记录自己技术道路上的点点滴滴

今年是2015年，我的而立之年，曾经也尝试过自建博客或找个技术社区写博客，可都没有坚持过。觉得写博客的一种是大牛，一种是像学生一样有很充裕的时间折腾自己的喜欢的事情，记录自己的一切。 　　 　　处于我这样的年龄，上有老下有小，每天都有很多事情需要处理，晚上回家还得自己带孩子，感觉有一颗饥渴的心，想赶快的提高技术水平，却因没时间，很是捉急。 　　 　　转瞬间，07年到现在已经7年过去了。其间，

成长感悟，开始写写博客

对于计算机技术，一直都认为自己没有真正的深入进去，是真正的门外汉。现在是时候开始了！ 转载于:https://blog.51cto.com/yshyh/1063357

我也开始记录我学编程的点点滴滴！

我学习java编程可以说是纯粹的"野路子"，遇到问题就上网搜索、看API、看着前辈的代码学习代码编写。很感谢网络上热心回答问题的各大牛们，虽然我不曾正儿八经的在论坛里提问题，但是我的问题总能在网络上找到前人相同的疑问，以及前前人详细而实用的回答（可见，我是多么的菜呀）。 为了回馈强大的网络，我想以后我也要把我的心得放在网上，供后来的人参考借鉴...

发现自己思考的东西倒挺多的，但是真正把这些漂浮不定的思绪转换为清晰的文字我确实做得很不到位！所以我决定了，从今天开始起，记录自己技术生涯的点点滴滴。大概从以下几方面做起： 一、善于总结。对某一块知识要及时进行总结，而不是心想的那样“大概是那样吧”，这不是技术人的风格。我是一个比较追求完美的人，所以这点上，要开始慢慢改进。不要放过任何细节问题，要养成思维缜密的...

转眼间从事技术工作五年了，工作中一直使用C++语言，自己感觉还是对这门编程语言的了解还是皮毛，以往工作中遇到的问题，以及怎么解决也没有记录过，现在我要迈出第一步，把职业生涯的点点滴滴记录下来，也是利于自己的成长吧，也希望多交朋友，多交流技术上的问题。

时至今日才开始写博客，在码农界可谓是小器晚成。作为一个学通信的工科生，以前也接触过一点编程的东西，但总感觉自己是在门外徘徊，略懂的一点皮毛，难登大雅之堂，所以也就一直没敢去写关于编程方面的博客。来到阿里实习后，决心要在码农的道路上一直走下去，最近才起了写写博客的念头，决定以后每周写一篇博客。希望和大家一起分享由码奴到码农到工程师成长道路上的泪水和汗水、欢笑和喜悦，也希望借此督促自己不断学习与进步。

记录自己学习的点点滴滴，一方面能够帮助自己，另一方面也希望可以帮助更多走在学习的道路上的人

农场周围的道路-学习记录 这题的关键在于知道每次分组后，分成的两组羊群的数量分别为(N+K)/2和(N-K)/2 因此可以用递归实现。 自己写的代码如下： #include <iostream> using namespace std; int num = 1; //农场周围的道路 int function(int N, int K) { if ((N - K) % 2 != 0||(N<=K))//说明不能分出满足题意的两组 { return 0; } else {

修建道路，如何计算道路总占地面积，以及占用沿线各家各户的面积分别是多少，从而科学计算征地补贴？

Houdini之程序化道路生成 2021.05.11 本节笔记记录使用houdini制作道路自动生成的DDC工具，以便在UE引擎中通过调参自动创建调节生成道路； 前置条件：安装配置好houdini（安装时搭载适配UE及unity引擎的houdini引擎），熟悉houdini的基本操作； 学习教程：houdini道路程序化建模 知乎大佬笔记：UE4与Houdini城市道路生成器（上篇） 1、创建道路交叉器 绘制三条曲线，使用fuse节点连接，调参使相交于一点； convertline节点生成转换线造成一些松

的图像处理工具箱，进行道路缺陷图像的预处理、图像分割等研究，特别地，我们提出了随机游动分割算法对坑槽图像进行图像分割，与其他分割方法相比，此算法具有分割背景清晰、快速的特点，以及各类评价参数的计算，通过实验，可以看出，基于 神经网络的道路缺陷图像的模式识别具有较高的识别准确率和识别效率。从图中可以看出，算法对图像噪声的滤除有一定效果，平滑了背景中的部分噪声，一些细小的噪声已经被去除，大的噪声也有一定的减弱，并且保留了裂缝的边缘信息，在一定程度上有较好效果，尤其对裂缝和背景差别较大的图像效果会更明显。

问题： 查询与每条道路相接的目标道路，其中与线要素矢量化起点相接目标道路定义为前一条道路，与终点相接的道路定义为后一条道路。需要将前一条道路和后一条道路的id值记录到当前正在查询道路指定字段中。 解决方案： 首先使用要素折点至点工具设置点类型参数为START提取每条要素起点 生成的起点要素类属性表中会包含road要素类中除长度字段外的所有字段，同时会生成一个ORIG_FID字段，该...

最近实现了利用OpenCV在Android平台上通过摄像头拍摄道路图像提取道路线，反馈出道路信息和摄像头当前相对道路的信息可用于小车循迹，四旋翼飞行器循迹等。

舒服是留给有钱人的，学习是痛并快乐的过程。 职业：大数据开发 热爱网络技术，欢迎来一起探讨。 以此记录来勉励自己

标注信息以XML文件格式存储在Annotations文件夹中，每个文件详细记录了图像中各种病害的位置、类型和其他相关属性，这为使用机器学习和深度学习模型进行道路病害识别提供了必要的地面真相数据。道路病害不仅影响道路的平整性和美观，更重要的是会影响车辆行驶的安全性和舒适性，增加行车风险。随着技术的发展，道路病害检测的方法也在不断进步，从人工视觉检查到使用高分辨率图像、无人机、激光扫描技术等现代技术手段，大大提高了检测的效率和准确性。延迟维修可能导致病害恶化，需要更大规模的修复甚至重建，成本显著增加。

目 录 挖掘目标 分析方法与过程 2.1. 总体流程 2.2. 具体步骤 2.2.1 缺陷图像预处理 2.2.2 缺陷图像分割 2.2.3 缺陷图像特征提取 2.2.4 BP 神经网络模式识别 2.3. 结果分析 结论 参考文献 附 录 1. 挖掘目标 本次建模目标是利用附件所提供的道路缺陷图像，主要类型有：裂缝，龟裂，网裂，坑槽等缺陷。首先结合图形图像处理技术，对各类型图像进行特征提取和参数计算，并采用数据挖掘技术进行模式识别，以实现不同道路缺陷类别的自动识别。随着数字图像处理和模式识别技术的快速发展