[2025CVPR-小目标检测方向]基于特征信息驱动位置高斯分布估计微小目标检测模型

核心问题

  • ​小目标检测性能差：​​ 尽管通用目标检测器（如 Faster R-CNN, YOLO, SSD）在常规目标上表现出色，但在检测微小目标（如 AI-TOD 基准定义的：非常小目标 2-8 像素，小目标 8-16 像素，较小目标 16-32 像素）时性能急剧下降。
  • ​根本原因：​​ 微小目标极其有限的像素导致其特征表示非常微弱且缺乏区分度。深度神经网络的下采样过程导致信息丢失，这对微小目标尤其致命，使它们在特征图上几乎与背景无法区分（如图 1(b) 所示）。
  • ​现有方法的不足：​​ 现有的解决方案（如尺度感知特征融合、注意力机制、模仿学习）部分缓解了问题，但未能有效解决由极度有限像素引起的弱表示问题。注意力机制尤其容易受到微小目标稀疏像素的影响，导致注意力图不可靠。

解决方案：FIP-GDE 框架

论文提出了一种名为 ​Feature ​Information driven ​Position ​Gaussian ​Distribution ​Estimation (FIP-GDE) 的即插即用架构，旨在增强因信息丢失而变得微弱和难以区分的区域（即微小目标）。核心思想是从像素级信息量的角度出发来识别需要增强的区域。

  1. ​像素特征信息建模 (Pixels Feature Information Modeling - PFIM)​​

    • ​目标：​​ 无监督地识别图像中信息量丰富的区域（通常是显著目标，包括微小目标）。
    • ​原理：​​ 基于信息论（香农熵）。信息量 I(x) = -log₂p(x)，信息量大的区域（显著目标）出现概率 p(x) 小，信息量小（平滑背景）出现概率大。
    • ​方法：​​
      • 对底层特征图 P₂（记为 y）进行量化（添加均匀噪声模拟训练）。
      • 使用 CNN 参数估计模块预测每个像素元素的均值图 μ 和尺度图 σ（代表其高斯分布的参数）。
      • ​关键创新：​​ 最小化信息熵损失 (Information Entropy Loss - L_IE)​。该损失是量化特征 ŷ 的整体编码成本（比特数）的反映：L_IE = Σᵢ -log₂ pŷᵢ(ŷᵢ|μᵢ, σᵢ)。
      • ​优化过程的作用：​​ 最小化 L_IE 促使网络学习 y 的分布模型，使其能高效压缩特征。在此过程中，信息量大的区域（如目标）需要更多的编码比特（成本高），而背景区域需要的比特少（成本低）。
    • ​输出 - 信息图 (Information Map σ):​​
      • 预测的尺度图 σ 被发现与信息量图（每个像素的编码成本）高度正相关，且视觉上更显著（如图 3(b) 所示）。
      • σ 值大的区域对应信息量大、需要增强的显著区域（目标）。
      • 使用 σ 初步增强 P₂：y₁ = y ⊗ (1 + Mean(σ))（Mean 为通道维度平均）。

 

​2.位置高斯分布预测 (Position Gaussian Distribution Prediction - PGDP)​​

  • ​目标：​​ 提供监督信号，使信息图 σ 和增强过程更关注微小目标。微小目标需要在分布图中获得比普通目标更高的强度值。
  • ​核心组件 - 位置高斯分布图 (Position Gaussian Distribution Map M_GT):​​
    • 使用高斯混合模型 (Gaussian Mixture Model)​​ 建模。每个目标实例对应一个高斯分量。
    • ​关键创新 (缩放因子 αᵢ):​​ 高斯分量的协方差矩阵 Σᵢ^box 根据目标框的大小动态调整：Σᵢ^box = diag((wᵢ/αᵢ)², (hᵢ/αᵢ)²)。
    • αᵢ 取值：非常小目标 (vt) = 4, 小目标 (t) = 6, 较小目标 (s) = 8, 普通目标 = 10。这导致微小目标的协方差更小，在分布图中峰值更高​（如图 4 所示）。
    • 最终 M_GT 通过组合所有高斯分量、乘以实例数 N 并应用阈值处理来增强前景背景对比度获得。
  • ​预测模块：​​
    • 使用多尺度特征 P₂, P₃, P₄ 来预测 M_GT。
    • ​关键设计：​​ 将信息图 σ ​作为先验知识引导预测。输入为 [P₄ + (1/4)σ, P₃ + (1/2)σ, P₂ + σ] (1/4, 1/2 表示下采样)。
    • 网络结构包含卷积、反卷积和跨层连接（如图 2 所示），输出三个尺度的预测图 M_pd₂, M_pd₃, M_pd₄。
    • 使用加权均方误差损失 (L_pred) 进行深度监督，对目标区域（值 > 阈值 th）赋予更高权重（10 vs 背景的 0.1）。
  • ​协同作用：​​ σ 指导 M_pd 的预测；反过来，优化 L_pred 也有助于生成能更好识别微小目标信息丰富区域的 σ。
  • ​增强：​​ 使用预测的 M_pd₂ 增强 P₂：y₂ = y ⊗ (1 + M_pd₂)。

 

  1. ​特征融合与最终输出​

    • 将两个增强特征 y₁ (由 σ 增强) 和 y₂ (由 M_pd₂ 增强) 分别送入 ​CBAM (Convolutional Block Attention Module)​​ 模块进行进一步的空间和通道注意力优化。
    • 将两个经过注意力优化的特征图按元素相加 (Element-wise Addition)​​ 融合，得到最终的增强特征图 P₂'。
    • P₂' 替换原始 FPN 中的 P₂，送入检测头执行检测任务。

  2. ​损失函数​
    总损失函数结合了检测损失、信息熵损失和分布图预测损失：
    L = L_det + λ₁L_IE + λ₂L_pred （λ₁=0.01, λ₂=1.0）

实验结果

  • ​数据集：​​ 在三个公开的小目标检测数据集上进行了广泛实验：VisDrone2019, AI-TOD, AI-TODv2。

  • ​评估指标：​​ 遵循 AI-TOD 基准，包括 AP, AP₀.₅, AP₀.₇₅, APvt (非常小目标), APt (小目标), APs (较小目标)。

  • ​主要发现：​​

    • ​显著提升：​​ 作为即插即用模块集成到多种主流检测器（Faster R-CNN, Cascade R-CNN, DetectoRS, RFLA）中，均带来了显著性能提升，尤其在检测微小目标（APvt, APt）上提升最大（例如，在 VisDrone 上 Faster R-CNN 的 APt 提升 5.8 点）。
    • ​SOTA 性能：​​ 当与 RFLA 结合时，在 VisDrone2019 上取得了所有指标的最佳性能（AP=29.0, APvt=7.4）。在 AI-TOD 和 AI-TODv2 上，与 DetectoRS 结合也获得了极具竞争力的结果（通常是最好或次好）。
    • ​超越现有方法：​​ 性能优于近期专门针对小目标检测的方法（如 NWD-RKA, RFLA, SR-TOD, Salience DETR），证明了提出方法的优越性。特别指出 SR-TOD 的差异图依赖图像复原质量且会损失信息，而 FIP-GDE 直接在特征图层面识别信息损失区域。

  • ​消融研究 (Ablation Study)：​​

    • ​模块有效性：​​ PFIM 和 PGDP 模块均独立有效，结合使用效果最佳。
    • ​分布图建模：​​ 提出的基于目标大小动态调整 αᵢ 的高斯建模方法优于固定缩放因子、二值掩码或自注意力生成权重图。
    • ​先验引导：​​ 将 σ 通过 Pₙ + (scale)σ 的方式添加到输入进行引导效果最佳。
    • ​融合策略：​​ 元素相加融合 y₁ 和 y₂ 效果优于元素相乘或拼接。

  • ​分析：​​

    • ​信息图有效性：​​ 可视化（图 5, 图 6(a)）和信息熵损失分析（比特每像素 bpp 与场景密集度正相关，如图 7 所示）证明了 PFIM 能有效捕获信息量大的显著区域和目标的空间结构。

    • ​分布图有效性：​​ 可视化（图 6(b)）表明预测的分布图 M_pd₂ 能清晰区分前景背景，并赋予微小目标更高强度。最终增强特征 P₂'（图 6(c)）中的目标更显著，检测结果（图 6(f)）也证明了能检测出更多困难的微小目标。

 

主要贡献

  1. 首次从像素级信息量的角度提出增强微小目标弱特征表示的方法，通过最小化信息熵损失无监督地生成注意力信息图 σ。
  2. 引入由高斯混合模型建模的位置高斯分布图​ M_GT，并创新性地根据目标大小动态调整高斯分量协方差，使微小目标获得更高强度。
  3. 构建了以信息图为先验指导的多尺度分布图预测模块，协同调制信息图和分布图聚焦于微小目标。
  4. 提出的 FIP-GDE 框架是即插即用的，可灵活集成到类似 FPN 的检测器中，在三个公开数据集上的大量实验证明了其有效性和优越性，超越了当前最先进的方法。

核心代码实现

1. 像素特征信息建模模块（PFIM）

 

import torch
import torch.nn as nn
import torch.nn.functional as Fclass PFIM(nn.Module):def __init__(self, in_channels):super().__init__()# 参数估计网络：预测高斯分布的μ和σself.param_net = nn.Sequential(nn.Conv2d(in_channels, 64, 3, padding=1),nn.ReLU(),nn.Conv2d(64, in_channels * 2, 3, padding=1)  # 输出μ和σ)def forward(self, y):"""y: 输入特征图 [B, C, H, W]返回: 信息熵损失, 增强特征y1, 信息图σ"""# 1. 参数估计params = self.param_net(y)  # [B, 2*C, H, W]mu, sigma = torch.split(params, params.size(1)//2, dim=1)sigma = torch.exp(sigma)  # 确保正值# 2. 量化处理（添加均匀噪声）if self.training:y_hat = y + torch.rand_like(y) - 0.5  # U(-0.5, 0.5)else:y_hat = torch.round(y)  # 推理时直接取整# 3. 计算似然概率（公式5）upper = (y_hat + 0.5 - mu) / sigmalower = (y_hat - 0.5 - mu) / sigmap_yhat = self.std_normal_cdf(upper) - self.std_normal_cdf(lower)# 4. 计算信息熵损失（公式7）p_yhat = torch.clamp(p_yhat, min=1e-10)  # 避免log(0)loss_IE = -torch.log2(p_yhat).sum()# 5. 生成信息图（通道平均）info_map = sigma.mean(dim=1, keepdim=True)  # [B, 1, H, W]# 6. 特征初步增强（公式8）y1 = y * (1 + info_map)return loss_IE, y1, info_mapdef std_normal_cdf(self, x):"""标准正态分布累积函数近似"""return 0.5 * (1 + torch.erf(x / torch.sqrt(torch.tensor(2.0))))
2. 位置高斯分布预测模块（PGDP）
class PGDP(nn.Module):def __init__(self, in_channels):super().__init__()# 多尺度融合网络（P2-P4）self.conv_p2 = nn.Conv2d(in_channels, 64, 3, padding=1)self.conv_p3 = nn.Conv2d(in_channels, 64, 3, padding=1)self.conv_p4 = nn.Conv2d(in_channels, 64, 3, padding=1)# 上采样和融合层self.upsample = nn.ModuleList([nn.ConvTranspose2d(64, 64, 4, stride=2, padding=1),nn.ConvTranspose2d(64, 64, 4, stride=2, padding=1)])# 预测头self.pred_head = nn.Sequential(nn.Conv2d(64 * 3, 64, 3, padding=1),nn.ReLU(),nn.Conv2d(64, 1, 1)  # 输出单通道分布图)def forward(self, p2, p3, p4, info_map):"""输入: p2, p3, p4 - 多尺度特征图 [B, C, H, W]info_map - 信息图 [B, 1, H, W]返回: 预测分布图M_pd2, 增强特征y2"""# 1. 信息图下采样适配各尺度info_p4 = F.interpolate(info_map, size=p4.shape[2:]) * 0.25info_p3 = F.interpolate(info_map, size=p3.shape[2:]) * 0.5# 2. 特征与信息图融合p4_in = self.conv_p4(p4 + info_p4)p3_in = self.conv_p3(p3 + info_p3)p2_in = self.conv_p2(p2 + info_map)# 3. 上采样和特征融合p4_up = self.upsample[0](p4_in)  # P4->P3尺寸p3_fused = p3_in + p4_upp3_up = self.upsample[1](p3_fused)  # P3->P2尺寸p2_fused = torch.cat([p2_in, p3_up, p3_up], dim=1)# 4. 预测最终分布图M_pd2 = torch.sigmoid(self.pred_head(p2_fused))# 5. 特征增强y2 = p2 * (1 + M_pd2)return M_pd2, y2
3. 特征增强与融合模块
class FeatureEnhancer(nn.Module):def __init__(self, in_channels):super().__init__()# CBAM注意力模块（简化实现）self.channel_att = nn.Sequential(nn.AdaptiveAvgPool2d(1),nn.Conv2d(in_channels, in_channels//8, 1),nn.ReLU(),nn.Conv2d(in_channels//8, in_channels, 1),nn.Sigmoid())self.spatial_att = nn.Sequential(nn.Conv2d(2, 1, 7, padding=3),nn.Sigmoid())def forward(self, y1, y2):"""输入: PFIM增强特征y1, PGDP增强特征y2返回: 融合后的增强特征P2'"""# 1. 分别应用CBAM注意力y1_att = self.cbam(y1)y2_att = self.cbam(y2)# 2. 特征融合（元素相加）y_fused = y1_att + y2_attreturn y_fuseddef cbam(self, x):"""简化版CBAM"""# 通道注意力channel_att = self.channel_att(x)x_channel = x * channel_att# 空间注意力avg_out = torch.mean(x_channel, dim=1, keepdim=True)max_out, _ = torch.max(x_channel, dim=1, keepdim=True)spatial_att = self.spatial_att(torch.cat([avg_out, max_out], dim=1))return x_channel * spatial_att
4. 整体框架集成
class FIPGDE(nn.Module):def __init__(self, backbone_channels):super().__init__()# 实例化核心模块self.pfim = PFIM(backbone_channels)self.pgdp = PGDP(backbone_channels)self.enhancer = FeatureEnhancer(backbone_channels)# 损失权重self.lambda1 = 0.01self.lambda2 = 1.0def forward(self, p2, p3, p4, gt_bboxes=None):"""输入: p2, p3, p4 - FPN特征图gt_bboxes - 训练时提供GT框用于生成M_GT返回: 增强后的P2'特征, 总损失"""# 1. PFIM模块loss_IE, y1, info_map = self.pfim(p2)# 2. PGDP模块M_pd2, y2 = self.pgdp(p2, p3, p4, info_map)# 3. 计算PGDP损失（训练时）loss_pred = 0if gt_bboxes is not None:M_GT = self.generate_M_GT(gt_bboxes, p2.shape)# 加权MSE损失（公式13）mask = (M_GT > self.threshold).float()weights = mask * 10 + (1 - mask) * 0.1loss_pred = F.mse_loss(M_pd2, M_GT, reduction='none')loss_pred = (loss_pred * weights).mean()# 4. 特征增强与融合p2_prime = self.enhancer(y1, y2)# 5. 总损失total_loss = loss_IE * self.lambda1 + loss_pred * self.lambda2return p2_prime, total_lossdef generate_M_GT(self, gt_bboxes, feat_shape):"""生成位置高斯分布图（公式9-12）gt_bboxes: [N, 5] (batch_idx, x1, y1, x2, y2)feat_shape: [B, C, H, W]"""# 初始化M_GT为零矩阵B, _, H, W = feat_shapeM_GT = torch.zeros(B, 1, H, W, device=gt_bboxes.device)# 遍历所有GT框for box in gt_bboxes:b, x1, y1, x2, y2 = boxb = int(b)# 计算中心点（映射到特征图坐标）cx = ((x1 + x2) / 2) / 4  # P2尺寸是原图1/4cy = ((y1 + y2) / 2) / 4w = (x2 - x1) / 4h = (y2 - y1) / 4# 确定缩放因子α（基于目标大小）area = w * hif area < 8:    alpha = 4   # very tinyelif area < 16: alpha = 6   # tinyelif area < 32: alpha = 8   # smallelse:           alpha = 10  # general# 生成高斯分布（公式10）x_grid, y_grid = torch.meshgrid(torch.arange(W, device=M_GT.device), torch.arange(H, device=M_GT.device))gaussian = torch.exp(-(((x_grid - cx) / (w/alpha))​**2 + ((y_grid - cy) / (h/alpha))​**2))# 累加到M_GT（公式11）M_GT[b, 0] += gaussian# 后处理（公式12）M_GT *= len(gt_bboxes) / (B * len(gt_bboxes))  # 平均化threshold = M_GT.mean()M_GT = ((M_GT > threshold).float() * 0.5 + M_GT)return M_GT

论文地址：https://openaccess.thecvf.com/content/CVPR2025/papers/Bian_Feature_Information_Driven_Position_Gaussian_Distribution_Estimation_for_Tiny_Object_CVPR_2025_paper.pdf​​​​​​​

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.pswp.cn/pingmian/89945.shtml
繁体地址，请注明出处：http://hk.pswp.cn/pingmian/89945.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

三大工厂设计模式

三大工厂设计模式

1.简单工厂模式1.1需求入手从需求进行入手&#xff0c;可以更深入的理解什么是设计模式。有一个制作披萨的需求&#xff1a;需要便于扩展披萨的种类&#xff0c;便于维护。1.披萨的种类有很多&#xff1a;GreekPizz&#xff0c;CheesePizz等2.披萨的制作流程&#xff1a;prepar…
阅读更多...
SpringBoot--Mapper XML 和 Mapper 接口在不同包

SpringBoot--Mapper XML 和 Mapper 接口在不同包

&#x1f9e9; 背景说明在 Spring Boot 中&#xff0c;MyBatis 默认要求 Mapper 接口和 XML 文件位于相同包路径。 但在实际项目中&#xff0c;为了模块化或结构清晰&#xff0c;常将 XML 放在 resources/mybatis/... 下&#xff0c;这种做法就必须进行额外配置。&#x1f4c1;…
阅读更多...
公交车客流人数统计管理解决方案：智能化技术与高效运营实践

公交车客流人数统计管理解决方案：智能化技术与高效运营实践

1. 引言公交车作为城市公共交通的核心组成部分&#xff0c;其客流数据的精准统计与管理直接影响运营效率、调度优化和乘客体验。传统的人工统计方式效率低、误差大&#xff0c;难以满足现代智慧交通的需求。随着人工智能&#xff08;AI&#xff09;、物联网&#xff08;IoT&…
阅读更多...
正则表达式完全指南：从入门到实战

正则表达式完全指南：从入门到实战

目录 一、什么是正则表达式&#xff1f; 二、基础语法速查表 三、进阶特性 1.分组与捕获 2.非捕获分组 3.前瞻与后顾 4.贪婪与懒惰匹配 四、实战案例 案例1&#xff1a;验证手机号 案例2&#xff1a;提取网页中所有链接 案例3&#xff1a;密码强度验证 一、什么是正…
阅读更多...
SmartETL循环流程的设计与应用

SmartETL循环流程的设计与应用

1. 引言 **检索增强生成&#xff08;RAG&#xff09;**是指通过检索对大模型生成进行增强的技术&#xff0c;通过充分利用信息检索&#xff08;尤其是语义检索&#xff09;相关技术&#xff0c;实现大模型快速扩展最新知识、有效减少幻觉的能力。主流RAG框架包括问题理解、知识…
阅读更多...
uni-app开发小程序，根据图片提取主题色值

uni-app开发小程序，根据图片提取主题色值

需求&#xff0c;在页面根据传入的图片提取图片主色值并用来设置区块背景色<template><view class"icon-container"><view class"sport-icon" :style"{ backgroundColor: mainColor }"><image :src"/static/images/sp…
阅读更多...
ESP32-Cam三脚架机器人：DIY你的智能移动监控平台

ESP32-Cam三脚架机器人：DIY你的智能移动监控平台

项目概述 在物联网与机器人技术融合发展的今天&#xff0c;基于ESP32的创意项目层出不穷。今天为大家介绍一款极具创新性的ESP32-Cam三脚架机器人&#xff08;Dodge&#xff09;&#xff0c;它将传统三脚架结构与智能监控功能完美结合&#xff0c;通过巧妙的机械设计和开源硬件…
阅读更多...
Kotlin集合过滤

Kotlin集合过滤

过滤操作 在处理集合时&#xff0c;根据特定条件过滤集合或检查集合中是否包含符合特定条件的元素是软件开发中的常见任务。为了解决这个问题&#xff0c;我们可以使用 Kotlin 中实现的函数式 API。 在本主题中&#xff0c;我们将介绍如何使用谓词过滤集合&#xff0c;并获得满…
阅读更多...
14.8 LLaMA2-7B×Dolly-15K实战：从准确率63%到89%，如何用优质数据让大模型性能飙升42%？

14.8 LLaMA2-7B×Dolly-15K实战：从准确率63%到89%，如何用优质数据让大模型性能飙升42%？

LLaMA2-7BDolly-15K实战：从准确率63%到89%，如何用优质数据让大模型性能飙升42%？ 在大模型微调中，“数据质量”往往比“数据数量”更能决定最终效果。Databricks发布的Dolly-15K数据集以“全人工标注+多维度校验”的特点，成为指令微调的“黄金样本”——用它微调后的LLaMA…
阅读更多...
OpenCV中常用特征提取算法（SURF、ORB、SIFT和AKAZE）用法示例（C++和Python）

OpenCV中常用特征提取算法（SURF、ORB、SIFT和AKAZE）用法示例（C++和Python）

OpenCV 中提供了多种常用的特征提取算法&#xff0c;广泛应用于图像匹配、拼接、SLAM、物体识别等任务。以下是 OpenCV 中几个主流特征提取算法的 用法总结与代码示例&#xff0c;涵盖 C 和 Python 两个版本。常用特征提取算法列表算法特点是否需额外模块SIFT&#xff08;尺度不…
阅读更多...
复杂度+包装类型+泛型

复杂度+包装类型+泛型

什么是集合框架什么是数据结构什么是算法时间复杂度与空间复杂度的概念时间复杂度的表达方式时间复杂度的大 O 的渐近表示法时间复杂度函数的大小排序包装类和泛型基本数据类型和对应的包装类型包装类型出现的原因什么叫做装箱&#xff08;装包&#xff09;和拆箱&#xff08;拆…
阅读更多...
硬件设计学习DAY15——自举电容：MOSFET高端驱动的核心奥秘

硬件设计学习DAY15——自举电容：MOSFET高端驱动的核心奥秘

每日更新教程&#xff0c;评论区答疑解惑&#xff0c;小白也能变大神&#xff01;" 目录 一.自举电容 1.自举电容的作用 2.自举电路原理 3.工作过程分析 4.实际应用中的问题 5.关键要点 二.自举电容实现MOSFET高端驱动 2.1MOSFET半桥高端驱动的基本原理 2.2自举电…
阅读更多...
【SpringAI实战】实现仿DeepSeek页面对话机器人

【SpringAI实战】实现仿DeepSeek页面对话机器人

一、实现效果 二、代码实现 2.1 后端代码 2.2 前端代码 一、实现效果 可以保存聊天记录与会话记录 二、代码实现 2.1 后端代码 pom.xml <!-- 继承Spring Boot父POM&#xff0c;提供默认依赖管理 --><parent><groupId>org.springframework.boot</grou…
阅读更多...
RedisJSON 指令精讲JSON.STRLEN 高效统计字符串长度

RedisJSON 指令精讲JSON.STRLEN 高效统计字符串长度

1 场景与价值 在日志累加、指标采集、消息追踪等场景中&#xff0c;我们常需快速判断某个字符串字段“到底有多长”&#xff0c;以便&#xff1a; 阻止过大日志&#xff1a;若长度超限则截断或归档&#xff1b;动态分桶&#xff1a;按长度选择不同存储策略&#xff1b;性能监控…
阅读更多...
大数据量查询计算引发数据库CPU告警问题复盘

大数据量查询计算引发数据库CPU告警问题复盘

大数据量查询计算引发数据库CPU告警问题复盘一、背景二、根因分析三、解决方案方案1&#xff1a;多线程缓存方案2&#xff1a;利用中间表缓存四、总结一、背景 2025年7月份某天&#xff0c;CDP系统每天不定时推送我们的Portal服务&#xff0c;生产环境运营看板会展示统计数据&…
阅读更多...
2025最新版虚幻引擎5(UE5)C++入门教程：前言——你的随身教程和学习笔记

2025最新版虚幻引擎5(UE5)C++入门教程：前言——你的随身教程和学习笔记

大家好&#xff0c;我是开发游戏的老王&#xff0c;一名高校教师&#xff0c;我主讲游戏开发已有十余年时间&#xff0c;通过我的博客大家应该可以了解我所涉猎的游戏技术范畴非常广泛&#xff0c;除了Unreal,Unity,Godot等主流游戏引擎&#xff0c;还包括Blender、Houdini、3D…
阅读更多...
（3）重定向 | 时间相关指令 | 文件查找 | 打包与压缩

（3）重定向 | 时间相关指令 | 文件查找 | 打包与压缩

Ⅰ . 初始重定向01 输出重定向 >在上一节中我们为了方便讲解 head 和 tail 指令&#xff0c;我们用到了 > 去生成了一千行文本。通过 > 将生成的一千行文本写入到了 large.txt 中……我们现在来正式介绍一下&#xff1a;$ echo "内容" > [目标] 本来应…
阅读更多...
DTH11测量温湿度学习（第十一天）

DTH11测量温湿度学习（第十一天）

&#x1f468;‍&#x1f4bb;个人主页&#xff1a;开发者-削好皮的Pineapple! &#x1f468;‍&#x1f4bb; hello 欢迎 点赞&#x1f44d; 收藏⭐ 留言&#x1f4dd; 加关注✅! &#x1f468;‍&#x1f4bb; 本文由 削好皮的Pineapple! 原创 &#x1f468;‍&#x1f4…
阅读更多...
Go语言初识--标识符 可见性

Go语言初识--标识符 可见性

Go语言初识–标识符 可见性 和C语言相似&#xff0c;go语言的基本组成有&#xff1a; 包声明&#xff0c;编写源文件时&#xff0c;必须在非注释的第一行指明这个文件属于哪个包&#xff0c;如package main。引入包&#xff0c;其实就是告诉Go 编译器这个程序需要使用的包&…
阅读更多...
Python实例之画小猪佩奇

Python实例之画小猪佩奇

效果图&#xff1a;python代码以及解释&#xff0c;没有运用模块。 """ 绘制小猪佩奇 """ from turtle import *def nose(x,y):"""画鼻子"""penup()# 将海龟移动到指定的坐标goto(x,y)pendown()# 设置海龟的方向&…
阅读更多...
最新文章

Copyright @ 2022~2023