细粒度图像分类论文阅读笔记

细粒度图像分类论文阅读笔记

  • 摘要
  • Abstract
  • 1. 用于细粒度图像分类的聚合注意力模块
    • 1.1 文献摘要
    • 1.2 研究背景
    • 1.3 本文创新点
    • 1.4 计算机视觉中的注意力机制
    • 1.5 模型方法
      • 1.5.1 聚合注意力模块
      • 1.5.2 通道注意力模块
        • 通道注意力代码实现
      • 1.5.3 空间注意力模块
        • 空间注意力代码实现
      • 1.5.4 CBAM注意力机制
        • CBAM注意力代码实现
      • 1.5.5 本文模型整体架构
    • 1.6 实验
      • 1.6.1 数据集
      • 1.6.1 实施细节
      • 1.6.2 实验结果
    • 1.7 结论
  • 总结

摘要

本周阅读了SCI二区的文章 Aggregate attention module for fine‑grained image classification,该论文解决了以往网络中的参数过多、计算过多的问题,提出了一种名为聚合注意力模块的注意力机制,可以用更少的参数对细粒度图像进行准确分类。所提出的注意力模块将通道注意力与空间注意力并行结合,有效地学习关键特征,并且可以轻松扩展到其他神经模型。本文将详细介绍该模型。

Abstract

This week I read the SCI Region 2 article Aggregate attention module for fine-grained image classification, which solves the problem of too many parameters and too much computation in the previous network by proposing an attention mechanism called aggregated attention module that can accurately classify fine-grained images with fewer parameters. The proposed attention module combines channel attention and spatial attention in parallel to learn key features efficiently and can be easily extended to other neural models. In this paper, the model is described in detail.

文献出处:Aggregate attention module for fine‑grained image classification

1. 用于细粒度图像分类的聚合注意力模块

1.1 文献摘要

注意力机制对于聚合特征和发现有区别的局部细节非常有用。网络中参数的增加会导致不必要的计算。本文提出了一种名为聚合注意力模块的注意力机制,可以用更少的参数对细粒度图像进行准确分类。 具体来说,为了平衡性能和复杂性之间的权衡,所提出的注意力模块将通道注意力与空间注意力并行结合,有效地学习关键特征,并且可以轻松扩展到其他神经模型。 与最先进的模型相比,实验表明,作者提出的模型可以使用不同的细粒度图像基准(CUB-200-2011、FGVC Aircraft 和Stanford Cars)实现卓越的精度。

1.2 研究背景

细粒度图像分类就是将同一物种进行细分,比如将猫的种类细分,同一类别的图像之间的差异就比较小,由于特定细粒度子类别之间的类间差异较小,以及类内差异较大,因此它不同于传统的图像分析问题。由于细粒度图像具有标记粒度细的特点,因此直接利用整个图像级别的所有特征来识别细粒度图像是很不合理的,如下图所示:
在这里插入图片描述
上图每行的三张图片属于同一鸟类。 可以观察到,同一物种的鸟类受拍摄角度和环境的影响也有很大差异。我们很容易看出,即使属于同一子类别的图像本身在形态、姿势、背景等方面也存在巨大差异,基于这个研究背景,我们需要有效解决类别内差异问题。

针对这个问题,本文作者提出一种 利用注意力机制的细粒度图像分类 方法。 该方法在提取图像的细粒度特征的同时,消除了有害特征对分类性能的影响。 训练时尽量少使用细粒度的标记数据,以提高细粒度图像分类的效果。

1.3 本文创新点

  1. 提出了聚合注意力模块来平衡细粒度图像分类任务的性能和复杂性之间的权衡,该模块可广泛应用于神经网络中。
  2. 设计并在整个网络中使用跨通道损失函数,以提高深度卷积神经网络的特征学习和表达能力。
  3. 在四个不同的公共基准数据集上针对细粒度图像分类任务进行了广泛的实验,模型的性能优秀。

1.4 计算机视觉中的注意力机制

注意力思想已被应用于计算机视觉任务,包括图像标记、目标检测等,特别是图像分类。 2019年,注意力网络模型CBAM被开发出来,其中 Convolutional block attention module 和 Attention-based label consistency for semi-supervised deep learning based image classification 将通道注意力与空间注意力相结合,下周将详细介绍这两篇论文。视觉注意机制通过通道或空间尺度操作来探索图像关键部分的特征。 但对于类内差异而言,一般的视觉注意机制并不能表现出突出的效果。

本文作者提出了一种简单有效的注意力单元,称为聚合注意力模块,具有跨通道损失函数。 创新的注意力模块擅长发现细微差异,并且优于其他注意力机制。

1.5 模型方法

SENet专注于通道维度的注意力计算,对通道之间的相互依赖关系进行建模,并通过网络的全局损失函数自适应地重新校正通道之间特征的相应强度。 它的目的是有选择地增强有用的特征并抑制不太有用的特征。 尽管SE块表现良好,但整个模型的成本增加了,这体现在参数数量以及额外的训练周期上。

ECA-Net是一种超通道注意力模块,仅涉及k(k≤9)个参数,但却带来了显着的性能提升,ECA-Net一味追求减少通道注意力中的参数数量,而忽略了空间注意力的有效性,这在一定程度上影响了模型的准确性。

作者提出的模型综合解决了上述两个网络模型的缺陷,将通道注意力和空间注意力的有效使用结合起来。 在保证优异性能的同时最大限度地减少参数数量。 对于细粒度的图像分类任务,具有出色的学习能力和泛化能力。

1.5.1 聚合注意力模块

作者将 ResNet 修改为深度神经网络架构中的骨干网络。 给定中间生成的特征矩阵 F ∈ R C × H × W R^{C×H×W} RC×H×W 作为模块输入,所提出的 AAM 并行生成 1D 通道注意力图 M c ∈ R C × 1 × 1 M_c ∈ R^{C×1×1} McRC×1×1 和 2D 空间注意力图 M s ∈ R 1 × H × W M_s ∈ R^{1×H×W} MsR1×H×W 。 整个注意力过程表示为:在这里插入图片描述

1.5.2 通道注意力模块

为了平衡通道注意力的额外计算成本和提高的模型精度,当我们利用特征通道之间的相关性生成通道注意力特征图时,本文仅提取k个通道的相关信息。 k 个通道与当前通道相邻。 此外,全局最大池化可以提取有效的空间特征。输入特征图矩阵通过通道全局最大池化进行操作,并通过 sigmoid 函数在 0 和 1 之间生成。

因此,对输入的原始特征图进行全局最大池化,提取并学习相邻k通道信息。 生成的通道注意力张量按元素相加。 通过sigmoid函数并通过复制路径进行相应的广播,最终与原始输入特征图矩阵逐个相乘。 这是通道注意力模块的输出。 图4展示了通道注意力模块的结构。 简而言之,通道注意力表示为:在这里插入图片描述
下图为通道注意力模块的结构。 给定输入特征图,该模块通过大小为 k 的全局最大池化操作生成通道权重,其中 k 由经验确定
在这里插入图片描述
通道注意力机制的核心思想是让模型自动学习每个通道的重要性,并根据通道的贡献调整输入数据的表示。通过引入通道注意力机制,模型可以更加有效地利用每个通道的信息,提高模型对输入数据的表征能力,从而改善模型在各种任务中的性能。

如下图:先将输入特征图分别进行全局最大池化和全局平均池化(是在特征层的高和宽上进行池化),得到两张不同维度的特征描述。然后池化后的特征图共用一个多层感知器网络,先通过一个全连接层进行特征降维,再通过全连接层进行特征升维。将两张特征图在通道维度堆叠,经过 sigmoid 激活函数将特征图的每个通道的权重归一化到0-1之间。最后,将归一化后的权重和输入特征图相乘,得到处理好的特征图。
在这里插入图片描述

通道注意力代码实现
import torch.nn as nn
import torch
import torch.nn.functional as fprint("************************通道注意力机制*********************")# 通道注意力机制
class ChannelAttention(nn.Module):# 初始化,in_planes参数指定了输入特征图的通道数,ratio参数用于控制通道注意力机制中特征降维和升维过程中的压缩比率。默认值为8def __init__(self, in_planes, ratio=8):# 继承父类初始化方法super().__init__()# 全局最大池化 [b,c,h,w]==>[b,c,1,1]self.avg_pool = nn.AdaptiveAvgPool3d((4, 1, 1)) # C*H*W# 全局平均池化 [b,c,h,w]==>[b,c,1,1]self.max_pool = nn.AdaptiveMaxPool3d((4, 1, 1)) # C*H*W# 使用1x1x1卷积核代替全连接层进行特征降维self.fc1 = nn.Conv3d(in_planes, in_planes // ratio, 1, bias=False)# 激活函数self.relu1 = nn.ReLU()# 使用1x1x1卷积核进行特征升维self.fc2 = nn.Conv3d(in_planes // ratio, in_planes, 1, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):# 通过平均池化和最大池化后的特征进行卷积、激活、再卷积操作avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) # 平均池化-->卷积-->RELu激活-->卷积max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) # 最大池化-->卷积-->RELu激活-->卷积# 将两个输出相加out = avg_out + max_out# 应用Sigmoid函数return self.sigmoid(out)# 创建ChannelAttention模型的实例,输入通道数为256
model = ChannelAttention(256)
# 打印模型结构
print(model)
# 创建一个形状为[2, 256, 4, 8, 8]的输入张量,所有元素初始化为1
inputs = torch.ones([2, 256, 4, 8, 8]) # 2是批次大小(batch size),256是通道数,4、8、8分别是深度、高度和宽度的维度
# 将输入张量传递给模型,并获取输出
outputs = model(inputs)
# 打印输入张量的形状
print(inputs.shape) # [2, 256, 4, 8, 8]
# 打印输出张量的形状
print(outputs.shape) # [2, 256, 4, 1, 1]

输出结果
在这里插入图片描述

1.5.3 空间注意力模块

与通道注意力不同,空间注意力提供了更有用的信息,重点关注图像的不同位置。 由于基于空间尺度的全局最大池化操作,可以有效地提取特征图的关键特征。 就全局平均池化操作而言,一方面可以尽可能保存特征图的整体信息。 另一方面,同一类别差异可能较大,关键部位可能会受到光照、遮挡等因素的影响,可能导致学习效果不足。 全局平均池化操作可以在一定程度上缓解这一障碍。

本文将特征图的空间注意力分布逐个元素地传递、复制并与原始输入特征图矩阵相乘,即为空间注意力模块 M s ( F ) ∈ R 1 × H × W M_s(F) ∈ R^{1×H×W} Ms(F)R1×H×W 的输出。 空间注意力模块的结构如下图所示。我们使用两次池化计算来合成当前特征矩阵的空间值,获得两个2D中间图 M s a v g ∈ R 1 × H × W M^{avg}_{s} ∈ R^{1×H×W} MsavgR1×H×W M s m a x ∈ R 1 × H × W M^{max}_{s} ∈ R^{1×H×W} MsmaxR1×H×W。 每个特征图代表通道中的平均池化特征以及最大池化特征。 该模块通过标准卷积层将它们连接起来并进行卷积以生成2D空间注意力分布。 简而言之,空间注意力定义为:在这里插入图片描述
在这里插入图片描述

空间注意力代码实现
import torch.nn as nn
import torch
import torch.nn.functional as fprint("************************空间注意力机制*********************")# 空间注意力机制
class SpatialAttention(nn.Module):def __init__(self, kernel_size=3):super().__init__()# 断言法:kernel_size必须为3或7assert kernel_size in (3, 7),'kernel size must be 3 or 7'# 三元操作:如果kernel_size的值等于7,则padding被设置为3;否则(即kernel_size的值为3),padding被设置为1。padding = 3 if kernel_size == 7 else 1# 定义一个卷积层,输入通道数为2,输出通道数为1self.conv1 = nn.Conv3d(2, 1, kernel_size, padding=padding, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):# (N, C, H, W),dim=1沿着通道维度C,计算张量的平均值和最大值avg_out = torch.mean(x, dim=1, keepdim=True)max_out, _ = torch.max(x, dim=1, keepdim=True)# 将平均值和最大值在通道维度上拼接x = torch.cat([avg_out, max_out], dim=1)x = self.conv1(x)return self.sigmoid(x)model = SpatialAttention(kernel_size=7)
print(model)
inputs = torch.ones([2, 256, 4, 8, 8])
outputs = model(inputs)
print(inputs.shape)
print(outputs.shape)

输出结果
在这里插入图片描述

空间注意力机制(Spatial Attention Module)是一种用于处理空间信息的注意力机制,主要用于在深度学习模型中动态地调整输入数据的不同空间位置的重要性,以增强有用信息并抑制无用信息。在图像处理等领域,空间注意力机制可以帮助模型更好地关注图像中不同区域的特征,从而提高模型的表征能力和性能。

1.5.4 CBAM注意力机制

CBAM(Convolutional Block Attention Module)模块是一种结合了通道注意力和空间注意力机制的注意力模块,旨在提高卷积神经网络(CNN)对图像特征的表征能力。CBAM模块通过同时关注通道维度和空间维度的特征信息,实现了对图像特征的全局感知和重要性调整。

CBAM模块通常由两个子模块组成:通道注意力模块(Channel Attention Module)和空间注意力模块(Spatial Attention Module)。这两个子模块分别用于对通道维度和空间维度的特征进行加权调整,从而提高特征表示的表征能力。(两个Attention进行串联,Channel 在前,Spatial在后)如下图:
在这里插入图片描述
模块会沿着两个独立的维度(通道和空间)依次推断注意力图,然后将注意力图乘以输入特征图以进行自适应特征修饰。 由于CBAM是轻量级的通用模块,因此可以以可忽略的开销将其无缝集成到任何CNN架构中,并且可以与基础CNN一起进行端到端训练。

CBAM注意力代码实现
import torch.nn as nn
import torch
import torch.nn.functional as fprint("************************通道注意力机制*********************")# 通道注意力机制
class ChannelAttention(nn.Module):# 初始化,in_planes参数指定了输入特征图的通道数,ratio参数用于控制通道注意力机制中特征降维和升维过程中的压缩比率。默认值为8def __init__(self, in_planes, ratio=8):# 继承父类初始化方法super().__init__()# 全局最大池化 [b,c,h,w]==>[b,c,1,1]self.avg_pool = nn.AdaptiveAvgPool3d((4, 1, 1)) # C*H*W# 全局平均池化 [b,c,h,w]==>[b,c,1,1]self.max_pool = nn.AdaptiveMaxPool3d((4, 1, 1)) # C*H*W# 使用1x1x1卷积核代替全连接层进行特征降维self.fc1 = nn.Conv3d(in_planes, in_planes // ratio, 1, bias=False)# 激活函数self.relu1 = nn.ReLU()# 使用1x1x1卷积核进行特征升维self.fc2 = nn.Conv3d(in_planes // ratio, in_planes, 1, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):# 通过平均池化和最大池化后的特征进行卷积、激活、再卷积操作avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) # 平均池化-->卷积-->RELu激活-->卷积max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) # 最大池化-->卷积-->RELu激活-->卷积# 将两个输出相加out = avg_out + max_out# 应用Sigmoid函数return self.sigmoid(out)# 创建ChannelAttention模型的实例,输入通道数为256
model = ChannelAttention(256)
# 打印模型结构
print(model)
# 创建一个形状为[2, 256, 4, 8, 8]的输入张量,所有元素初始化为1
inputs = torch.ones([2, 256, 4, 8, 8]) # 2是批次大小(batch size),256是通道数,4、8、8分别是深度、高度和宽度的维度
# 将输入张量传递给模型,并获取输出
outputs = model(inputs)
# 打印输入张量的形状
print(inputs.shape) # [2, 256, 4, 8, 8]
# 打印输出张量的形状
print(outputs.shape) # [2, 256, 4, 1, 1]print("************************空间注意力机制*********************")# 空间注意力机制
class SpatialAttention(nn.Module):def __init__(self, kernel_size=3):super().__init__()# 断言法:kernel_size必须为3或7assert kernel_size in (3, 7),'kernel size must be 3 or 7'# 三元操作:如果kernel_size的值等于7,则padding被设置为3;否则(即kernel_size的值为3),padding被设置为1。padding = 3 if kernel_size == 7 else 1# 定义一个卷积层,输入通道数为2,输出通道数为1self.conv1 = nn.Conv3d(2, 1, kernel_size, padding=padding, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):# (N, C, H, W),dim=1沿着通道维度C,计算张量的平均值和最大值avg_out = torch.mean(x, dim=1, keepdim=True)max_out, _ = torch.max(x, dim=1, keepdim=True)# 将平均值和最大值在通道维度上拼接x = torch.cat([avg_out, max_out], dim=1)x = self.conv1(x)return self.sigmoid(x)model = SpatialAttention(kernel_size=7)
print(model)
inputs = torch.ones([2, 256, 4, 8, 8])
outputs = model(inputs)
print(inputs.shape)
print(outputs.shape)print("************************CBAM模块*********************")
class CBAM_Block(nn.Module):def __init__(self, channel, ratio=8, kernel_size=3):super().__init__()# 初始化通道注意力模块self.channelAttention = ChannelAttention(channel, ratio=ratio)# 初始化空间注意力模块self.SpatialAttention = SpatialAttention(kernel_size=kernel_size)def forward(self, x):# 应用通道注意力和空间注意力x = x * self.channelAttention(x)x = x * self.SpatialAttention(x)return xmodel = CBAM_Block(256)
print(model)
inputs = torch.ones([2, 256, 4, 8, 8])
outputs = model(inputs)
print(inputs.shape)
print(outputs.shape)

输出结果
在这里插入图片描述

1.5.5 本文模型整体架构

该方法的架构如下图所示。给定前面的卷积块获得的特征图,聚合注意力模块将通道注意力和空间注意力结合起来计算注意力分布。 生成的最终分布被输入到下一个卷积块。 网络的整体损失是通过提出的跨通道损失和交叉熵损失来计算的。
在这里插入图片描述

1.6 实验

1.6.1 数据集

作者在四个广泛采用的细粒度基准上验证了模型。 实验期间的基准数据是 Caltech-UCSD-Birds (CUB-200-2011)、FGVC-Aircraft (Maji et al. 2013)、Stanford Cars 和 Stanley Dogs (Khosla et al. 2011)。 数据集的详细介绍如下表所示。
在这里插入图片描述

1.6.1 实施细节

采用 PyTorch 框架来实现我们提出的方法。 随机梯度下降优化器与“poly”的学习率策略一起使用(动量参数设置为0.8,初始学习率设置为1e−4,终止学习率设置为1e−6,并且 权重衰减设置为 2.5e−4)。 我们在并行 Titan XP GPU 上训练我们提出的模型 200 个时期。 训练图像的批量大小设置为 16。所有原始图像都经过随机重新缩放、裁剪和翻转。 然后将输入训练图像的大小调整为 224 × 224,而用于验证和测试的图像根本不必改变。 经过实验验证,不同的 η 值以及数据集相应的训练效果如表 2 所示。请注意,我们从头开始训练我们的网络,这意味着除了官方提供的数据集中的标记图像之外,我们不需要使用任何额外的数据 。 此外,我们将超参数μ设置为0.01。

1.6.2 实验结果

如下表所示,AAM 方法比其他 SOTA 模型表现更好。 具体来说,我们提出的方法显示,CUB-200-2011 上的结果明显改善了 0.7%,FGVC-Aircraft 上改善了 1.5%,Stanford Cars 上改善了 0.2%,Stanford Dogs 上改善了 2.7%。 这项工作提供了图 7,将所提出的 CC-Loss 与中心损失(Wen et al. 2016)和交叉熵损失(CE 损失)进行比较。 在这个实验中,模型都是从头开始训练的。
在这里插入图片描述

1.7 结论

在本文中,作者提出了用于细粒度图像分类任务的 AAM。 在这个注意力模块中,作者并行地将通道注意力和空间注意力结合起来。 此外,作者还开发了 CC-Loss 来最大化细粒度图像类别之间的差异。 大量实验表明,无论骨干网络如何,所提出的 AAM 的性能都比其他最近使用的模型好得多。

总结

本周学习了AAM模型,聚合注意力模块、通道注意力、空间注意力模块,同时也进行了代码实践,下周将继续学习细粒度图像相关的文献模型。加油~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/36176.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Qt实战项目——贪吃蛇

一、项目介绍 本项目是一个使用Qt框架开发的经典贪吃蛇游戏,旨在通过简单易懂的游戏机制和精美的用户界面,为玩家提供娱乐和编程学习的机会。 游戏展示 二、主要功能 2.1 游戏界面 游戏主要是由三个界面构成,分别是游戏大厅、难度选择和游戏…

基于QFD的景区共享代步车创新设计

一、传统景区交通方式的瓶颈 在传统景区中,游客往往面临着步行太累、乘坐观光车又不够自由灵活的困境。同时,随着游客数量的不断增加,景区内的交通压力也在逐渐增大。因此,开发一种既环保又便捷的代步工具,成为了摆在…

【Java Web】会话管理

目录 一、为什么需要会话管理? 二、会话管理机制 三、Cookie概述 四、HttpSession概述 4.1 HttpSession时效性 一、为什么需要会话管理? HTTP协议在设计之初就是无状态的,所谓无状态就是在浏览器和服务器之间的通信过程中,服务器并…

数据分类分级分几步?“6步分解”一目了然!

数据分类分级是企业开展数据安全治理的第一步。通过数据分类分级对数据资产进行盘点,及时掌握内部数据情况,有针对性的对各类型数据采取安全防护措施,为后续企业数据资产管理和数据安全体系建设起到关键作用。 同时,随着《中华人民…

PVE 8.2.2安装OpenWrt 23.05.3

1,下载官方openwrt 23.5.3镜像并解压 2,进入pve上传镜像 复制这段文字之后需要使用 创建虚拟机 删除磁盘 安装完毕后 shell 运行 qm importdisk 100 /var/lib/vz/template/iso/openwrt-23.05.3-x86-64-generic-ext4-combined-efi.img local-lvm 其中100是虚拟…

想学gis开发,java和c++那个比较好?

ava与C的应用场景不同,究竟选择谁,应该由开发者的兴趣方向来决定。 你选择Java,意味着以后的业务方向就是偏后台服务开发,如果你非得说我用java也可以写界面,对不起,别人不会。 刚好我有一些资料&#xf…

光电液位传感器工作时容易受哪些因素影响?

光电式水位传感器的检测液位时是必须要接触液体才能进行检测的。当液体覆盖光电式水位传感器的探头时,传感器内的发光二极管发射出去的光线会折射在液体中,而光敏接收器只能接收到少量光电或者接收不到光线。反之正常接收光线则是无水状态。 光电式水位…

使用前缀积求最后K个数的乘积

前缀积解题基本思路: 1.首先创建整型集合,添加元素1(任何整数乘以1都等于整数本身)。 2.将与新元素的乘积依次添加到整型集合中,再根据相应的索引值进行除法操作,从而获取最后K个数的乘积。 3.&#xff…

腾讯云对象存储cors错误处理

最近将公司的域名进行了修改,同时将腾讯云的对象存储改成了https,为了安全嘛。然后上传软件包的时候发现上传软件就失败了。 在浏览器中打开该 HTML 文件,单击 Test CORS 发送请求后,出现以下错误,错误提示&#xff1…

单点登录系统8大原理机制详解

单点登录系统详解(8大原理机制图解) 单点登录 单点登录(SSO)实现一处登录,全平台畅通。用户只需登录一次,即可无缝访问多个互信的应用系统,高效便捷,省时省心。 举例来说,阿里旗下拥有多款热门…

策略模式(Strategy Pattern)

策略模式 (Strategy Pattern) 定义 它是将定义的算法家族、分别封装起来,让它们之间可以相互替换,从而让算法的变化不会影响到使用算法的用户。 可以避免多重分支的 if-else、switch语句。 属于行为型模式。 适用场景 如果系…

现货黄金如何操作:黄金技术性止损的运用

止损是现货黄金如何操作中不得不提及的方法。在现货黄金投资过程中,风险是存在的,重要的是如何将风险把控好。这里的一个重要概念就是,要对每一笔交易设定好止损,可以讲,这就是现货黄金如何操作的方法中最重要的一种。…

如何降低MCU系统功耗?

大家在做MCU系统开发的时候,是否也碰到过降低MCU系统功耗的需求? MCU系统整板功耗是个综合的数据,包括MCU功耗以及外部器件功耗,在此我们主要介绍如何降低MCU的功耗: 可以在满足应用的前提下,降低MCU的运…

合约期VS优惠期,搞明白他们的区别才能避免很多坑!

在购买流量卡时,相信大家也都发现了,市面上的不少套餐都是有合约期和优惠期的,尤其是联通和移动,那么,什么是合约期?什么又是优惠期呢? ​ 其实,目前很多在网上办理的大流量卡都是有…

网络安全入门必选:十款免费的抓包工具有哪些?

下面给大家推荐几款好用的免费的抓包工具软件,有需要的小伙伴们来了解一下。 1. Wireshark抓包分析工具 4.0.1 Wireshark是一款功能强大的网络协议分析器,可以实时检测和抓取网络通讯数据。它支持多种协议和媒体类型,并具备丰富的显示过滤…

前端写代码真的有必要封装太好么?

前言 封装、代码复用、设计模式…… 这些都是方法,业务才是目的。技术始终是为业务服务的。能够满足业务需求,并且用起来舒服的,都是好方法。 不存在一套适用于所有项目的最佳代码组织方法,你需要结合业务,去不断地…

Web应用安全测试-专项漏洞(一)

Web应用安全测试-专项漏洞(一) 专项漏洞部分注重测试方法论,每个专项仅列举一个例子。实际测试过程中,需视情况而定。 文章目录 Web应用安全测试-专项漏洞(一)Web组件(SSL/WebDAV)漏…

vue3爷孙组件通信——provide和inject

父组件中提供数据&#xff0c;并在子组件中注入这些数据&#xff0c;从而实现了组件之间的数据传递。可用于兄弟组件通信&#xff0c;爷孙组件通信&#xff0c;父子通信。 provide( ‘注入名’, 注入值" ) 和 inject(‘注入名’) 第一代组件&#xff1a; <template>…

2024十大首码地推拉新app平台,一手首码对接平台!

到了2024年&#xff0c;地推新应用的接单平台成为创业者们关注的焦点。对于地推行业的从业人员而言&#xff0c;选择一家拥有一手单资源的平台至关重要&#xff0c;因为这直接关系到他们的利益。 2024年如果想要进行app地推活动&#xff0c;却没有人脉渠道的困扰&#xff0c;建…

Jmeter+InfluxDB+Grafana性能测试数据展示

JmeterInfluxDBGrafana提供了一种更好的对Jmeter压测结果的实时监控展示。可以理解为数据源产生的数据加上时间记录并存储&#xff0c;然后使用各种开源图表组件进行展示。实现jmeter报告的更好的可视化展示 1&#xff09;方便测试结果数据落地以及更好的分析 2&#xff09;将…