当前位置： 首页 > article >正文

基于掩码自编码器的可扩展视觉学习者

article 2025/3/19 17:40:43

【摘要】

论文摘要总结：

本文提出了一种名为Masked Autoencoder (MAE)的自监督视觉学习方法，该方法通过简单且高效的方式显著提升了视觉模型的学习能力。MAE的主要特点包括：

  1. 模型架构：MAE通过掩码图像的一部分并尝试重建完整图像来进行学习。具体来说，它采用了不对称的编码器-解码器架构，其中编码器仅作用于可见的图像块，而解码器则重建整个图像，包括掩码的图像块。通过这种方式，MAE能够在训练过程中使用大量的掩码图像块，从而提高了模型的泛化能力。

  2. 关键设计：MAE采用了两种核心设计：首先，它引入了一个具有不同宽度的轻量级解码器，用于从编码后的特征和掩码信息重建图像；其次，它发现掩码输入图像的高比例（例如，75%）可以产生有意义的自监督任务，从而加速并提高了模型的训练效率和准确性。

  3. 性能表现：在ImageNet数据集上的实验表明，MAE能够训练出高性能的视觉模型，如ViT-Huge，其在仅使用ImageNet-1K数据的情况下取得了87.8%的准确率，超过了所有使用相同数据集的方法。此外，MAE在下游任务（如目标检测、实例分割和语义分割）上的表现也优于传统的监督预训练方法。

  4. 灵活性与可扩展性：MAE的设计灵活且可扩展，可以应用于不同的视觉任务，并且可以通过调整掩码比例和模型结构来进一步优化性能。实验结果还表明，MAE在减少数据增强的同时仍能保持良好的性能，这为大规模模型的训练提供了新的方法。

总之，MAE为视觉学习提供了一种简单且高效的自监督学习框架，可以通过减少数据需求和提高模型性能来简化大规模视觉模型的训练过程。

【数据来源】

该论文《Masked Autoencoders Are Scalable Vision Learners》探讨了掩蔽自编码器（MAE）作为计算机视觉领域可扩展的自监督学习者的应用。主要数据来源包括ImageNet-1K数据集以及通过掩蔽策略生成的随机图像片段。以下是具体的数据来源总结：

数据集

  • ImageNet-1K: 该论文主要使用ImageNet-1K训练数据集进行模型的预训练和微调。ImageNet-1K包含1000个类别，每个类别有大约1000张图像，共约128万张图像。

生成数据

  • 掩蔽策略: 论文使用掩蔽策略随机遮挡输入图像的随机块。例如，遮挡75%的图像块。这种方法通过不直接使用标注数据，而是通过自编码器重建图像来学习图像表示。
  • 训练阶段: 在预训练阶段，使用遮挡的图像块来训练模型。在微调阶段，使用完整的图像进行分类任务。

具体实验

  • 掩蔽比例: 实验中使用了不同的掩蔽比例（如75%、85%、95%），以观察不同掩蔽比例对模型性能的影响。
  • 微调设置: 在微调时，使用不同的微调策略，如冻结部分层或微调多层，以评估模型的泛化能力。

数据增强

  • 数据增强: 实验中还评估了不同数据增强方法（如随机裁剪、颜色抖动）对模型性能的影响。

模型微调

  • 预训练和微调: 通过将预训练的MAE模型用于微调，论文评估了不同模型大小和微调策略对最终性能的影响。

总之，该论文主要依赖于ImageNet-1K数据集，并通过掩蔽策略生成的随机图像片段进行模型训练和评估。这些数据和方法为研究掩蔽自编码器提供了坚实的基础。

【模型架构】

论文模型架构总结：Masked Autoencoders Are Scalable Vision Learners

核心思想：

  • 使用遮蔽自编码器（Masked Autoencoders, MAE）作为计算机视觉的可扩展自监督学习方法。
  • MAE的基本设计包括两个主要部分：非对称的编码器-解码器架构和高比例的图像遮蔽。

模型架构：

  1. 遮蔽自编码器的架构：

    • 编码器：仅处理可见部分的图像块，不使用遮蔽标记。
    • 解码器：轻量级，用于从潜在表示和遮蔽标记重建图像。
    • 遮蔽标记：在编码器之后引入，用于指示缺失的部分。

  2. 遮蔽设计：

    • 高比例的图像遮蔽（例如75%）可以生成有意义的自监督任务。
    • 这一设计使得模型可以在训练过程中加速（提高3倍以上）并改进准确性。

  3. 具体实现：

    • 图像分割：将图像分割成规则的非重叠块，随机遮蔽一部分块。
    • 编码器：仅处理可见块，不使用遮蔽标记。
    • 解码器：轻量级，用于重建完整的图像。
    • 遮蔽标记：不使用，简化训练过程。

  4. 训练过程：

    • 预训练：使用遮蔽的图像块进行自编码训练。
    • 微调：将预训练的编码器应用于完整的未损坏图像进行识别任务。

性能结果：

  • ImageNet-1K：使用仅ImageNet-1K数据训练，MAE获得87.8%的准确率，优于其他使用相同数据的方法。
  • 下游任务迁移学习：在目标检测、实例分割和语义分割等任务中，预训练的MAE比监督预训练取得更好的结果。

对比与优势：

  • 与传统自编码器：MAE在处理高比例遮蔽的情况下，能够加速训练并减少计算成本。
  • 与转移学习：在目标检测、实例分割和语义分割任务中，MAE预训练优于监督预训练，且具有显著的性能提升。
  • 与BEiT：MAE在准确性和速度上优于BEiT，且不需要额外的dVAE预训练。

主要贡献

  • 简单且高效的架构：MAE通过遮蔽大比例图像块，简化了训练过程，提高了模型的可扩展性。
  • 广泛的适用性：MAE不仅适用于分类任务，还能应用于目标检测和语义分割等下游任务，显示出良好的迁移学习能力。
  • 性能表现：在ImageNet-1K数据集上，MAE取得了显著的性能提升，尤其是在大规模模型上。

通过这些设计和实现，MAE提供了一种简单有效的自监督学习方法，适用于计算机视觉任务，并且具有良好的可扩展性和迁移学习能力。

【创新点】

该论文提出了一种名为Masked Autoencoders (MAE)的方法，作为计算机视觉领域的自监督学习方法。以下是该论文的几个创新点总结：

  1. 简单而有效的自监督学习方法：MAE通过掩蔽输入图像的随机块并重建缺失像素来实现，这是一种简单而有效的方法。它通过将编码器应用于可见块，引入掩码令牌，并通过轻量级解码器重建完整图像来进行训练。

  2. 高效的训练策略：MAE采用不对称的设计，使得编码器仅处理可见块，而解码器可以重建所有块，包括掩码块。这种方法使得训练可以使用较高比例的掩码（如75%），从而在保持高准确率的同时大大减少了训练时间。

  3. 广泛的适用性和模型规模：通过MAE训练，可以有效地训练大规模模型（如ViT-Huge），在使用ImageNet-1K数据的情况下，达到最高的准确率（87.8%），并且在下游任务中表现出色，优于监督预训练方法。

  4. 灵活的设计：MAE的解码器可以灵活设计，包括不同的深度和宽度，表明其具有高度的灵活性和适应性。此外，MAE在不需要特殊数据增强的情况下也能表现良好，为自监督学习方法的广泛应用提供了新的可能性。

  5. 大规模模型的加速和简化：通过MAE，可以使用更少的计算资源训练大规模模型，同时保持高性能。这种方法还简化了模型的训练过程，减少了训练所需的参数和计算量。

  6. 掩码策略：随机掩码策略在MAE中表现最佳，可以提高训练效率和泛化能力。不同的掩码策略（如块级掩码和网格级掩码）对训练任务的难度有不同的影响，从而影响模型的重建质量和特征表示。

  7. 下游任务的迁移学习效果：MAE在下游任务（如目标检测、实例分割和语义分割）中表现出色，优于传统的监督预训练方法，并且通过模型扩展可以获得显著的性能提升。

这些创新点不仅展示了MAE方法在计算机视觉领域中的强大能力，还为自监督学习方法的发展提供了新的方向。

【应用场景】

该论文介绍了一种名为Masked Autoencoders (MAE)的自监督学习方法，提出了在计算机视觉任务中利用这种模型进行学习的策略。以下是该技术在不同场景中的应用描述：

1. 预训练场景

ImageNet数据集预训练
  • 应用场景：在ImageNet-1K数据集上进行预训练。
  • 具体描述：通过遮罩随机 patch 的图像，然后重建缺失部分来训练模型。这种方法在预训练过程中，使用了一个轻量级的解码器来重建完整的图像。遮罩比例高的情况下（如75%），模型能够更好地学习图像的高级特征，从而提高最终的识别准确性。这种技术特别适合大规模模型的训练，可以在减少计算开销的同时保持甚至提高模型性能。在预训练过程中，使用了随机采样的策略来遮罩patch，这样可以使得模型在训练时更加关注图像的全局特征，而不是局部特征。

2. 下游任务迁移学习

目标检测和分割
  • 应用场景：在COCO数据集上进行目标检测和分割任务的迁移学习。
  • 具体描述：通过使用预训练的MAE模型，可以直接应用于目标检测和分割任务，而不需要额外的数据增强或复杂的微调过程。实验结果显示，使用MAE预训练的模型在目标检测和分割任务上表现优于传统的监督预训练方法，特别是在使用更大规模的模型时（如ViT-H）。
语义分割
  • 应用场景：在ADE20K数据集上进行语义分割任务。
  • 具体描述：通过将MAE预训练模型应用到ADE20K数据集上，可以显著提高语义分割任务的性能。实验结果显示，MAE预训练模型在ADE20K上的性能优于基于监督预训练的方法。

3. 微调场景

部分微调
  • 应用场景：在某些特定任务上进行部分微调，而不是进行全面的微调。
  • 具体描述：例如，在Mask R-CNN框架下，可以只对模型的最后几层进行微调，而冻结其他层。实验结果显示，即使只微调部分层，模型仍然能够显著提高性能。特别是在使用更大的模型（如ViT-L和ViT-H）时，部分微调的效果尤为明显。

4. 迁移学习评估

鲁棒性评估
  • 应用场景：评估模型在不同数据扰动下的鲁棒性。
  • 具体描述：通过在不同版本的ImageNet数据集上进行测试，评估模型的鲁棒性。结果显示，MAE模型在面对数据扰动时表现良好，特别是在使用更大的模型时，改进效果更加显著。这种方法可以用于评估模型在实际应用中的鲁棒性。

5. 技术特点

模型设计
  • 应用场景：通过设计轻量级的解码器和掩码策略来优化模型。
  • 具体描述：MAE模型采用了一种轻量级解码器设计，仅在含有掩码信息的token上工作，而不是对所有的patch都进行解码。这种设计使得模型在处理大规模数据集时更加高效。此外，通过随机采样策略，模型能够在训练过程中更好地学习图像的全局特征。
训练策略
  • 应用场景：优化训练过程，提高训练效率。
  • 具体描述：通过使用warmup策略和优化的超参数设置（如学习率、权重衰减等），可以在减少训练时间的同时保持模型的性能。此外，通过使用大规模的TPU资源进行训练，可以显著加速模型的训练过程。

6. 实验结果

对比实验
  • 应用场景：与现有方法进行对比，展示MAE模型的优势。
  • 具体描述：与BERT、DINO等现有方法相比，MAE模型在多个任务上表现更优，特别是在大规模数据集上进行预训练时。例如，在ImageNet-1K数据集上，使用ViT-H模型进行预训练时，MAE模型的准确率达到了87.8%，超过了使用相同数据集的其他模型。

通过上述应用场景的描述，可以看出Masked Autoencoders (MAE) 在计算机视觉任务中的应用具有广泛性和高效性，特别适用于大规模数据集上的预训练和迁移学习任务。

【未来展望】

技术未来展望：Masked Autoencoders Are Scalable Vision Learners

背景与动机

Masked Autoencoders (MAE) 作为一种自监督学习方法，为计算机视觉带来了新的视角。本文展示了如何通过简单的掩蔽机制和独特的架构设计，实现高效的模型训练和显著的性能提升。随着硬件的进步和大规模预训练的兴起，自我监督学习在自然语言处理（NLP）领域取得了巨大成功，但在计算机视觉领域仍然处于起步阶段。本文探讨了计算机视觉中自我监督学习的未来趋势，并提出了以下关键观点：

  1. 自我监督学习在计算机视觉中的潜力：通过掩蔽自编码器（如MAE）可以在大规模数据集上实现高效且性能良好的模型训练。这种方法能够处理大量图像数据，同时保持模型的泛化能力。

  2. 新颖的自编码器设计：本文提出了一种新颖的自编码器结构，其中编码器仅处理可见图像块，而解码器则通过掩蔽标记和编码块来重建整个图像。这种设计大大减少了计算量，并允许我们使用大量的掩蔽标记来进行高效训练。

  3. 广泛的适用性和扩展性：MAE方法不仅适用于标准ViT模型，还适用于更复杂的模型如ViT-Huge。通过调整掩蔽标记的比例，可以实现从轻量级模型到大型模型的平滑扩展。

技术趋势与挑战

  1. 硬件加速与模型规模：未来的计算机视觉模型将更加依赖于硬件加速，并且模型规模将显著增加。掩蔽自编码器通过减少计算复杂度，使得训练大规模模型更加可行。

  2. 预训练策略的多样化：除了传统的自监督学习方法，如对比学习（contrastive learning），掩蔽自编码器提供了一种新的预训练策略。这些方法的结合使用将进一步丰富预训练策略的选择。

  3. 数据增强的必要性：尽管掩蔽自编码器在某些情况下可以减少对数据增强的依赖，但数据增强仍然是提高模型泛化能力的重要手段。未来的研究可能会探索如何在保持性能的同时减少对数据增强的依赖。

  4. 迁移学习的广泛应用：掩蔽自编码器在迁移学习方面的表现优于传统的监督预训练方法。这表明，通过自编码器获得的特征表示可以更好地适应不同的下游任务。

未来研究方向

  1. 更多任务的探索：除了图像分类，掩蔽自编码器还可以应用于目标检测、语义分割等更复杂的计算机视觉任务。未来的研究可以进一步探索其在这些任务中的表现。

  2. 模型结构的优化：尽管当前的MAE方法已经取得了显著的成果，但模型的结构还可以进一步优化。例如，通过引入更多的组件或改进解码器的设计，可以进一步提高模型的性能。

  3. 理论分析与理解：未来的研究需要更深入地理解掩蔽自编码器的工作原理，包括其如何学习有用的特征表示以及这些特征表示如何影响下游任务的表现。

  4. 应用领域的扩展：随着技术的发展，掩蔽自编码器的方法可以应用于更多领域，如医学影像分析、自动驾驶等。这些应用将推动计算机视觉技术的进一步发展。

结论

掩蔽自编码器作为一种新型的自监督学习方法，展示了在计算机视觉领域的重要潜力。通过简单的掩蔽机制和高效的架构设计，能够在大规模数据集上实现高效的模型训练，并且表现出色的性能。未来的研究将进一步探索其在更多任务和应用场景中的应用，推动计算机视觉技术的发展。

【附录】

技术实现：Masked Autoencoders Are Scalable Vision Learners

伪代码实现

以下是一个简化版的伪代码实现，用于解释如何实现Masked Autoencoders (MAE) 方法。该伪代码主要描述了编码器和解码器的工作流程，以及如何处理输入图像并生成重建图像。

# 初始化参数
input_image_size = 224
patch_size = 16
num_patches = (input_image_size // patch_size) ** 2
mask_ratio = 0.75  # 例如，75%的patch被遮挡

# 准备输入图像
def preprocess_image(image):
    # 预处理操作，如归一化等
    return image

# 划分图像为patch
def split_into_patches(image, patch_size):
    patches = []
    for i in range(0, image.shape[0], patch_size):
        for j in range(0, image.shape[1], patch_size):
            patch = image[i:i+patch_size, j:j+patch_size]
            patches.append(patch)
    return patches

# 随机遮挡patch
def mask_patches(patches, mask_ratio):
    masked_patches = []
    for patch in patches:
        if np.random.rand() < mask_ratio:
            masked_patch = np.zeros_like(patch)
        else:
            masked_patch = patch
        masked_patches.append(masked_patch)
    return masked_patches

# 编码器
class Encoder:
    def __init__(self, num_patches, patch_size):
        self.num_patches = num_patches
        self.patch_size = patch_size
        self.transformer_blocks = []  # Transformer块

    def encode(self, patches):
        # 对patches进行transformer编码
        encoded_patches = []
        for patch in patches:
            encoded_patch = self.transformer_blocks(patch)
            encoded_patches.append(encoded_patch)
        return encoded_patches

# 解码器
class Decoder:
    def __init__(self, num_patches, patch_size):
        self.num_patches = num_patches
        self.patch_size = patch_size
        self.transformer_blocks = []  # Transformer块

    def decode(self, encoded_patches, mask_tokens):
        # 从编码的patches和mask tokens重建图像
        reconstructed_image = np.zeros((input_image_size, input_image_size))
        for i in range(num_patches):
            patch = encoded_patches[i]
            if mask_tokens[i] is not None:
                patch = self.transformer_blocks(patch, mask_tokens[i])
            reconstructed_image[i * patch_size:(i + 1) * patch_size, :] = patch
        return reconstructed_image

# 主流程
def main(image_path):
    # 读取图像
    image = cv2.imread(image_path)
    image = preprocess_image(image)

    # 划分图像为patch
    patches = split_into_patches(image, patch_size)

    # 训练编码器
    encoder = Encoder(num_patches, patch_size)
    encoder.train(patches)  # 假设这里调用训练方法

    # 训练解码器
    decoder = Decoder(num_patches, patch_size)
    decoder.train(patches)  # 假设这里调用训练方法

    # 随机遮挡patch
    masked_patches = mask_patches(patches, mask_ratio)

    # 从编码器获取编码后的patch和mask tokens
    encoded_patches, mask_tokens = encoder.encode(masked_patches)

    # 重建图像
    reconstructed_image = decoder.decode(encoded_patches, mask_tokens)

    # 显示原始图像、遮挡图像、重建图像
    cv2.imshow('Original Image', image)
    cv2.imshow('Masked Image', np.array(masked_patches).reshape((input_image_size // patch_size, input_image_size // patch_size, 3)))
    cv2.imshow('Reconstructed Image', reconstructed_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 运行主函数
if __name__ == '__main__':
    image_path = 'path_to_image'
    main(image_path)

说明

  1. 图像预处理：preprocess_image 函数用于对图像进行预处理操作，如归一化等。
  2. 图像划分成patch：split_into_patches 函数将图像划分为固定大小的patch。
  3. 随机遮挡patch：mask_patches 函数随机遮挡一定比例的patch。
  4. 编码器：Encoder 类负责将输入的patch转化为更抽象的表示。
  5. 解码器：Decoder 类负责从编码后的patch和mask tokens重建原始图像。
  6. 主流程：main 函数读取图像，处理图像，训练编码器和解码器，然后使用训练好的模型进行图像重建，并显示结果。

详细步骤

  1. 读取和预处理图像：读取图像文件，进行必要的预处理操作。
  2. 图像分块：将图像划分为固定大小的patch。
  3. 随机遮挡patch：根据给定的比例随机遮挡patch。
  4. 训练编码器：使用未遮挡的patch训练编码器。
  5. 训练解码器：使用编码后的patch和mask tokens训练解码器。
  6. 图像重建：使用编码器和解码器重建原始图像。
  7. 结果展示：显示原始图像、遮挡后的图像和重建后的图像。

这个伪代码提供了一个基本的框架，用于实现MAE方法。实际应用中，需要进一步细化编码器和解码器的具体实现，以及添加更多的训练细节和优化策略。

【OpenSpace】

开放性讨论：Masked Autoencoders Are Scalable Vision Learners

背景介绍

本文探讨了Masked Autoencoders（MAE）作为大规模自监督学习方法在计算机视觉中的应用。MAE通过遮挡输入图像的一部分并重建缺失的像素来学习特征。这种方法简单且具有可扩展性，能够在不依赖大量标注数据的情况下，从大量未标注数据中学习到有用的视觉特征。论文通过实验验证了MAE的有效性，并展示了其在图像分类、目标检测、语义分割等下游任务中的应用前景。

关键观点与讨论点

  1. MAE的基本原理与设计

    • 编码器-解码器结构：MAE采用了一个非对称的编码器-解码器设计。编码器仅处理可见的图像块，而解码器则从潜在表示和遮挡标记重建整个图像。
    • 遮挡策略：遮挡高比例的图像（如75%）能够生成有意义的自监督任务，这使得模型能够有效学习复杂的视觉特征。
    • 训练效率：通过遮挡高比例的图像，MAE可以在较短的时间内训练大规模模型，且无需大量的内存消耗。
    • 模型性能：即使使用较小的ViT模型（如ViT-B），MAE也能在ImageNet-1K数据集上实现高精度（83.3%），而使用大型模型（如ViT-H）则能实现更高的精度（86.9%至87.8%）。

  2. 与自监督学习方法的比较

    • 对比其他自监督学习方法：与其他自监督学习方法（如BEiT、MoCo v3等）相比，MAE在保持简单性和快速性的同时，能够获得更好的准确性。
    • 与监督学习方法的比较：与基于ImageNet-1K数据集的监督学习方法相比，MAE在下游任务（如目标检测和语义分割）中表现更优，特别是在使用较大模型时（如ViT-L和ViT-H）。

  3. 掩码策略的影响

    • 随机掩码：随机掩码策略被证明是最优的。它允许更高的掩码比例，从而提供更大的加速效果，同时保持良好的准确性。
    • 块级和网格级掩码：块级掩码策略在较低掩码比例下表现良好，但在较高掩码比例下会降低准确性。网格级掩码策略虽然训练损失较低，但表示质量较差。
    • 像素重建目标：使用像素作为重建目标比使用标记（tokens）效果更好，尽管这两种方法在实践中表现出相似的性能。

  4. 自监督学习方法的发展趋势

    • 自监督学习在计算机视觉中的应用：自监督学习方法（如MAE）在计算机视觉中的应用表明，通过简单的自监督方法可以高效地学习大规模模型，并且无需依赖大量的标注数据。
    • 对比其他自监督方法：自监督学习方法的发展表明，随着模型规模的扩大，自监督学习的潜力逐渐显现，特别是在大规模数据集上的表现更为突出。

  5. 模型迁移学习

    • 迁移学习性能：MAE在下游任务（如目标检测和语义分割）中的迁移学习性能优于基于ImageNet-1K数据集的监督学习方法。这表明，自监督学习方法能够有效提升模型在不同任务上的泛化能力。
    • 模型大小与性能关系：实验结果表明，随着模型规模的增加，MAE在下游任务上的性能显著提升。这表明，自监督学习方法能够有效地扩展模型的容量。
讨论与结论
  • 简单性与可扩展性：MAE通过简单的设计和高效的训练策略，展示了自监督学习方法在计算机视觉中的巨大潜力。它能够在大规模数据集上训练出高精度的模型，而无需依赖复杂的训练策略。
  • 掩码标记的应用：掩码标记的引入简化了模型的设计，减少了训练计算量，同时保持了模型的准确性。这表明，自监督学习方法可以通过简单的设计优化来提升训练效率。
  • 自监督学习的未来：自监督学习方法的发展表明，通过简单的自监督方法可以高效地学习大规模模型，并且无需依赖大量的标注数据。这为计算机视觉领域提供了新的研究方向，有望推动自监督学习方法的进一步发展。
拓展讨论
  • 自监督学习方法的局限性：尽管MAE等自监督学习方法在计算机视觉中取得了显著成果，但它们在某些方面仍存在局限性，如在复杂任务（如物体检测和分割）中，自监督学习方法的表现可能不如监督学习方法。因此，如何进一步改善自监督学习方法的性能，使其在复杂任务中也能取得优异表现，是未来研究的一个重要方向。
  • 迁移学习的潜在应用：自监督学习方法在下游任务中的迁移学习性能表明，自监督学习方法可以有效提升模型在不同任务上的泛化能力。未来可以进一步探索自监督学习方法在更广泛任务中的应用，如跨领域迁移学习等。
  • 模型设计的创新：尽管当前的自监督学习方法已经取得了显著进展，但通过创新模型设计和优化训练策略，仍有可能进一步提升自监督学习方法的性能。例如，通过引入新的掩码策略、改进的解码器设计等，可以进一步优化自监督学习方法的性能。

通过上述讨论，我们可以看到，Masked Autoencoders作为一种简单且高效的自监督学习方法，在计算机视觉领域展现出了巨大的潜力。未来的研究可以进一步探索其在复杂任务中的应用，以及如何进一步优化其性能，从而推动自监督学习方法在计算机视觉中的广泛应用和发展。


http://www.kler.cn/a/576024.html

相关文章：

  • pytorch3d学习（三）——渲染纹理网格
  • 服务器带宽堵塞会对网站访问产生哪些影响?
  • C/C++ 实现由用户通过键盘输入自然数并判断其是不是素数（带清空缓冲区等考虑）
  • 解决ubuntu18.04系统更新的问题
  • 风虎云龙R87与RH87八卡服务器震撼首发
  • 《白帽子讲 Web 安全》之文件操作安全
  • RV1126+FFMPEG多路码流监控项目
  • 【FSM-3: 串行序列】
  • NVIC原理和使用
  • 【免费】2000.1-2021.9上市公司仲裁数据
  • Java数据结构第十八期：探索优先级队列的魅力(二)
  • 论文阅读：基于超图高阶表示的WSI生存预测
  • 前端分页技术的深度解析与实践优化
  • 通过着装人体剪影预测关键点，以获取人体的二维尺寸数据。复现过程包括获取或生成3D人体数据集、生成轮廓图像、训练模型等步骤
  • 测试直播postman+Jenkins所学
  • 网络原理之HTTPS（如果想知道网络原理中有关HTTPS的知识，那么只看这一篇就足够了！）
  • 仕考网：事业单位结构化面试技巧
  • 深入理解Tomcat的Request复用机制及其风险
  • 天津大学02-深度解读DeepSeek：部署、使用、安全【文末附下载链接】
  • Rocky linux 安装 docker