[Survey]Remote Sensing Temporal Vision-Language Models: A Comprehensive Survey
BaseInfo
| Title | Remote Sensing Temporal Vision-Language Models: A Comprehensive Survey |
| Adress | https://arxiv.org/abs/2412.02573 |
| Journal/Time | 2024 arxiv |
| Author | 北航 上海AI Lab |
| Code | https://github.com/Chen-Yang-Liu/Awesome-RS-Temporal-VLM |
1. Introduction
- 传统遥感局限：传统遥感时间图像分析聚焦变化检测，确定不同时间图像变化区域，但局限于视觉层面，常缺上下文或描述性信息，难以捕获动态变化。
- 新机遇引入：视觉 - 语言模型（VLM）兴起，为遥感时间图像分析带来新维度，能创建变化的语言描述，实现跨模态理解。
- RS - TVLMs 用于时间图像理解，处理变化描述、视觉问答等任务。现有 RS - TVLMs 研究虽热度渐涨，但仍稀缺，且多关注特定任务孤立方法，缺乏对领域整体进展和未来方向系统性综述。
2. From Change Detection to Temporal Vision-Language Understanding
遥感变化检测：变化检测（CD）是多时相遥感图像分析基础任务，旨在对比不同时间遥感图像，识别像素级变化区域掩码。按掩码类型分二元变化检测和语义变化检测。
Temporal Vision-Language Models (RS-TVLMs)
从二元变化检测到语义变化检测，再到视觉 - 语言理解的进展，代表了从传统视觉分析向结合视觉和文本信息的更全面多模态语义理解的转变。
变化描述 、变化视觉问答 、变化定位 以及文本到变化检索 。
基础语言模型
长短期记忆网络（LSTM）：长短期记忆网络（LSTM） 是循环神经网络（RNN）的一种特殊类型，旨在解决传统 RNN 在处理长序列数据时学习长期依赖关系的挑战。
Transformer 并行处理整个输入序列，赋予其全局感受野。这种并行化提高了效率和可扩展性。
Mamba：最近，由于其全局感受野和线性计算复杂度，状态空间模型（SSMs） 已成为有前景的模型。
大语言模型
基于 Transformer 架构并通过扩大数据和计算规模 ，LLMs 在预训练期间学习大量知识，以开发强大的语言理解和生成能力。这些模型在各种任务中表现出色，包括微调的下游任务 ，甚至在少样本或零样本学习场景中 。
- Encoder-only models (e.g., BERT [130]),
- EncoderDecoder models (e.g., T5 [106]),
- Decoder-only models(e.g., GPT series, LLaMA [131], Gemini [132]).
LLM 的训练过程主要包括几个阶段。
- 第一阶段是预训练，在此期间，大规模模型从大规模无标签数据中学习通用语言表示，通过自监督学习。常见的预训练任务包括掩码语言建模（MLM）和自回归掩码建模（ALM） ，这两者都有助于模型学习文本中的语言上下文关系。
- 预训练后，模型进入监督指令微调阶段，在此阶段，它在标记数据上进行进一步训练，以提高其在特定任务上的性能 。在某些情况下，会引入额外奖励建模。在这里，外部反馈信号（如人类评级或用户行为数据）用于评估模型输出的质量。强化学习方法确保奖励信号与人类期望一致，以进一步优化模型，使输出更符合人类预期 。
Remote Sensing Temporal Vision-Language Models
遥感时间图像中视觉 - 语言理解的研究主要集中在几个关键方面：变化描述、变化视觉问答和变化定位。这些任务旨在通过利用多模态模型和语言理解来增强遥感时间图像的解释。
遥感变化描述:Remote Sensing Change Captioning
旨在生成自然语言描述，精准刻画不同时刻遥感图像空间特征变化，助力用户理解关键变化，为遥感数据决策分析提供语义支持。多基于深度学习，采用视觉编码、时频融合、语言解码三阶段架构.视觉编码从双时相图像提取语义特征，常用卷积神经网络（CNNs）或视觉变换器（VITs ） ，部分结合全局注意力机制，如 ResNet 、VIT 等；时频融合整合双时相特征，捕捉潜在时间特征；语言解码将融合特征转化为自然语言，长短期记忆网络（LSTM）或简单 Transformer 解码器较常用 。
采用自监督学习提取特征增强鲁棒性 ；还聚焦时频融合阶段，提出分层自注意力网络动态聚焦图像不同区域，或用空间差分自注意力模块（SSM ） 、双时态变压器（TT - SSM ）实现双时态联合建模 ；在语言解码方面，有研究将融合视觉特征转化为自然语言描述，或解耦 “变化是否发生” 和 “变化内容” 问题，通过多提示学习提高图像对描述能力 。
变化检测与描述的多任务学习:Multi-task learning of Change Detection and Captioning
变化检测关注生成像素级或语义级变化掩码，变化描述则旨在理解变化语义，包括对象属性和上下文关系。鉴于二者关联，近期有相关研究探索协同处理这两项任务 。
该编码器从双时相图像中提取特征。在视觉编码阶段，模型关注双时相特征，而变化检测分支利用视觉编码器提取的多尺度双时相特征来检测变化。同时，变化描述分支通常只利用最深层的视觉特征来聚焦变化，其设计与单任务变化描述模型非常相似。
平衡多任务学习框架中两个任务的训练是一个关键挑战。当前的研究通常应用加权损失，结合变化检测和描述的损失权重。
遥感变化视觉问答 Remote Sensing Change Visual Question Answering
遥感变化视觉问答（RS - CVQA）任务旨在根据多时相遥感图像生成自然语言用户响应，以回答特定问题。与变化检测和变化描述不同，RS - CVQA 需要交互式语言参与。
RS - CVQA 模型框架的典型阶段：视觉编码、问题编码、多模态交互和答案生成。
在视觉编码阶段，模型通常使用两个编码器分别提取与多时相遥感图像相关的特征，然后在时间融合中融合这些特征，以捕捉变化相关信息。
在问题编码阶段，预训练语言模型（如 BERT 或 GPT ）通常用于将用户的复杂问题转化为适合模型理解的语义嵌入。在多模态交互阶段，应用注意力机制（如自注意力和交叉注意力）来对齐视觉和语言特征，使模型能够关注变化区域并捕捉它们之间的关键关系，从而增强对与图像相关的上下文的理解，并确保生成的答案仍然与视觉内容相关。
最后，答案生成阶段将融合的多模态特征转换为自然语言响应。基于答案生成方法，RS - CVQA 方法大致分为两类：候选答案和逐词生成。在基于候选的 RS - CVQA 中，答案生成模块设计为多分类器，从 5 个预定义的候选答案中选择最佳答案。
遥感文本到变化检索 Remote Sensing Text-to-Change Retrieval
根据用户输入的描述图像变化的文本查询，高效检索双时相图像对。RSI - TCR 更为复杂，因为它涉及 “时相图像” 与 “文本” 之间的 “后事件匹配”.
RSI - TCR 的核心挑战之一是假阴性问题。具体来说，在训练批次中，被标记为负样本的图像对，实际上可能是与查询文本匹配的正样本，这会干扰模型训练。
遥感变化定位 Remote Sensing Change Grounding
旨在识别和定位，用户提供的文本查询中所提及的双时相遥感图像内的变化区域。通过将自然语言作为查询模态，与传统限于固定类别输出的变化检测相比，RS - CG 显著增强了用户交互的灵活性。
RS - CG 的输出通常有两种形式：边界框和像素级掩码.边界框用矩形轮廓标注变化区域，直观呈现目标变化的空间位置。像素级掩码则精确勾勒变化区域的形状和边界，是精细分析的理想选择。
Large Language Models Meets Temporal Images
LLM-based Change Captioning
PromptCC 是将 LLMs 引入该任务的早期开创性工作。
PromptCC 采用共享视觉编码器提取双时相图像特征。特征级编码器融合这些特征，以整合丰富语义，然后输入到 GPT - 2 作为前缀标记。GPT - 2 将这些视觉标记转化为准确的语言描述。为了在该任务中最大化 LLMs 的潜力，PromptCC 引入了一种基于多提示学习的分类器，显著提高了语言生成质量，且无需对 GPT - 2 模型进行微调。这项工作为在变化描述任务中利用 LLMs 奠定了坚实基础。
LLM-based Change Visual Question Answering
ChangeChat 是该领域的早期研究，采用了类似于 LLaVA 的架构，通过简单的桥接双时相图像特征和 LLMs ，实现与变化相关的多模态对话。
TeoChat 分析任意时间长度的多时相图像，并采用多种联合训练机制，同时优化多个任务，包括时间场景分类、变化检测、变化参考表达和变化问答。这种设计增强了模型的灵活性和稳健性，使其能够进行全面的时空推理。TeoChat 为所有任务的自然语言格式响应进行编码，使基于用户指令的统一任务执行成为可能。
LLM-based Agents
基于 LLM 的智能体通常将 LLMs 用作核心控制器，采用模块化设计，并集成各种工具和模型，以动态适应用户需求，提供高度的灵活性和自主性。
基于 LLM 的智能体具有显著优势，克服了传统模型局限于单任务的缺点。然而，该领域的研究仍处于初期阶段。未来的进展可能集中在优化智能体调度机制、融入遥感领域特定知识以及拓宽解译任务范围。这些努力将为在实际时间图像理解应用中部署智能体奠定坚实基础。
6. Evaluation Metrics
- 语言生成指标：包含了 BLEU、ROUGE、METEOR、CIDEr、 S m ∗ S_{m}^{*} Sm∗ 、BERTScore 等。这些指标各自有其特点和作用，用于评估语言生成的质量，比如评估将图像变化转化为自然语言描述这类任务中生成文本的准确性、完整性、流畅性等方面。
- 文本图像检索指标：如 Recall@K、Precision@K 等，用于评估在根据文本查询检索相关图像任务中的性能，衡量检索结果的召回率和精确率等。
- 局部化指标：像 MIoU、CIoU、Precision@k 等，用于评估对图像中特定区域进行定位和识别的准确性，在遥感变化定位等任务中起到重要作用。
7. Temporal Vision-Language Dataset
匹配时间图像和文本的数据集,匹配时间图像、文本和掩码的数据集，匹配时间图像和问答指令的数据集
8. 未来展望
- 大规模基准数据集：当前时间视觉 - 语言理解研究依赖少量标准数据集，规模和多样性有限，难以满足需求。未来需开发更全面的遥感时间视觉 - 语言数据集，覆盖多样场景和时间点，支持复杂模型训练。
- 时间视觉 - 语言基础模型：以往研究多关注变化描述和变化视觉问答等单一任务，未来可探索统一的时间视觉 - 语言基础模型，整合 LLMs 推理能力，提升时间图像分析灵活性和效率，促进不同任务协同。
- 可变时间视觉 - 语言理解：随着遥感技术发展，多时相遥感图像获取增多，时间序列长度和频率各异。未来研究应聚焦高效处理任意时间长度序列，捕捉丰富时空信息，提升模型对多时相图像理解，应对模型设计挑战。
- 多模态时间图像：现有研究主要关注卫星光学图像时间视觉 - 语言理解，未来可转向多模态融合，结合光学、SAR、红外等数据，全面理解时空感知特征，如 SAR 图像在恶劣天气下可稳定观测。
- 时间智能体：基于 LLMs 的智能体在多任务执行和自动推理展现潜力，未来可设计遥感时间图像理解智能体，根据用户需求动态调整任务策略，结合外部知识库，在复杂时间场景中提升推理能力，为时间遥感图像理解提供灵活高效方案。
相关文章：
[Survey]Remote Sensing Temporal Vision-Language Models: A Comprehensive Survey
BaseInfo TitleRemote Sensing Temporal Vision-Language Models: A Comprehensive SurveyAdresshttps://arxiv.org/abs/2412.02573Journal/Time2024 arxivAuthor北航 上海AI LabCodehttps://github.com/Chen-Yang-Liu/Awesome-RS-Temporal-VLM 1. Introduction 传统遥感局限…...
Linux56 YUM源配置
epel未启动 显示系统未通过注册 配置YUM仓库 本地YUM仓库 1.备份 tar -zcf repo.tar.gz *.repo 2.挂载 mount -o ro /dev/sr0 /mnt 3.开机自启 chmod x /etc/rc.local echo ‘mount -o ro /dec/sr0 /mnt’ /etc/rc.local 4.编写本地YUM仓库 local.repo [local] namelocal yum …...
mysql 如何查询数据库链接日志
1，查看是否开启日志 SHOW GLOBAL VARIABLES LIKE general_log; -- 查看是否开启通用查询日志（包括连接记录） 1.1，假如没开启，可以临时开启，做测试；服务重启，配置失效…...
Element-Plus-X开源程序是Vue3 + Element-Plus 开箱即用的企业级AI组件库前端的解决方案
一、软件介绍 文末提供程序和源码下载 Element-Plus-X开源程序是Vue3 Element-Plus 开箱即用的企业级AI组件库前端的解决方案。 二、核心特性 ✨ 企业级 AI 组件：内置聊天机器人、语音交互等场景化组件🚀 零配置集成：基于 Element-Plus …...
基于DevSecOps敏捷框架的数字供应链安全应解决方案
基于DevSecOps敏捷框架的数字供应链安全应解决方案是以“AI智能代码疫苗技术”深度赋能原创专利级“多模态SCADevSecOpsSBOM情报预警”的第四代DevSecOps数字供应链安全管理体系,在DevSecOps敏捷安全体系建设、数字供应链安全审查、开源供应链安全治理和云原生安全体系建设四大…...
2025年北京市职工职业技能大赛第六届信息通信行业网络安全技能大赛初赛-wp
- -考试当场没做出来 后面做的 misc ❯ cd misc ❯ ls num.docx num.zip ❯ unzip num.docx Archive: num.docxinflating: [Content_Types].xmlinflating: _rels/.relsinflating: word/document.xmlinflating: word/_rels/document.xml.relsextracting: word/media/image1.jp…...
2、实验室测控系统 - /自动化与控制组件/lab-monitoring-system
76个工业组件库示例汇总 实验室测控系统开发组件 这是一个专为实验室设备数据采集与分析设计的可视化测控系统组件。采用工业风格界面设计，提供了丰富的动态数据展示与分析功能，可应用于各类实验室环境中的设备监控和数据处理。 功能特点 多设备管理…...
Blender插件机制设计与Python实现
Blender插件机制设计与Python实现 Blender的插件机制是其强大扩展性的核心，允许开发者通过Python创建自定义功能。下面我将详细介绍Blender插件系统的设计原理，并提供一个完整的示例。 Blender插件系统设计原理 模块化架构：Blender将插件作…...
自定义一个 Spring Boot Starter -笔记
SpringBoot Starter的介绍参考： Spring Boot Starter简介-笔记-CSDN博客。这里介绍如何自定义一个springBoot Starter。 1. 项目结构 创建一个 Maven 项目，结构如下： custom-spring-boot-starter-demo/ ├── custom-hello-jdk/ # jdk模…...
【Part 2安卓原生360°VR播放器开发实战】第三节｜实现VR视频播放与时间轴同步控制
《VR 360全景视频开发》专栏 将带你深入探索从全景视频制作到Unity眼镜端应用开发的全流程技术。专栏内容涵盖安卓原生VR播放器开发、Unity VR视频渲染与手势交互、360全景视频制作与优化，以及高分辨率视频性能优化等实战技巧。 📝 希望通过这个专栏&am…...
读 书 说
好久没有坐下来手敲打字去输出或者记录分享一些比较正式的事情。 今天节后综合征，虽然我已经加了两天班了，但是还是不想加班便准点下班了。 今天来聊聊看书。 为什么会看书？最开始正如我之前提到过，人脉资源不多，也不…...
DOCX转PDF怎么操作最简单？快速将DOCX转换为专业PDF文档
在日常办公或学习中，我们经常需要将 Word 文档（.docx格式）转换为 PDF 文件。这不仅有助于保持文档格式的一致性，还能确保接收者无需特定软件即可查看文件内容。本文将详细介绍几种常见的方法来实现从 DOCX 到 PDF 的转换ÿ…...
免费轻量化办公pdf修改软件 一键格式转换基础修改到高级加密
各位办公软件小能手们！今天咱来聊聊一款超厉害的 PDF 编辑软件——PDFXEdit。你知道吗，这软件就像个 PDF 处理的超级魔法师，能全方位搞定 PDF 文档。下面我就给大家详细说说它的那些功能和适用场景。 首先是基础编辑功能。这软件在文本与图像…...
【HFP】蓝牙语音通信高级功能解析：快速拨号与呼叫等待协议实现
在蓝牙语音通信系统中，除了基础的通话建立与控制流程，高级功能如快速拨号（内存拨号、最后号码重拨）和呼叫等待通知的实现，直接影响着用户体验的便捷性与系统的实用性。这些功能依赖于蓝牙协议中特定的 AT 命令交互、状…...
CVE-2025-24813：Apache Tomcat RCE 漏洞分析
CVE-2025-24813 是 Apache Tomcat 中的一个严重远程代码执行 (RCE) 漏洞，源于路径等效缺陷，允许攻击者绕过安全约束并远程执行任意代码。 CYFIRMA 的研究发现了一些活跃的漏洞利用，一些 PoC 漏洞在地下论坛上流传。攻击者利用基于 HTTP PUT 的任意文件上传、NTFS 连接漏洞利…...
神经网络之训练的艺术：反向传播与常见问题解决之道
神经网络训练的艺术：反向传播与常见问题解决之道 摘要 神经网络是现代机器学习的核心工具之一，而反向传播则是其训练过程中不可或缺的算法。本文深入探讨了反向传播的工作原理以及在训练过程中常见的问题，如梯度消失、梯度爆炸、死 ReLU 单…...
小土堆pytorch--transform
torchvision中的transform torchvision中的transform1. transforms的使用1.1 transforms的结构及用法理论1.2 相应代码1.3 对上述代码的解释 2. 常见的transforms2.1 python 的call函数2.2 ToTensor的使用2.3 Normalize的使用2.4 Resize的使用2.5 Compose的使用2.6 RandomCrop的…...
【Django】REST 常用类
ModelSerializer serializers.ModelSerializer 是 Django REST framework（DRF）里的一个强大工具，它能极大简化序列化和反序列化 Django 模型实例的流程。下面从多个方面详细介绍它： 1. 基本概念 序列化是把 Django 模型实例转化…...
PyTorch常用命令详解：助力深度学习开发
📌 友情提示： 本文内容由银河易创AI（https://ai.eaigx.com）创作平台的gpt-4-turbo模型生成，旨在提供技术参考与灵感启发。文中观点或代码示例需结合实际情况验证，建议读者通过官方文档或实践进一步确认其准…...
第二章 Logback的架构（二）
Logger, Appenders 和 Layouts Appenders 和 Layouts 基于日志记录器选择性地启用或禁用日志记录请求只是其中的一部分功能。Logback允许将日志记录请求输出到多个目标。在Logback术语中，输出目标被称为Appender。 目前，已经存在适用于控制台、文件、远…...
【大数据】服务器上部署Apache Paimon
1. 环境准备 在开始部署之前，请确保服务器满足以下基本要求： 操作系统: 推荐使用 Linux（如 Ubuntu、CentOS）。 Java 环境: Paimon 依赖 Java，推荐安装 JDK 8 或更高版本。 Flink 环境: Paimon 是基于 Apache Flink 的…...
【IP101】图像处理进阶：从直方图均衡化到伽马变换，全面掌握图像增强技术
🌟 图像增强魔法指南 🎨 在图像处理的世界里，增强就像是给图片化妆，让它展现出最佳的状态。让我们一起来探索这些神奇的增强术吧！ 📚 目录 基础概念 - 图像增强的"美容院"直方图均衡化 - 光线的…...
的加密问题)
【Azure Redis 缓存】关于Azure Cache for Redis 服务在传输和存储键值对(Key/Value)的加密问题
问题描述 Azure Cache for Redis 服务在传输和存储数据时是如何加密呢？ 问题回答 一：关于Azure cache for Redis服务在数据传输过程中是如何加密的？ 为了确保在Azure cache for Redis和客户端应用程序之间传输的数据安全，需要启用…...
Cursor 被封解决方案
一、注册一个无限邮箱 没事点点广告，让网站活久一点(✪ω✪) 2925邮箱-无限邮2925无限邮箱支持多种客户端收发邮件且数据安全加密多端同步。只需要注册一个账号，就能生成无限多个2925子邮箱账号，同时利用一邮多用功能对多个子邮箱邮件进行集…...
spring上传文件添加水印
1、实现 MultipartFile package com.pojo.common.core.domain;import java.io.ByteArrayInputStream; import java.io.File; import java.io.IOException; import java.io.InputStream;import org.springframework.lang.Nullable; import org.springframework.util.Assert; im…...
CSS分栏布局
分栏布局将区域划分为若干垂直的栏，子元素放置到栏中，填满一个后再填充下一个。如果设置了 column-count 栏数量或 column-width 栏宽度，元素就成为分栏容器。需要注意， column-width 实际上是最小栏宽度。浏览器使用这个值计算栏…...
通过 ModernBERT 实现零样本分类的性能提升
文本分类 是机器学习中最基础的任务之一，拥有悠久的研究历史和深远的实用价值。更重要的是，它是许多实际项目中不可或缺的组成部分，从搜索引擎到生物医学研究都离不开它。文本分类方法被广泛应用于科学论文分类、用户工单分类、社交媒体情感分…...
【AI】Ubuntu 22.04 4060Ti 16G vllm-api部署Qwen3-8B-FP8
下载模型 # 非常重要，否则容易不兼容报错 pip install modelscope -U cd /data/ai/models modelscope download --model Qwen/Qwen3-8B-FP8 --local_dir ./Qwen3-8B-FP8 安装vllm 创建虚拟环境 mkdir vllm cd vllm/ python -m venv venv ource venv/bin/activat…...
QML ProgressBar控件详解
在 QML 中，ProgressBar 是一个常用的进度条控件，用于显示任务的完成进度。以下是 ProgressBar 的详细用法，包括基本用法、自定义样式、动态绑定数据等。 1. 基本用法 1.1 最简单的 ProgressBar import QtQuick.Controls 2.15ProgressBar {w…...
STM32教程：串口USART通讯协议原理及分析（基于STM32F103C8T6最小系统板标准库开发）*详细教程*
前言： 本文主要介绍了单片机的通讯协议和STM32的串口USART通讯的原理及分析。 通信的目的 将一个设备的数据传送到另一个设备，扩展硬件系统。 通信协议 指定通信的规则，通信双方按照协议规则进行数据收发。 STM32常见通讯协议 各通讯特点 USART： TX（发送）、RX（接…...
EDA文件
不同的EDA软件使用不同的文件扩展名和格式，以下是主流工具对应的文件类型： EDA软件文件扩展名说明Altium Designer.PcbDocAltium专属格式，需用原软件打开，可导出为Gerber或STEP文件用于生产。KiCad.kicad_pcbKiCad项目文件&#…...
【C/C++】构造函数与析构函数
📘 C 构造函数与析构函数详解笔记 🧠 为什么需要构造函数与析构函数？ 在 C 中，对象创建和销毁过程如果仅靠手动赋值和清理非常容易出错。为此，语言提供了构造函数和析构函数： 构造函数：用于在…...
在Unity AR应用中实现摄像头切换功能
本教程将详细讲解如何在Unity AR Foundation项目中实现前后摄像头切换功能，并提供完整的代码解析。我们将使用AR Foundation的核心组件和简单的UI交互来实现这一功能。 第一部分：环境准备 1.1 所需组件 Unity 2019.4或更高版本 AR Foundation 4.0+ ARCore XR Plugin（Andro…...
Pycharm（十九）深度学习
一、深度学习概述 1.1 什么是深度学习 深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所…...
状态模式 VS 策略模式
在软件开发的世界里，设计模式如同工匠手中的精良工具，能帮助开发者打造出结构清晰、易于维护和扩展的软件系统。状态模式和策略模式便是其中两个常用却容易让人混淆的设计模式。接下来，我们会详细剖析它们的区别、适用场景，并给出…...
如何在 Ubuntu 24.04 本地安装 DeepSeek ？
在本地 Ubuntu 系统上安装 DeepSeek 可以让您在本地使用高级 AI 功能，从而消除对云服务的依赖需求。 What is DeepSeek? DeepSeek 是一个先进的开源人工智能模型，专为自然语言理解和生成而设计。它提供了类似ChatGPT的强大功能。 Prerequisites: A …...
云计算训练营笔记day02（Linux、计算机网络、进制）
Linux 是一个操作系统 Linux版本 RedHat Rocky Linux CentOS7 Linux Ubuntu Linux Debian Linux Deepin Linux 登录用户 管理员 root a 普通用户 nsd a 打开终端 放大: ctrl shift 缩小: ctrl - 命令行提示符 [rootlocalhost ~]# ~ 家目录 /root 当前登录的用户…...
数据库实验10 函数存储
数据库实验10 一、实验目的 掌握函数和存储过程的定义方法，包括标量函数、表值函数、存储过程的语法结构。理解函数和存储过程的作用及原理，区分标量函数与表值函数的应用场景，掌握存储过程的参数传递、逻辑控制和错误处理机制。能够熟练运…...
SQL Server执行安装python环境
安装注意事项 启用python脚本支持 sp_configure external scripts enabled, 1; RECONFIGURE; 安装后接受 Python EULA协议 接受python授权 setup.exe /qs /ACTIONInstall /FEATURESSQL_INST_MR /INSTANCENAME您的实例名 /IACCEPTROPENLICENSETERMS1 /IACCEPTPYTHONLICENSETE…...
ActiveMQ 安全机制与企业级实践（二）
四、企业级实践案例分析 4.1 案例背景介绍 某大型电商企业拥有复杂的分布式系统，涵盖订单管理、库存管理、物流配送、用户服务等多个核心业务模块。在业务快速发展过程中，系统间的通信量呈爆发式增长，为了实现系统的高效解耦和异步通信&…...
ActiveMQ 安全机制与企业级实践（一）
一、引言 在当今数字化时代，企业级应用的架构愈发复杂，各个系统之间的通信和协作变得至关重要。消息队列作为一种高效的异步通信机制，在企业级应用集成中扮演着关键角色。ActiveMQ 作为一款广泛使用的开源消息中间件，以其丰富的功…...
【Python pass 语句】
在 Python 中，pass 语句是一个特殊的空操作（no-op）语句，它的核心作用是保持程序结构的完整性，同时不执行任何实际操作。以下是详细说明： 一、基础特性 语法占位符：当语法上需要一条语句&#x…...
Maven依赖未生效问题
在你描述的情况下，测试类无法找到 Maven 依赖的 jar 包，可能由以下原因导致： 依赖未正确添加到 pom.xml 检查 pom.xml 文件中是否正确添加了 Elasticsearch 和 JUnit 等相关依赖。例如，对于 Elasticsearch 的 TransportClient 相关…...
NGINX `ngx_http_auth_request_module` 模块详解基于子请求的认证授权方案
一、背景介绍 在 Web 系统中，我们常常需要根据外部服务（例如单点登录、API 网关、权限中心）的结果来判断用户是否有权限访问某个资源。NGINX 提供的 ngx_http_auth_request_module 模块，正是为这种场景而生。它允许通过向后端发送…...
Qwen3简要介绍（截止20250506）
Qwen3是阿里云推出的一个大语言模型系列，它在多个方面进行了升级和优化。以下是Qwen3的一些主要特点： 模型规模多样：Qwen3提供了一系列不同规模的模型，包括稠密模型（0.6B、1.7B、4B、8B、14B、32B）以及专家…...
精益数据分析（42/126）：移动应用商业模式的深度剖析与实战要点
精益数据分析（42/126）：移动应用商业模式的深度剖析与实战要点 在创业和数据分析的学习之路上，我们持续探索不同商业模式的奥秘，今天聚焦于移动应用商业模式。我希望和大家一起进步，深入解读《精益数据分析…...
2025.5.6总结
昨天12：30睡觉，结果翻来覆去睡不着，两点半左右才睡着。看了一下最近的睡眠打卡，平均入睡时间是凌晨12：30。 自五一一个人过了5天，我才明白，人是需要社交的，只有在社交中才能找到自我…...
UE5 脚部贴地不穿过地板方案
UE自带的IK RIG和ControlRig技术 【UE5】角色脚部IK——如何让脚贴在不同斜度的地面(设置脚的旋转)_哔哩哔哩_bilibili 实验后这个还是有一部分问题,首先只能保证高度不能穿过,但是脚步旋转还是会导致穿模 IK前,整个模型在斜坡上会浮空 参考制作:https://www.youtube.com/w…...
Spring AI 函数调用（Function Call）系统设计方案
一、系统概述与设计目标 1.1 核心目标 从零构建一个灵活、安全、高效的函数调用系统，使大语言模型能够在对话中调用应用程序中的方法，同时保持良好的开发体验和企业级特性。 1.2 主要功能需求 支持通过注解将普通Java方法标记为可被AI调用的函数自动生成符合LLM要求的函数…...
Jupyter Notebook为什么适合数据分析？
Jupyter Notebook 是一款超实用的 Web 应用程序，在数据科学、编程等诸多领域都发挥着重要作用。它最大的特点就是能让大家轻松创建和共享文学化程序文档。这里说的文学化程序文档，简单来讲，就是把代码、解释说明、数学公式以及数据可视化结果…...