提高运动预测的准确性和鲁棒性。
相关文章:
CVPR2024自动驾驶轨迹预测方向的论文整理
2024年自动驾驶轨迹预测方向的论文汇总 1、Producing and Leveraging Online Map Uncertainty in Trajectory Prediction 论文地址:https://arxiv.org/pdf/2403.16439 提出针对在线地图不确定性带给轨迹预测的影响对应的解决方案。 在轨迹预测中,利用在…...
数据结构——队列练习题
在C语言中,.和->运算符用于访问结构体的成员变量。它们之间的区别在于:.运算符用于访问结构体变量的成员。->运算符用于访问结构体指针变量的成员 1a(rear指向队尾元素后一位,判空判满时牺牲一个存储单元) 首先…...
PLL和CDR的内部结构及其区别
比较PLL和CDR的内部结构及其区别: 基本结构: PLL(相位锁定环): 相位检测器环路滤波器压控振荡器(VCO)分频器(可选,用于频率合成) CDR(时钟数据恢复…...
HarmonyOS APP应用开发项目- MCA助手(Day02持续更新中~)
简言: gitee地址:https://gitee.com/whltaoin_admin/money-controller-app.git端云一体化开发在线文档:https://developer.huawei.com/consumer/cn/doc/harmonyos-guides-V5/agc-harmonyos-clouddev-view-0000001700053733-V5注:…...
华为交换机 LACP协议
华为交换机支持的LACP协议,即链路聚合控制协议,是一种基于IEEE 802.3ad标准的动态链路聚合与解聚合的协议。它允许设备根据自身配置自动形成聚合链路并启动聚合链路收发数据。 在LACP模式下,链路聚合组能够自动调整链路聚合,维护…...
node 下载文件到网络共享目录
1、登录网络共享计算器 2、登录进入后复制要存储文件的目录路径 例如: \\WIN-desktop\aa\bb\cc 3、node 下载后写入网络共享目录 注意(重要):在使用UNC路径时,请确保你正确转义了反斜杠(使用两个反斜杠来表示一个&…...
STM32基础知识
一.STM32概述 第一款STM32单片机发布的时间为2007年6月11日。由意法半导体(ST)公司推出,是STM32系列中的首款产品,具体型号为STM32F1,它是一款基于Cortex-M内核的32位微控制器(MCU)。 STM32F1…...
安装docker版rabbitmq 3.12
本文介绍在Ubuntu22中安装docker版rabbitmq 3.12。 一、拉取镜像 docker pull rabbitmq:3.12.14-management二、创建数据目录和docker-compose文件 创建目录: cd /root mkdir rabbitmq-docker cd rabbitmq-docker mkdir data chmod 777 data创建docker-compose配…...
c++重定向输出和输出(竞赛讲解)
1.命令行重定向 在命令行中指定输出文件 指令 .\重定向学习.exe > 1.txt 效果 命令行输入和输出 指令 .\重定向学习.exe < 2.txt > 1.txt 效果 代码 #include<bits/stdc++.h> using namespace std; int n; int main(){cin>>n;for(int i=0;i<n;i…...
实在智能对话钉钉:宜搭+实在Agent,AI时代的工作方式
比起一个需求需要等产品、技术排期,越来越多的人开始追求把自己武装成「全能战士」,通过低代码工具一搭,一个高效的工作平台便产生了。 宜搭是钉钉自研的低代码应用构建平台,无论是专业开发者还是没有代码基础的业务人员…...
MySQL的Docker部署方式
说明:Docker部署MySQL主要是简单快速,不会对电脑系统造成污染。假如你的本地没有Docker,或者你不会使用Docker,则使用PyCharm去启动MySQL,或者直接在本机安装MySQL都是可以的。最重要的是,你要有一个MySQL环境…...
光伏电站数据采集方案(基于工业路由器部署)
一、方案概述 本方案采用星创易联SR500工业路由器作为核心网关设备,实现对光伏电站现场数据的实时采集、安全传输和远程监控。SR500具备多接口、多功能、高可靠性等特点,能够满足光伏电站数据采集的各种需求。(key-iot.com/iotlist/sr500…...
一文让你彻底搞懂什么是CDN
一、引言 在当今互联网时代,网站的加载速度和稳定性是用户体验的关键因素之一。而CDN(Content Delivery Network,内容分发网络)作为提升网站性能的重要技术手段,受到了广泛的关注和应用。本篇博客将深入探讨CDN的工作…...
1023记录
米哈游二面 自动化测试中自动化驱动的能力? pytest的驱动能力: 1,自动发现测试用例:以"test_"开头的Python文件、以"Test"开头的类和以"test_"开头的函数,将它们识别为测试用例 2&…...
【并发编程JUC】AQS详解
定义理解 AQS,全称为AbstractQueuedSynchronizer,是Java并发包(java.util.concurrent)中的一个框架级别的工具类,用于构建锁和同步器。它是许多同步类的基础,如ReentrantLock、Semaphore、CountDownLatch等…...
如何找BMS算法、BMS软件的实习
之前一直忙,好久没有更新了,今天就来写一篇文章来介绍如何找BMS方向的实习,以及需要具备哪些条件,我的实习经历都是在读研阶段找的,读研期间两段的实习经历再加上最高影响因子9.4分的论文,我的秋招可以说是…...
AR视频技术与EasyDSS流媒体视频管理平台:打造沉浸式视频体验
随着增强现实(AR)技术的飞速发展,其在各个领域的应用日益广泛。这项技术通过实时计算摄影机影像的位置及角度,将虚拟信息叠加到真实世界中,为用户带来超越现实的感官体验。AR视频技术不仅极大地丰富了我们的视觉体验&a…...
每天一个数据分析题(三百九十九)- 逻辑回归
逻辑回归中,若选0.5作为阈值区分正负样本,其决策平面是( ) A. wxb= 0 B. wxb= 1 C. wxb= -1 D. wxb= 2 数据分析认证考试介绍:点击进入 题目来源于CDA模拟题库 点…...
【ARMv8/v9 GIC 系列 5.2 -- GIC 分组介绍:Group 0 |Group 1| Non-Secure Group 1】
请阅读【ARM GICv3/v4 实战学习 】 文章目录 GIC Interrupt grouping中断分组配置寄存器GIC 中断分组介绍Group 0(安全组0)Group 1(安全组1)Non-Secure Group 1(非安全组1)总结及例子GIC Interrupt grouping ARM GICv3 通过中断分组机制,与ARMv8异常模型和安全模型进行…...
前端代码规范 - 日志打印规范
在前端开发中,随着项目迭代升级,日志打印逐渐风格不一,合理的日志输出是监控应用状态、调试代码和跟踪用户行为的重要手段。一个好的日志系统能够帮助开发者快速定位问题,提高开发效率。本文将介绍如何在前端项目中制定日志输出规…...
C# 类型转换之显式和隐式
文章目录 1、显式类型转换2. 隐式类型转换3. 示例4. 类型转换的注意事项5. 类型转换的应用示例总结 在C#编程中,类型转换是一个核心概念,它允许我们在程序中处理不同类型的数据。类型转换可以分为两大类:显式类型转换(Explicit Ca…...
Ubuntu多显示器设置不同缩放比例
Ubuntu多显示器设置不同缩放比例 设备问题解决方案 设备 笔记本屏幕分辨率为2560 \times 1600,外接显示器的分辨率为3840 \times 2160。 问题 Ubuntu默认的显示器设置中,缩放仅能选择100%,200%,300%,400%。假…...
以太网协议介绍——UDP
注:需要先了解一些以太网的背景知识,方便更好理解UDP协议、 以太网基础知识一 以太网基础知识二 UDP协议 UDP即用户数据报协议,是一种面向无连接的传输层协议,属于 TCP/IP 协议簇的一种。UDP具有消耗资源少、通信效率高等优点&a…...
FFMpeg rtmp 无压缩推送本地yuv文件 压缩推送本地yuv文件
可以借鉴的:C使用FFmpeg实现YUV数据编码转视频文件_C 语言_脚本之家 yuv文件下载地址:YUV Sequences 无压缩的方式推送本地yuv文件 代码: #include <stdio.h> #include <unistd.h> #include <iostream> extern "C&…...
PostgreSQL LIMIT 子句
PostgreSQL LIMIT 子句 PostgreSQL 是一种功能强大的开源对象关系数据库管理系统,广泛用于各种应用中。在处理大量数据时,我们通常只需要检索部分记录,而不是整个数据集。这时,LIMIT 子句就变得非常有用。本文将详细介绍 Postgre…...
误删分区后的数据拯救:双管齐下恢复策略
在数字化时代,数据的价值日益凸显,而误删分区作为常见的数据安全威胁之一,常常让用户措手不及。本文将深入探讨误删分区的现象,并为您揭示两种高效的数据恢复方案,旨在帮助您在最短时间内找回失去的数据,同…...
git 添加本地分支, clean
//以develop为源创建本地分支fromdevelop git checkout -b fromdevelop git add . git commit -m "local" git checkout -b local/dev //切换到远程分支. git checkout dev git clean_git clean -f -d-CSDN博客 git clean -f -d #删除当前目录下没有被track…...
Linux:进程间通信(一.初识进程间通信、匿名管道与命名管道、共享内存)
上次结束了基础IO:Linux:基础IO(三.软硬链接、动态库和静态库、动精态库的制作和加载) 文章目录 1.认识进程间通信2.管道2.1匿名管道2.2pipe()函数 —创建匿名管道2.3匿名管道的四种情况2.4管道的特征 3.基于管道的进程池设计4.命…...
QML-各类布局
Colunm布局 Column{id:colspacing: 30Repeater{id:repmodel: ListModel{}Button{width: 100height: 50text: "btn"index}}//开始时候移动move: Transition {NumberAnimation { properties: "x,y"; easing.type: Easing.OutBounce }}//添加时变化add:Transi…...
el-table封装点击列筛选行数据功能,支持筛选,搜索,排序功能
数据少的话,可以前端实现,如果多的话,建议还是请求接口比较合理父组件: <template> <div class"home"> <!-- <img alt"Vue logo" src"../assets/logo.png"> <HelloWorld …...
【SpringBoot3学习 | 第1篇】SpringBoot3介绍与配置文件
文章目录 前言 一. SpringBoot3介绍1.1 SpringBoot项目创建1. 创建Maven工程2. 添加依赖(springboot父工程依赖 , web启动器依赖)3. 编写启动引导类(springboot项目运行的入口)4. 编写处理器Controller5. 启动项目 1.2 项目理解1. 依赖不需要写版本原因2. 启动器(Starter)3. Sp…...
SpringBoot整合Dubbo的快速使用教程
目录 一、什么是Dubbo? 二、SpringBoot整合Dubbo 1、父工程引入依赖 2、各个Dubbo服务子模块引入依赖 3、服务提供者 (1)启动类添加注解EnableDubbo (2)服务类添加注解DubboService (3)配置文件…...
昇思25天学习打卡营第12天| 基于MindNLP+MusicGen生成自己的个性化音乐
之前都是看图文类的东西,今天体验一点不一样的。来点听力的内容。 mindspore有音乐生成模型MusicGen,MusicGen支持两种生成模式:贪心(greedy)和采样(sampling)。在实际执行过程中,采…...
代理设计模式和装饰器设计模式的区别
代理设计模式: 作用:为目标(原始对象)增加功能(额外功能,拓展功能) 三种经典应用场景: 1:给原始对象增加额外功能(spring添加事务,Mybatis通过代理实现缓存功能等等) 2:远程代理(网络通信,输出传输(RPC,D…...
[Microsoft Office]Word设置页码从第二页开始为1
目录 第一步:设置页码格式 第二步:设置“起始页码”为0 第三步:双击页码,出现“页脚”提示 第四步:选中“首页不同” 第一步:设置页码格式 第二步:设置“起始页码”为0 第三步:双…...
【C++】日期类
鼠鼠实现了一个日期类,用来练习印证前几篇博客介绍的内容!! 目录 1.日期类的定义 2.得到某年某月的天数 3.检查日期是否合法 4.(全缺省)构造函数 5.拷贝构造函数 6.析构函数 7.赋值运算符重载 8.>运算符重…...
力扣热100 滑动窗口
这里写目录标题 3. 无重复字符的最长子串438. 找到字符串中所有字母异位词 3. 无重复字符的最长子串 左右指针left和right里面的字符串一直是没有重复的 class Solution:def lengthOfLongestSubstring(self, s: str) -> int:# 左右指针leftright0ans0#初始化结果tablecolle…...
三万字带你一遍跑通uer
三万字带你一遍跑通uer 参考文档 今天给大家介绍个非常强大的项目uer,集成了许多可以做自然语言的东西,效果的话也非常好,很适合企业级的应用! 1. 先将项目uer从github拉取下来(zip或git都ok) 2. 用pycha…...
Ubuntu24.04LTS基础软件下载
librewolf: deb文件link 作用:访问github,无痕浏览,这个速度,不指望了 vscodium: 从deb安装,ubuntu sudo dpkg -i xxx.debpaste-image 插件替代 markdown wps: libreoffice: 替换USTC源 sudo nano /etc/apt/sourc…...
SQLAlchemy配置连接多个数据库
1.定义配置项 首先定义两个数据库的配置信息 # PostgreSQL database configuration DB_USERNAMEpostgres DB_PASSWORDpassord DB_HOST127.0.0.1 DB_PORT5432 DB_DATABASEtest# mysql database configuration DB_USERNAME_MYSQLroot DB_PASSWORD_MYSQLpassword DB_HOST_MYSQL127…...
NLP+LLM从入门到精通系列
NLPLLM从入门到精通系列 前言:笔者从事于NLPLLM的对话智能机器人的相关行业,现在的大模型的技术日新月异,传统的NLP业务显然是要被淘汰的,那么这也是我着笔写这一系列文章的初衷。本系列将由浅到深,结合实际代码案例&…...
用数组手搓一个小顶堆
堆默认从数组下标为1开始存储。 const int N201000; int heap[N]; int len; 插入操作: 将元素插入到堆的末尾位置向上调整。 void up(int k){while(k>1&&heap[k/2]>heap[k]){swap(heap[k],heap[k/2]);k/2;} } //len为当前存在元素长度 void Inser…...
【Linux开发】基于ALSA库实现音量调节
基于ALSA库实现音量调节 ALSA库实现音量调节1、使用alsamixer工具查看音频接口2、完整代码2.1、snd_mixer_open2.2、snd_mixer_attach、2.3、snd_mixer_selem_register2.4、snd_mixer_load2.5、snd_mixer_first_elem/snd_mixer_elem_next2.6、snd_mixer_selem_get_playback_vol…...
代理IP在未来将面临哪些挑战?
今天我们来聊聊代理IP在未来可能会面临的挑战。虽然代理IP技术目前应用广泛,但随着科技的发展和网络环境的变化,代理IP也将面临一些新的挑战。让我们一起来看看这些挑战是什么吧! 1. 更严格的网络封锁和检测 现代社会各行各业都在飞速发展&…...
FineBI在线学习资源-数据处理
FineBI在线学习资源汇总: 学习资源 视频课程 帮助文档 问答 数据处理学习文档: 相关资料: 故事背景概述-https://help.fanruan.com/finebi6.0/doc-view-1789.html 基础表处理-https://help.fanruan.com/finebi6.0/doc-view-1791.html …...
【代码随想录算法训练营第37期 第四十五天 | LeetCode198.打家劫舍、213.打家劫舍II、337.打家劫舍III】
代码随想录算法训练营第37期 第四十五天 | LeetCode198.打家劫舍、213.打家劫舍II、337.打家劫舍III 一、198.打家劫舍 解题代码C: class Solution { public:int rob(vector<int>& nums) {if (nums.size() 0) return 0;if (nums.size() 1) return num…...
Elasticsearch查询上下文和_source
查询上下文 {"took": 1,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": {"value": 1,"relation"…...
golang实现网卡流量监控
获取当前时刻一分钟前的网卡流量排序 package mainimport ("fmt""github.com/mackerelio/go-osstat/network""log""net/http""sort""strconv""time" )var arr []map[string]int var arr2 []map[string]…...
技术分享:直播平台如何开发并接入美颜SDK
本篇文章,笔者将分享直播平台如何开发并接入美颜SDK的技术细节与步骤。 一、选择合适的美颜SDK 首先,选择一款适合的美颜SDK非常重要。市面上有很多优秀的美颜SDK供应商,选择时应考虑以下因素: 功能丰富性:支持美白…...
左耳听风_114_113_Go编程模式修饰器
你好,我是陈浩,我名多尔多house.之前呢我写过一篇文章叫做python修饰器的函数式编程。 那这种模式呢可以很轻松的把一些函数啊装配到另外一些函数上。 让你的代码呢更加简单,也可以让一些小功能性的代码复用性更高。 让代码中的函数呢可以…...