精华内容
下载资源
问答
  • ref:...q=%E5%8C%88%E7%89%99%E5%88%A9%E5%8C%B9%E9%85%8D%20%E8%B7%9F%E8%B8%AA%E5%85%B3%E8%81%94首先要明确概念:数据关联目标跟踪任务中的关键步骤...

    ref:

    https://zhuanlan.zhihu.com/p/110590953

    https://www.zhihu.com/search?type=content&q=%E5%8C%88%E7%89%99%E5%88%A9%E5%8C%B9%E9%85%8D%20%E8%B7%9F%E8%B8%AA%E5%85%B3%E8%81%94

    首先要明确概念:

    数据关联是多目标跟踪任务中的关键步骤,其目的主要是:为了进行帧与帧之间多个目标的匹配,其中包括新目标的出现,旧目标的消失,以及前一帧与当前帧的(行人)ID的匹配。传统的数据关联方法多为运筹学方法,比较经典的即为匈牙利匹配算法和KM算法,接下来详细介绍这两种算法。

    在介绍匈牙利匹配算法和KM算法之前,我们需要了解一个“二分图”的概念。简单来说就是,两组集合U和V,U和V各自内部的点不能相互连通,但是U和V之间的点可以连通,看示意图:

    可以看到,二分图的结构与我们多目标跟踪任务的结构很相像,我们可以把U与V看成是多目标跟踪任务中的前一帧与当前帧的检测框集合,U与V之间的关联视为前一帧与当前帧的同一id目标的检测框的关联,这样我们需要做的就是将相邻两帧的目标检测框尽可能准确的两两匹配。为了解决这个问题,就需要用到匈牙利算法或者KM算法。

    1. 匈牙利算法(Hungarian Algorithm)

    匈牙利算法是基于Hall定理(该定理用于判定二分图是否完全匹配)中充分性证明的思想,它是部分图匹配最常见的算法,该算法的核心就是寻找增广路径,它是一种用增广路径求二分图最大匹配的算法。

    具体来说,Hungarian Algorithm是一个递归过程,详细步骤如下:

    (1)初始化二分图:即将当前帧中可能与上一帧中目标匹配的检测框确认

    (2)按照ID顺序依次进行匹配,首先将可能与上一帧目标1相匹配的当前帧的目标1进行匹配(红色代表已经匹配)

    (3)接着对目标2进行匹配

    (4)接着对3进行匹配,这时我们发现当前帧中可以与目标3进行匹配的目标1,2已经被匹配过了,为了使目标3可以匹配到目标,我们尝试将之前U中匹配到目标1的目标与另一个目标匹配(黄色代表取消匹配)

    这时我们发现U中的目标1可以匹配到的V中的目标2也已经被U中的目标2匹配到了,那么同理,我们在将U中的目标2更换匹配目标。

    这时我们再返回上一步,即可将U中的目标1,2,3均匹配到目标

    (5)接着对目标4进行匹配,与上述步骤相同,但是最后并没有找到能够符合要求的匹配方法,所以U中的目标4在这一帧中消失,同时当前帧中的目标4被视为新出现的目标。

    以上为匈牙利算法的流程,简单来说就是一个递归过程,尽可能找到让上一帧与当前帧目标一对一的匹配。该算法对红线连接的准确率要求很高,也就是对运动模型和表观模型要求较高,需要将置信度较高的边送入匈牙利算法进行匹配,才能得到比较好的结果。

    2. KM算法(Kuhn-Munkres Algorithm)

    上面介绍的匈牙利算法存在一个很大的问题,就是该算法将每个目标的匹配对象视为平级,然而在实际的跟踪任务中,肯定有些匹配的框比较接近目标,有些框与目标相差较大,这时候如果将其视为同级会影响匹配准确度,所以在匈牙利算法的基础上又提出了KM算法,这也是实际任务中比较常用的算法,KM算法解决的是带权二分图的最优匹配问题,即引入了权值这一概念。具体步骤如下:

    (1)初始化权值二分图:对每个顶点赋值(顶标),将左边的顶点赋值为与其相连边的最大权值,右边的顶点赋值为0。

    (2)匹配原则为只和权重与左边分数(顶标)相同的边进行匹配,若找不到边匹配,则将此条路径对应左边顶点的顶标减d,右边顶标加d(这里我们取d为0.1)。所以首先对U中的目标1,我们选取第一条满足条件的边

    U中的目标2,同理找到满足条件的边:

    接着对于U中的目标3,我们发现满足条件的V中的目标1已经被匹配,我们首先想让U中的目标3换边,但是另一条边并不满足条件(另一条边权重0.8,不满足权重最大边匹配的条件)。

    然后再来考虑U中的目标1,我们同样想更换目标1的边,同样的问题,与目标1匹配的另一条边权重只有0.6,不是最大权重边,同样违背了权重最大的匹配条件。

    遇到这种情况,就需要进行加减操作了,即将所有冲突边对应的U中的顶点权值减d,V中顶点权值加d。

    (这里需要注意一下,按照最大权重的边匹配规则,U中的目标1和目标3会同时连接到V中的目标1,这时产生了两条冲突的边,在V中只对应一个顶点,就是目标1,所以V中只有目标1减了d。)

    然后继续进行匹配操作,由于权重改变,我们发现V中目标3多了一条可以匹配的边,所以U中目标3与V中目标2进行匹配。

    (我觉得这个图画错了,应该是左3和右2连接)

    (4)最后进行U中目标4的匹配,与上述步骤相同,由于V中目标3已被匹配,所以再进行一系列的加减d操作,还是匹配失败,两轮以后U中目标4权值减为0,故放弃匹配目标4。

    以上即为KM算法,总体来讲也是一个递归过程,核心思想与匈牙利算法一样,只不过引入了权值作为约束条件,可以使匹配成功率大大提高。

    3. 小结

    上述介绍了数据关联算法中的匈牙利算法和KM算法,具体实现起来并不复杂,另外常见的数据关联算法还有概率相关的算法,感兴趣的同学可以进一步研究。

    数据关联的最大瓶颈是计算量爆炸的问题。

    如果我们回顾一下数据关联面对的问题,问题可以总结为:在所有可能关联中,找到概率最大的一个或者几个。但很多时候,我们并不需要计算所有的可能性,只需要用一个方法找到最优解即可。从这个角度,问题变成了一个分配问题求最优解的过程。常用的求解算法有:

    单个最优:匈牙利算法,拍卖算法 等

    多个最优:Murty's 等

    多个次优:Gibbs 采样 等

    这里已经提到多个解的情况了,意味着有些时候我们要保留多个结果,接下来我就会介绍数据关联的最重要的两个传统方法:联合概率数据关联(JPDA)和多重假说追踪(MHT)。GNN用贪婪算法的思维,只保留一个最优关联,缺点就是抛弃了除了最优以外的所有信息,当多个最优的关联方式的概率相差不大的时候,很容易出错。而JPDA在PDA的基础上,选出多个关联方式,并且用联合概率的方式融合它们得到一个新的联合概率,以此来利用更多的信息。但是融合也会产生问题,虽然利用了所有信息,但是融合后的结果却不是准确结果了。相比于JPDA的融合,MHT选择直接保留多种关联方式,来真正得到准确结果。但与此同时,当每个时刻保留超过一种关联方式的时候,额外的基于各个时间的关联步骤产生了,因此假说的概念被引入。举个例子,总共两个时刻1和2,时刻1有五个关联方式保留下来,时刻2也是五个关联方式,当描述对于时刻1和2整体的数据关联时,我们必须从时刻1和2分别挑出一种关联,组成对于整体关联描述的一种方案。这样的方案,被称之为假说,总共的假说个数是

    。同时,MHT给出了计算每个假说概率的方法。回到上面的简单多目标情景,使用GNN和JPDA时,随着时间增长的计算次数的增长是加法:

    ;MHT的计算次数随着时间的增长方式是乘法:

    。随着时间的增长,计算量将大到无法处理。

    尽管MHT有着更精确的结果,但是计算量直接大到爆炸。尽管实际情况中,应用了很多预处理和后处理步骤来删减计算的数量,但是面对复杂的情景,要实现实时计算还是几乎不可能。更别提,大多数传统方法都假定目标的数量是固定的,关联的过程不存在目标新生和消失的情况,即使有些考虑变化数量的目标,但也只是更大的计算量。

    此时,数据关联急需一个新的理论框架,由此而生的是随机有限集(RFS)理论。在RFS理论框架下,用集合来描述所有目标状态空间和测量空间。集合中元素的数量和状态都可以用一个RFS概率密度来描述。基于RFS理论而产生的方法有 概率假说密度(PHD),多重伯努利(MB),带标签的RFS滤波器,以及它们的各种变体。其中一种变体,广义标签多重伯努利(GLMB),由多目标追踪领域大佬Ba-Ngu Vo提出,甚至可以实现长时间追踪一百万数量以上的目标。当然还有更新的

    总结来说,数据关联在多目标追踪问题中是非常重要且困难的一步,传统方法被计算量限制,新理论仍然处于一个探索阶段,相信随着数据关联研究的突破,多目标追踪问题的处理可以被进一步完善。

    展开全文
  • 我试图能够使用来自指定列的数据从pandas数据生成相关矩阵这是我的csv数据:col0,col1,col2,col3,col4122468.9071,1417464.203,3546600,151804924,1083947614691.1139,170036.0407,103847,19208604,2365065以下是...

    我试图能够使用来自指定列的数据从pandas数据帧生成相关矩阵

    这是我的csv数据:

    col0,col1,col2,col3,col4

    122468.9071,1417464.203,3546600,151804924,10839476

    14691.1139,170036.0407,103847,19208604,2365065

    以下是我创建的两个数据帧:

    df1 = pd.read_csv('c:/temp/test_1.csv', usecols=[0])

    df2 = pd.read_csv('c:/temp/test_1.csv', usecols=[1])

    我尝试了corr和corrwith函数并得到以下错误:

    Corr Function:

    print df1.corr(df2)

    Result:

    Error: Could not compare ['pearson'] with block values

    Corrwith:

    print df1.corrwith(df2)

    Result:

    col0 NaN

    col1 NaN

    dtype: float64

    如您所见,数据集中没有空值,float64应该能够处理小数.

    任何有关解决方案的协助都将不胜感激.

    厄斯

    展开全文
  • PCL 编程个点云合成

    2020-12-19 02:15:51
    博客转载自:https://blog.csdn.net/sunboyiris/article/details/72636809pcl::PointCloud::Ptr cloudadd(new pcl::PointCloud);pcl::PointCloud::Ptr cloud(new pcl::PointCloud);pcl::io::loadPLYFile("000.ply", ...

    博客转载自:https://blog.csdn.net/sunboyiris/article/details/72636809

    pcl::PointCloud<:pointxyzrgba>::Ptr cloudadd(new pcl::PointCloud<:pointxyzrgba>);

    pcl::PointCloud<:pointxyzrgba>::Ptr cloud(new pcl::PointCloud<:pointxyzrgba>);

    pcl::io::loadPLYFile("000.ply", *cloud);

    pcl::PointCloud<:pointxyzrgba>::Ptr cloud1(new pcl::PointCloud<:pointxyzrgba>);

    pcl::io::loadPLYFile("001.ply", *cloud1);

    *cloudadd = *cloud + *cloud1;

    pcl::io::savePLYFileBinary("test_pcd.ply", *cloudadd);

    cloud->clear();

    pcl::io::loadPLYFile("002.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    cloud->clear();

    pcl::io::loadPLYFile("003.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    cloud->clear();

    pcl::io::loadPLYFile("004.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    cloud->clear();

    pcl::io::loadPLYFile("005.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    cloud->clear();

    pcl::io::loadPLYFile("006.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    cloud->clear();

    pcl::io::loadPLYFile("007.ply", *cloud);

    *cloudadd = *cloudadd + *cloud;

    pcl::io::savePLYFileBinary("last.ply", *cloudadd);

    pcl::visualization::CloudViewer viewer("Cloud Viewer");

    viewer.showCloud(cloud);

    while (!viewer.wasStopped())

    {

    user_data++;

    }

    展开全文
  • ABSTRACT 目标跟踪 Kalman滤波 数据关 SORT是一个简单有效的目标跟踪实操算法。 DEEP SORT 通过整合外观信息提升SORT算法性能。它能有效跟踪长时段的遮挡的目标,避免被跟踪目标的身份变更。算法继承原始框架的...

    论文解析 DEEP SORT 多目标跟踪 Kalman滤波 数据关联

    SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC

    code点我

    ABSTRACT

    SORT是一个简单有效的多目标跟踪实操算法。
    DEEP SORT 通过整合外观信息提升SORT算法性能。它能有效跟踪长时段的遮挡的目标,避免被跟踪目标的身份变更。算法继承原始框架的精神,将大部分计算复杂度放在离线预训练阶段。在该阶段我们在大规模人员再识别数据集上学习了一个深度关联矩阵。在线应用时,利用视觉外观空间最近邻查找,建立测量到跟踪的关联。实验评估表明我们的改进将身份变更减少了45%,在高帧率下实现整体竞争力的性能。

    INTRODUCTION

    SORT算法对图像空间进行卡尔曼滤波,并逐帧利用使用边框重叠程度为关联度量的匈牙利算法进行数据关联。SORT在高帧率下获得了良好的性能。SORT在MOT挑战数据集人员检测上第一,在标准检测上的平均排名高于MHT。
    SORT在有遮挡的场景下有缺陷。因为状态估计不确定性较低导致采用的关联度量不准确。DEEP SORT 更有见地的使用结合运动和外观信息来替换关联度量,克服了这一问题。特别是,应用了一个经过训练的卷积神经网络(CNN)来在大规模人员再识别数据集上区分行人。通过整合该网络,提高了对漏失和遮挡的鲁棒性,同时保持系统易于实现、高效和适用于在线场景。

    详细内容

    Track Handling and State Estimation 跟踪处理 状态估计

    我们的跟踪场景定义在八维状态空间
    ( u , v , γ , h , x ˙ , y ˙ , γ ˙ , h ˙ ) (u,v,\gamma,h,\dot{x},\dot{y},\dot{\gamma},\dot{h}) (u,v,γ,h,x˙,y˙,γ˙,h˙)分别代表box中心 ( u , v ) (u,v) (u,v),长宽比 γ \gamma γ,高度 h h h,及其对应的速率。使用标准的Kalman滤波与恒速度运动和线性观测模型,其中我们取边界坐标 ( u , v , γ , h ) (u,v,\gamma,h) (u,v,γ,h)作为对对象状态的直接观测.
    定义 k k k为距离最近成功测量关联 a k a_k ak帧的计数,随着Kalman滤波预测增长,成功关联测量重置为0,超出预先设定的最大寿命 A m a x A_{max} Amax,被视为已远离并删除这个跟踪。

    Assignment Problem 分配问题

    Hungarian算法是解决Kalman状态和新测量值之间关联的这种分配问题的简便方法。
    为了整合运动信息,我们使用预测的Kalman状态与新测量值之间的Mahalanobis距离:
    d 1 ( i , j ) = ( d j − y j ) T S i − 1 ( d j − y i ) d^{1}(i,j) = (d_j-y_j)^{T}S_i^{-1}(d_j-y_i) d1(i,j)=(djyj)TSi1(djyi)
    对距离阈值处理可排除劣质的关联。
    如果第 i i i个跟踪和第 j j j个检测之间的关联是允许的,则计算为1。
    b i , j ( 1 ) = 1 [ d 1 ( i , j ) ≤ t ( 1 ) ] b_{i,j}^{(1)}=1[d^{1}(i,j) \le t^{(1)}] bi,j(1)=1[d1(i,j)t(1)]
    文中 t ( 1 ) = 9.4877 t^{(1)} = 9.4877 t(1)=9.4877.
    为每个box检测结果 d j d_j dj计算外观描述符向量 r j r_j rj,为每个跟踪 k k k维护一个 R k = { r k ( i ) } k = 1 L k R_k=\{r_k^{(i)} \}_{k=1}^{L_k} Rk={rk(i)}k=1Lk
    d 2 ( i , j ) = m i n { 1 − r j T r k ( i ) ∣ r k ( i ) ∈ R i } d^{2}(i,j) = min\{1-r_j^Tr_k^{(i)}|r_k^{(i)} \in R_i\} d2(i,j)=min{1rjTrk(i)rk(i)Ri}
    同样阈值处理
    b i , j ( 2 ) = 1 [ d 2 ( i , j ) ≤ t ( 2 ) ] b_{i,j}^{(2)}=1[d^{2}(i,j) \le t^{(2)}] bi,j(2)=1[d2(i,j)t(2)]
    实践中,应用一个预训练的CNN模型来计算box的外观描述向量。

    权重联合两个度量
    c i , j = λ d ( 1 ) ( i , j ) + ( 1 − λ ) d ( 2 ) ( i , j ) c_{i,j}=\lambda d^{(1)}(i,j)+ (1- \lambda) d^{(2)}(i,j) ci,j=λd(1)(i,j)+(1λ)d(2)(i,j)
    当然前提满足阈值
    b i , j = ∏ m = 1 2 b i , j ( m ) b_{i,j}=\prod_{m=1}^2b_{i,j}^{}(m) bi,j=m=12bi,j(m)

    Matching Cascade 级联匹配

    匹配逻辑

    Deep Appearance Descriptor

    CNN architecture

    EXPERIMENTS

    在这里插入图片描述
    结果表明DEEP SORT成功地减少了身份切换的数量。相比SORT,减少45%,跟踪分离略有增加。跟踪对象的数量显著增加,主要丢失对象的数量减少。
    跟踪精度主要受到大量误报的影响。考虑到它们对MOTA分数的总体影响,对检测应用一个更大的置信度阈值可以潜在地大幅提高我们算法报告的性能。有点问题。。
    大约20Hz的频率运行,大约一半的时间花在特征生成上。表格中竟然写40Hz。。。

    展开全文
  • 今天继续给大家介绍WLAN,本文主要内容是802.11控制和管理。 一、802.11控制详解 802.11控制通常与数据配合使用,负责区域的清空、信道的取得以及载波监听的维护,并在收到数据后予以正面应答,借此以...
  • Windows下一个可视化视频分工具 1、资源链接 csdn资源:下载 2、安装过程 解压安装包 创建快捷方式 双击快捷方式启动 运行界面 3、使用方法 选择需要切分的视频 从左到右依次输入帧率(每秒取多少...
  • beacon

    2020-12-22 15:08:02
    目前为止802.11只有一个版本,所以协议编号为0② Type 00表示管理,01表示控制,10表示数据③ Subtype 和Type一起表示不同的,Management frame(管理:Type=00)a0000Association request(关联请求)0001...
  • 文档介绍:计算机动画制作逐动画和关键动画.doc计算机动画制作——逐动画和关键动画一、教学内容分析:计算机动画制作是选修模块《多媒体技术应用》第四章的内容。计算机动画的应用十分广泛,在日常生活和学**...
  • 数据关联目标跟踪任务中的关键步骤,其目的主要是为了进行之间的个目标的匹配,其中包括新目标的出现,旧目标的消失,以及前一与当前的行人id匹配。传统的数据关联方法多为运筹学方法,比较经典即为...
  • MBSFN子

    2020-12-20 01:24:06
    MBSFN子(2011-12-30 16:38:26)标签:lte学习MBSFN子和普通子的区别?http://itgoal.com/viewthread.php?tid=16578869LTE物理下行参考信号定义了3种LTE物理下行参考信号:1)小区专用的参考信号,与非MBSFN传输...
  • H.264中IDR和I区别

    2021-01-20 14:52:21
    (3条消息) H.264中IDR和I区别_lh2016rocky的博客-CSDN博客 <meta name="keywords" content="H.264中IDR和I区别"><meta name="csdn-baidu-search" content="{&quot;autorun&quot;:true,&...
  • 802.11协议结构

    2020-12-29 10:08:22
    1. 控制结构(Frame Control)1) Protocol Version: (协议版本)通常为02) Type: 类型,管理: 003) Subtype: 进一步判断的子类型3.1) Beacon(信标)3.2) Probe Request(探测请求)3.3) Probe Response(探测...
  • 内编码为了确保可独立解码这一最关键的特性,只利用了图像的空间冗余进行压缩,无法充分利用视频信息前后之间的关联 间编码: 间编码所利用的是视频的时间冗余,主要编码运动(运动矢量)和纹理(预测...
  • 计算机动画制作——逐动画和关键动画一、教学内容分析:计算机动画制作是选修模块《多媒体技术应用》第四章的内容。计算机动画的应用十分广泛,在日常生活和学习当中,我们经常可以接触到计算机动画,如电视、...
  • 服务端接收消息,并将关联重新组装成完整的消息。 0 1 2 3 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 +-+-+-+-+-------+-+-------------+-------------------------------+ |F|R|R|R|...
  • 在数据关联的过程中,和SORT一样,只使用卡尔曼滤波来预测当前的跟踪轨迹在下一的位置,预测的框和实际的检测框之间的IoU作为两次匹配时的相似度,通过匈牙利算法完成匹配。这里值得注意的是我们没有使用ReID...
  • 用Wireshark抓包分析格式

    千次阅读 2021-02-05 01:12:39
    摘要:该文从Ethernet和wifi的格式着手进行了分析,并讨论了结构的各个字段的含义且对于该如何分析进行了举例,加深了读者对格式的理解,增强了wireshark的应用。关键词:wireshark;ethernet;wifi中图分类号...
  • AMD最新科技让数翻倍?FidelityFX超分辨率FSR数画面实测2021-06-23 19:52:5914点赞17收藏18评论创作立场声明:本测试的驱动6.1已可以从官网下载,纯路人,就事论事不引战,有问题可以在评论区与我讨论前不久AMD...
  • HTTP/2笔记之

    2021-03-22 17:08:57
    零。前言客户端和服务器端一旦握手协商成功接建立连接,端点...通用格式下图为HTTP/2通用格式:头+负载的比特位通用结构:+-----------------------------------------------+| Length (24) |+--------------...
  • MAC802.11数据格式

    2021-05-22 06:12:19
    1 MAC802.11数据格式首先要说明的是mac802.11的格式很特别,它与TCP/IP这一类协议不同,它的长度是可变的。不同功能的数据长度会不一样。这一特性说明mac802.11数据显得更加灵活,然而,也会更加复杂。mac ...
  • IEEE 802.11x STA和AP关联建立过程1概述如果STA采取被动扫描方式,则通信过程由AP 端发起,STA 端接收到AP 端发出的Beacon (信标)后就向AP 发探询请求。如果STA 端采取主动扫描方式,则STA 端直接在所在区域内...
  • 我对excel如此满意的原因之一是我可以轻松地传递一系列值或数组,并在计算中使用这些值中的一个或个。在例如,假设我有一个数组[1,2,1,5,7,10,6,20,12,7,4]我想计算一下:连续向上或向下序列的数目,...
  • 网游同步的分析与设计 https://zhuanlan.zhihu.com/p/105390563?utm_source=wechat_session 今年的春节非同寻常,由于新肺炎疫情的蔓延,假期时间比较长,恰好自己也打算利用春节的假期充充电,所以系统的研究和...
  • 再次,很多人初次接触同步里面的问题,就是在写逻辑的时候和本地进行了关联、和“我”相关,这样就导致不同客户端走到了不同的分支。实际上,真正客户端跟逻辑的话,要跟我这样一个概念无关。 接下来还有随机数,...
  • CAN核心收发流程

    2021-10-11 20:39:42
    文章目录数据结构CAN数据接收链表...CAN核心为每个CAN类型网络设备都关联一个该链表对象(表头为can_rx_dev_list),用于保存所有对该CAN网络设备数据感兴趣的接收者。 enum { RX_ERR, RX_ALL, RX_FIL, RX_INV, RX_EFF
  • Wi-Fi协议结构详解1

    2020-12-31 05:54:41
    要想理解Wi-Fi的真正工作原理,除了了解前面我写的Wi-Fi网络结构,网络连接过程,还需要详细了解Wi-Fi的结构。本文对的一般结构做详细介绍,后面内容的会在后续文章继续。Wi-Fi的分类Wi-Fi的从大类上分为三...
  • 0000,Association request:关联请求认证成功后,STA就会进入关联阶段, 这个交互的目的是为了加入这个BSS 并获取一个AID。通过Association Request携带的信息,使AP了解STA的相关能力信息,这样 AP就可以决定...
  • CSMA/CD最大/最小长 争用期

    千次阅读 2021-01-04 23:23:13
    CSMA/CD协议 1.概念 CSMA/CD (Carrier Sense Multiple Access/collision detection) ...碰撞检测:各发送站边发送边检测碰撞,当发检测到碰撞发生,立即停止发送,等待一段时间后,再重新发送。 最大长。
  • 掌握无线网卡MAC的捕获方法,理解MAC各字段的作用和用法。 二、实验内容 捕获并解析IEEE 802.11MAC,就某一方面分析WiFi网络的运行机制。 三、实验过程 1.实验环境搭建 初步尝试在Windows系统下...
  • 今天,简单讲讲android里如何获取一个视频文件的第一作为缩略图显示在界面上。之前,我说个最近需要从服务器下载视频文件,但是下载后肯定需要显示视频的缩略图在界面上给用户看,于是想到显示视频的第一作为...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 62,992
精华内容 25,196
关键字:

多帧关联