最近学习C#网络编程中，想实现网页自动登录并提交GET/POST信息，再实现循环登录不断发送报文给服务器，服务器发送消息给客户端记录能登录的账户和密码，做到后面实现绕过验证码、动态抓取登录位置等，但由于资料很少、进度缓慢，下面这篇文章仅供大家交流阅读。也许你可能看过一篇文章关于C#实现POST提交方式中三种提取网页HT...

描述：ASIHttpRequest是应用第三方库的方法，利用代码快，减少代码量，提高效率 准备工作：一、导入第三方库ASIHttpRequest二、会报很多的错，原因有两个，一个是要导入Xcode中自带的四个文件，一个是他没有使用自动引用计数 三、解决方案 1.导入四个系统文件，分别是&n...

这是根据《C#网络编程实例教程》中学到的知识实现的一个C#网页简单下载器，其中涉及到的知识主要是HTTP协议编程中相关类：HttpWebRequest类、HttpWebResponse类、WebRequest类、WebResponse类、Uri类、WebClient类。通过它们相应的方法实现,这里涉及到了4个新接触的知...

Netperf是一种网络性能的测量工具，主要针对基于TCP或UDP的传输。Netperf根据应用的不同，可以进行不同模式的网络性能测试，即批量数据传输（bulkdatatransfer）模式和请求/应答（request/reponse）模式。Netperf测试结果所反映的是一个系统能够以多快的速度向另外一个系统发送数据...

文|刚子2013.7.1223暂且不说自媒体内容的良莠不齐，只说优质内容持久的产生和提供，好比形容一个作家高质又高产。写手式的自媒体，目前主要是个人为主，按照写手的内容发布频率来看，若非这个人有极大丰富的人生阅历和感悟，同时又拥有极高的知识素养和极强的表达能力（借助文字、图片、音频、视频），假设每天都发布一篇千字以上的...

1.查看时区[root@localhost/]#date-RThu,12Jul201811:27:52+0800+0800表示东八区，这边就不用再设置时区中的CST表示中国标准时间。时区相关共享文件在/usr/share/zoneinfo下，中国一般选择/usr/share/zoneinfo/Asia/Shanghai...

脚本在caffe的python目录里，需要安装pydot，graphviz安装pydot：$sudoapt-getinstallpython-pydot安装graphviz： $sudoapt-getinstallgraphviz 生成的命令行：pythondraw_net.py+网络prototx...

 refinedet只预测4个层,并且只有conv6_1、conv6_2,没有ssd中的conv7、8、9refinedet的4个层都只有1个aspectratio和1个min_size,所以每层每个点只有3个anchor,arm中做location的conv4_3_norm_mbox_loc等层都是3*4个...

总结说来prior_box层只完成了一个提取anchor的过程,其他与gt的match,筛选正负样本比例都是在multibox_loss_layer完成的 http://www.360doc.com/content/17/0810/10/10408243_678091430.shtml 1.以mob...

name:"vgg_1/8"layer{name:"data"type:"AnnotatedData"top:"data"top:"label"include{phase:TRAIN}transform_param{mirror:truemean_value:104.0mean_value:117.0mean_valu...

一个batch下所有的图片一起经过整个网络，不是说一张图片经过网络后再让下一张进入网络，这样一个batch一起通过网络计算速度比一张一张这样快...

 这是rpn网络train阶段的网络结构图rpn_conv1之前的网络是特征提取层，也是和fastrcnn共享的层。rpn_conv1是一层1*1的卷积，这一层是单独为rpn网络多提取一层特征，这一层之后就接两个输出channel层不同的1*1的卷积（即分别进行score的预测和坐标补偿值的预测），这样保证f...

注意：snapshots和weights不能同时使用用预训练模型进行finetune是以下命令：./build/tools/caffetrain--solver=examples/XXX/lenet_solver.prototxt-weightsexamples/models/finetuning.caffemodel...

在使用fastrcnn以及fasterrcnn做检测任务的时候，涉及到从图像的roi区域到featuremap中roi的映射，然后再进行roi_pooling之类的操作。比如图像的大小是（600,800），在经过一系列的卷积以及pooling操作之后在某一个层中得到的featuremap大小是（38,50），那么在原图...

从RFCN来看，Resnet-50和Resnet-101到最后一层卷积都是缩小到原来尺寸的16分之一，并且都用的7x7的格子去roipooling。  看paper可以知道：resnet-50核心是由3个conv2_x（3个卷积层），4个conv3_x（3个卷积层），6个conv4_x（3个卷积层）...