servlet

Servlet

  1. 静态资源文件

    文件内容固定,比如html文件,doc,xls文件

    服务端直接将静态资源推送给客户端,最终在客户端运行

  2. 动态资源文件

    文件内容根据客户需求变化

    服务端运行动态资源文件,并将结果给客户端

web通信过程中,两台计算机如何通信

  1. c/s结构:

    大型网络游戏

    优点:

    1. 有效保护服务端计算机

    2. 分摊服务端计算机的工作压力

    缺点:

    1. 增加客户获得服务成本

    2. 增加服务端维护成本

  2. b/s结构:可以帮助客户端计算机向任意服务器发请求

    优点:易于维护,成本低

    面对客户群体:企业用户

 

网络协议包

用于包裹在网络传输过程中的二进制数据。它存在固定空间,用于存放特定数据。便于接收方分析得到的数据。

分类:FTP,HTTP

HTTP网络协议内部结构

  1. 请求协议包:

    1. 浏览器发送请求时创建的,并将请求信息写入协议包

    2. 自上而下有四层结构:

      1. 【请求行】:

        {

        url:存放请求资源的地址

        method:请求方式

        }

      2. 【请求头】:

        {

        浏览器希望获得的资源文件的类型【html/png】

        浏览器希望的资源内容依赖的字符集

        }

      3. 【空白行】:{隔离层,请求头和请求体}

      4. 【请求体】:{post请求时,相关参数}

         

  2. 响应协议包:服务端返回数据

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值