1.类型映射关系mysql和hive中的数据类型存在差异，在mysql集成数据到hive中这样的场景下，我们希望在hive中的数据是贴源的，所以在hive中希望创建和mysql结构一致的表。mysql到hive数据类型映射参考如下：mysql数据类型hive数据类型整型bigintBIGINT整型intBIGINT整型smallintBIGINT整型tinyintBIGINT浮点型decimald

这是一篇19年的综述，介绍了目标检测领域20年来各个方面的内容，非常全面！

本文是基于单目图像的3D目标检测方法。以往的深度信息学习方法（无论是显示学习还是隐式学习）都存在一些问题，会导致后面边界框定位困难以往基于基于深度的方法将深度估计和目标检测分开训练以往基于网格的方法生成的鸟瞰图表示质量不高为每个像素预测一组深度分布，能够得到高质量的鸟瞰图，使得边界框定位更加准确实现了端到端的训练，也就是单个网络中同时进行深度估计和目标检测没有中间表示的方法,也就是基于2D特征+各

问题详情项目基于Mybatis-Plus的逆行工程创建，在访问接口时报错java.sql.SQLFeatureNotSupportedException解决方法第一个解决方法是将实体类中的LocalDateTime改为Date，(Mybatis-Plus逆向工程默认将数据库Date类型转化为LocalDateTime)第二个解决方法是重新导一组合适的版本例如：<!--mp--><

https://www.cnblogs.com/zgqcn/p/14015832.html

目录概述xlrdxlwt概述xlrd 用于读取文件，xlwt 用于写入文件,xlutils 是两个工具包的桥梁，也就是通过xlrd 读取.xls文件，然后通过xlutils 将文件内容交给xlwt处理并且保存。xlrd常用API：#导入import xlrd# 打开文件 必须是存在的文件路径wb = xlrd.open_workbook('路径')# 获取文件中所有的sheet对象objects

目录1、论文原文2、论文思想概述改进1、论文原文链接，提取码：pema2、论文思想概述YOLOv3是单阶段目标检测算法YOLO的第三个版本，广泛用于工业界，它改进了骨干网络、正负样本选取和损失函数，并引入了FPN特征金字塔多尺度预测，显著提升了速度和精度。改进骨干网络：DarkNet53，就是YOLO v2中的DarkNet19+Resnet。darknet53是52个卷积层+1个全连接层，但是在

本文是基于单目图像的3D目标检测方法。能否借助立体图像检测算法提高单目图像检测的效果如何实现右侧图像的生成受启发于伪点云，提出了伪立体图像的概念，将图像转换成立体图像，然后应用立体图像的检测算法提出两种右侧图像生成的方法，分别是图像级别生成和特征级别生成（基于视差的动态卷积方法）提出一个观点：学习深度感知的特征有利于提高单目检测的性能，比如作者这边的深度估计以及深度损失。

Fast R-CNN是对R-CNN和SPP-Net的改进，一方面借助SPP的思想，使得骨干网络只需要对原图做一次特征提取就好了，大大减少时间开销；另一方面将bbox的回归器和分类器都整合到了网络当中，方便了训练流程，也减少了特征存储的开销；还有一方面就是采用了新的训练策略，解决了SPP-Net中难以更新SPP模块之前的卷积层参数的问题。

本文是基于图像的3D目标检测算法。作者认为基于伪点云的3D目标检测算法效果好的原因并不是伪点云这种数据表示本身，而是坐标系的转换。对于深度图，作者采用图像表示而不是伪点云的表示，之后采用2D CNN处理，成为了新的SOTA伪点云（【3D目标检测】Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud）