針對現有複雜場景下單通道sar目標檢測和鑑定方法的不足，
1.自適應確定雜波型別和雜波樣本的研究：對於複雜場sar影象，在整個場景中存在多種型別的雜波區域，而不同區域的雜波統計特性變化較大，因此需要自適應地確定雜波型別，進而選擇合適的統計模型；同時需要自適應的選擇cfar雜波窗內的雜波樣本，避免多目標區域、雜波邊緣等問題帶來的虛警及漏警問題。自適應確定雜波型別和雜波樣本對於提高基於cfar的目標檢測方法的檢測效能具有重要意義。
2.sar影象特性在深度網路中的嵌入：現有的基於深度學習的檢測和鑑別方法方法所用的網路絕大多數是從光學影象繼承過來的，如何將sar影象獨有的特性嵌入到深度學習中，比如單通道sar影象的復資訊對於複雜環境下檢測效能的提公升很重要，設計針對sar影象的深度網路具有重要意義。
3.基於半監督、弱監督學習的鑑別方法的深入研究：由於半監督、弱監督方法僅需少量的監督資訊即可學習，在實際應用中具有重大的發展潛力，研究有效的、具有實際應用型的基於半監督、弱監督的鑑別方法具有重大意義。
4.場景上下文等多資訊的綜合利用：在複雜背景下，僅利用目標或者雜波的幅度資訊，難以有效的檢測目標。已有改進的cfar、顯著性等方法通過綜合利用目標和雜波尺寸、形狀以及復資料等資訊有效提高了目標檢測、鑑別精度。但是，場景上下文資訊在sar影象檢測、鑑別中的研究還不夠充分，如何利用場景上下文和幅度、尺寸、形狀、紋理、復資料等多種資訊對於演算法精度的提公升具有重要意義。
5.快速演算法的研究：在實際應用中，往往面臨大場景sar影象資料，對靜止時敏目標的檢測、鑑別對於時效性要求很高。目前的深度學習演算法在計算資源(gpu、儲存等)充足的理想情況下運算速度具有優勢，但卻無法應用於片上處理或者星上處理。類似地，一些改進的cfar、顯著性方法越複雜運算也越慢。因此，提公升這些高效能演算法的運算效率對於sar atr系統的實用化具有重要意義。
注：文章選自《複雜場景下單通道sar目標檢測及鑑別研究進展綜述》
下單場景下的分布式
現在使用者對商品下單，我們的系統有三個步驟要做 1.減商品的庫存。2.如果使用者有紅包，扣掉使用者的可用紅包。3.建立乙個訂單。情況1 交易系統中扣庫存成功，扣紅包成功，但是此時由於某種原因 如超時 導致建立訂單失敗。問 如何解決資料一致性 c 問題？答 1.一次建立失敗，為提高系統的可用性，我們應...
高速通道的使用場景限制
高速通道 有2個主要功能 1 組建混合雲,將使用者idc通過運營商物理專線與阿里雲打通.雲下idc 運營商物理專線 阿里雲vbr 阿里雲vpc 2 雲上vpc互通,同地域或跨地域的阿里雲vpc之間通訊.vpc vpc 混合雲的限制 使用者 通過vbr中轉網路流量 雲上vpc互通的限制 中間vpc不支...
mysql 日期的若干複雜使用場景
這個一般需要看精確度，有的計算相隔多少天，有的計算相隔多少秒 計算差了多少秒，給定兩個字段，而且都是字串型別，即varchar 解釋 先用 str to date函式將字串化為日期，再將日期化為 以秒為單位的日期，減，得到結果。感嘆 一天時間何其短暫，不過八萬六千四百秒而已。給定連個字串時間，計算相...