Cascade

OpenCASCADE License FAQs 经常用人问我使用 OpenCASCADE 开发商业软件是否需要付费，下面从 OpenCASCADE 的官方网站上截取其回答翻译成中文，官方网址： https://www.opencascade.com/content/faqs 。 翻译统一将 Open CASCADE Technology 简称为 OCCT 。 OCCT 许可与 GPL 兼容吗？ 是的，从版本 6.7.0 开始， OCCT 是根据 GNU LGPL 版本 2.1 的条款（以及一些小的附加权限）发布的，因此它与 GNU GPL 版本 2 及更高版本完全兼容。 但是， OCCT 版本 6.6.0 及更早版本是根据自定义许可证（ OCCT Public License ）发布的。 该许可在目的和意图方面类似于 GNU LGPL ，但与 GNU GPL 不兼容。 我可以使用 OCCT 根据 GPL ， LGPL 或其他许可（包括专有）分发我的软件产品吗？ 是的你可以。 但是，您应始终确保最终产品许可证符合产品中使用的库的许可证要求。 从版本 6.7.0 开始， OCCT 根据 GNU LGPL 版本 2.1 的条款（以及一些小的附加权限）发布，使用该库的软件产品的要求在 LGPL 文本的第 6 部分中描述。 如果您的最终产品的许可与其中使用的库的许可有任何冲突

阿里云服务器ECS突发性能型t6实例性能如何？没错突发性能t6实例是限制CPU性能的，平均基准CPU计算性能在5%-40%之间，ECS实例规格不同CPU基准性能也不同，阿里云百科来详细说下阿里云服务器ECS突发性能型t6实例CPU内存、CPU基准性能、网络收发包等性能，以及突发性能t6实例和t5实例的区别对比： 阿里云服务器ECS突发性能型t6 阿里云服务器ECS突发性能型t6实例性能如何？突发性能实例是限制CPU基准性能的，t6实例平均基准CPU计算性能在5%-40%之间，ECS实例规格不同CPU基准性能也不同。ECS突发性能型t6实例采用2.5GHz主频的最新一代Intel ® Xeon ®服务器级别Cascade Lake处理器，睿频3.2 GHz。 提到突发性能，不得不说的就是CPU基准性能，每台ECS实例都有对应的CPU基准性能的，例如ECS突发性能t6实例2核2G（ecs.t6-c1m1.large）平均基准CPU计算性能限制为20%，当云服务器CPU利用率超过20%后，需要消耗对应的 CPU积分 来提速，也可以通过 打开无性能约束模式 来突破CPU积分限制。 阿里云ECS突发性能型t6云服务器适用于对计算性能要求较低的使用场景，如Web应用服务器、轻负载应用、微服务及开发测试压测服务应用。像阿里云百科使用ECS突发性能型t6实例建站就很实用，价格便宜，性价比高。比如：

数据泵是10g推出的功能，个人倒数据比较喜欢用数据泵。 其导入的时候利用remap参数很方便转换表空间以及schema，并且可以忽略服务端与客户端字符集问题（exp/imp需要排查字符集）。 数据泵也有不方便的地方，如果远程导出导入，必须安装数据库服务端（client不行）；需要在数据库中创建一个路径directory（dba_directories）；并且主流工具支持exp/imp的导入导出（plsql developer），所以发现数据泵流行程度没有想象中高。 以下简单介绍schema的导入导出 以schema方式导出生产库用户下所有对象，并导入测试库。 注：eamdb为生产库，eamprd为生产库用户，密码为eamprd eamuat为测试库，eamprduat为测试库用户，密码为eamprduat 一、 生产库的导出（以 sqlplus 命令行的方式）。 1.以sys或者system用户身份登录生产数据库。 2.创建schema导出路径（DUMP_DIR名称可替换），并在dba_directories中查看 create directory DUMP_DIR as ‘/xxx/xxx’; select * from dba_directories; 3.把导出路径与导出权限授权给eamprd，如果用system等高级帐号导出，则不用。 grant read,write on

摘要： 本文介绍两种端到端训练通用目标检测算法--DETR和DeFCN。 通用目标检测作为计算机视觉中一个基础的任务，对着图像理解、信息提取有着极为重要的意义。对于该任务目前已经发展出了许多方法，如基于全卷积的单阶段方法DenseBox，YOLO,SSD, RetinaNet和CenterNet等，以及更加复杂的多阶段方法RCNN, Fast RCNN, Faster RCNN和 Cascade RCNN等。根据目标检测任务的定义，这些方法需要对图像中出现的目标物体进行定位和分类，为了确保目标的召回率，结合卷积神经网络的采用的滑动窗口预测的特性，上述的方法均使用卷积进行密集的候选区提取和目标预测，因此对于输入的每个目标，往往有多个网络预测值相对应。 这些方法通常使用非极大值抑制方法（NMS）对重复的预测结果进行过滤，从而得到最终预测结果。不同于卷积操作，NMS过程不可导，模型无法对去重的过程进行优化，最终的检测检测模型也由于该操作的存在不能做到完全端到端。 通用目标检测近期的一些进展中，一些方法实现了端到端训练，训练和推理均无需NMS操作。如基于Transformer的DETR[1]和全卷积DeFCN[2], 两种方法采用了较为不同的实现路线，分别具有不同的优势和潜力，下面对这两种方法进行介绍。 DETR Transformer在自然语言处理任务中取得了巨大的成功