前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >根据当前系统时间获取工作日日期

根据当前系统时间获取工作日日期

作者头像
斯文的程序
发布于 2019-11-07 10:00:52
发布于 2019-11-07 10:00:52
1.3K00
代码可运行
举报
文章被收录于专栏:带你回家带你回家
运行总次数:0
代码可运行
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 /**
     * 根据当前时间获取本周周一日期
     * @return
     */
    public static String  getOneWeeks(){
    	Calendar cal =Calendar.getInstance();
        SimpleDateFormat df = new SimpleDateFormat("yyyyMMdd");
        cal.set(Calendar.DAY_OF_WEEK, Calendar.MONDAY); //获取本周一的日期
        return df.format(cal.getTime());
    }
  /**
	 * 日期增加天数
	 * @param date1
	 * @return
	 * @throws Exception
	 */
	public static String  addDays(String date,int Days) {
		if(date==null||date.length()!=8){
			return null;			
		}
		Calendar calendar =  Calendar.getInstance() ; //= new Calendar(2011,9,13);
		calendar.set(Integer.parseInt(date.substring(0,4)), 
				     Integer.parseInt(date.substring(4,6))-1, 
				     Integer.parseInt(date.substring(6,8)));//指定一个日期 
		calendar.add(Calendar.DATE, Days);
		SimpleDateFormat sdf = new SimpleDateFormat("yyyyMMdd");
		return sdf.format(calendar.getTime());
		
	}
  public static void main(String[] args) throws ParseException {
    	//江湖动态日期
    			String travelDate = "";
    			String travelBeginDate = "";
    			String travelEndDate = "";
				travelBeginDate = DateUtils.getOneWeeks();
				travelEndDate = DateUtil.addDays(travelBeginDate, 4);
				
				travelDate = DateUtils.convertDateTime3(travelBeginDate) + "-" +DateUtils.convertDateTime3(travelEndDate);
    		System.out.println("travelBeginDate="+travelBeginDate);
    		System.out.println("travelEndDate="+travelEndDate);
    		System.out.println("travelDate="+travelDate);
    	
	} 
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
KRF:一种新的6D姿态估计改进方法
原文:KRF: Keypoint Refinement with Fusion Network for 6D Pose Estimation
一点人工一点智能
2022/12/27
9720
KRF:一种新的6D姿态估计改进方法
大盘点|6D姿态估计算法汇总(上)
主要思想:用于从RGB-D图像中估计一组已知对象的6D位姿,分别处理两个数据源,并使用一种新的dense fusion network来提取像素级的 dense feature embedding,并从中估计姿态。实验结果表明,该方法在YCB-Video和Linemod两种数据集上均优于现有的方法。论文还将所提出的方法应用到一个真实的机器人上,根据所估计的姿态来抓取和操纵物体。
3D视觉工坊
2020/12/11
1.6K0
大盘点|6D姿态估计算法汇总(上)
HybridPose:混合表示下的6D对象姿势估计
论文题目:Single-Stage 6D Object Pose Estimation
计算机视觉
2020/12/11
5340
HybridPose:混合表示下的6D对象姿势估计
李飞飞团队、康奈尔Weinberger团队、密歇根大学最新CVPR热点论文作者解读
今日头条丨一点资讯丨腾讯丨搜狐丨网易丨凤凰丨阿里UC大鱼丨新浪微博丨新浪看点丨百度百家丨博客中国丨趣头条丨腾讯云·云+社区
数据猿
2019/07/23
7180
基于RGB-D的6D目标检测算法
这里给出RGB部分方法的性能进行对比,RGB-D的指标是采用的ADD(-S), 所以我们就只看第3,4,5列的指标
Mezereon
2023/05/07
7300
基于RGB-D的6D目标检测算法
【点云论文速读】6D位姿估计
机器人与其他智能设备需要根据自身搭载的视觉系统实现高效的目标级场景表达以进行接触、物理、遮挡等推理。已知的精确目标模型在未知结构的非参数化重建中起着十分重要的作用。我们提出了一种系统,该系统能够估计实时多视角场景中接触、遮挡已知目标的精确位姿。我们的方法能从单一的RGBD视角估计3D目标位姿,随着相机的移动,能够从多个视角累积位姿估计和非参数化的occupancy信息,并执行联合优化来对接触的多个接触目标进行一致非交叉的位姿估计。
点云PCL博主
2020/05/21
9390
上交通和英国格拉斯哥大学提出 SEMPose: 一种用于多目标姿态估计的单端到端网络 !
在机器视觉领域,六自由度(6D)位姿估计起着至关重要的作用。这种技术可以测量物体的位置(沿x、y、z轴的坐标)和方向(俯仰角、偏航角)。因此,它可以帮助机器人准确理解物体的空间姿态,这对于机器人抓取、移动或操作物体[1]至关重要。在这些过程中,常常会遇到需要估计多个物体的场景。这些物体通常大小不一,并且可能会相互遮挡。然而,尽管6D位姿估计技术取得了显著的进展,但现有的方法在处理多物体场景时仍然存在困难。
未来先知
2024/12/19
2140
上交通和英国格拉斯哥大学提出 SEMPose: 一种用于多目标姿态估计的单端到端网络 !
HybridPose:混合表示下的6D对象姿态估计
论文题目:HybridPose: 6D Object Pose Estimation under Hybrid Representations
3D视觉工坊
2020/12/11
5740
HybridPose:混合表示下的6D对象姿态估计
SilhoNet:一种用于3D对象位姿估计和抓取规划的RGB方法
论文题目:SilhoNet:An RGB Method for 3D Object Pose Estimation and Grasp Planning
计算机视觉
2020/12/11
9160
SilhoNet:一种用于3D对象位姿估计和抓取规划的RGB方法
大盘点|6D姿态估计算法汇总(下)
http://mi.eng.cam.ac.uk/projects/relocalisation/
3D视觉工坊
2020/12/11
1.2K0
大盘点|6D姿态估计算法汇总(下)
6DoF 姿态估计&目标抓取论文汇总(ICRA2021)
1、ICRA2021 - Fast Uncertainty Quantification for Deep Object Pose Estimation
3D视觉工坊
2021/08/24
2.6K0
基于对应点的6D姿态识别
最近读取了一些针对Corresponding-based方法的6D姿态识别paper,在这里分享下思路。
3D视觉工坊
2020/12/11
1.1K0
基于对应点的6D姿态识别
ES6D: 利用对称性进行高效的6D姿态检测
该文章提出了一个全卷积的特征提取网络 XYZNet,比 PVN3D[1] 以及 DenseFusion[2] 要更加高效
Mezereon
2023/05/11
4810
ES6D: 利用对称性进行高效的6D姿态检测
【目标跟踪】开源 | ROFT:一种卡尔曼滤波方法,从RGB-D图像流中快速、精确的跟踪6D目标的姿态和速度
备注:研究方向+地点+学校/公司+昵称,更快通过申请,长按加细分领域技术交流群,目前有细分领域:图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理(分割检测)、深度学习。
CNNer
2021/12/22
7260
【目标跟踪】开源 | ROFT:一种卡尔曼滤波方法,从RGB-D图像流中快速、精确的跟踪6D目标的姿态和速度
CVPR 2022 | OVE6D:用于基于深度的6D对象姿势估计的对象视点编码
OVE6D: Object Viewpoint Encoding for Depth-based 6D Object Pose Estimation
3D视觉工坊
2022/04/13
8480
CVPR 2022 | OVE6D:用于基于深度的6D对象姿势估计的对象视点编码
综述:基于深度学习的物体姿态估计
本文综述了基于深度学习的物体姿态估计方法,内容涵盖了实例级、类别级和未见物体三种问题形式。主要内容包括:
一点人工一点智能
2024/05/16
5510
综述:基于深度学习的物体姿态估计
6D目标检测简述
传统的2D目标检测,像是SSD、YOLO等,识别的结果是一个边界框(bounding box)
Mezereon
2023/04/28
7020
6D目标检测简述
CVPR 2024 | 零样本6D物体姿态估计框架SAM-6D,向具身智能更进一步
物体姿态估计在许多现实世界应用中起到至关重要的作用,例如具身智能、机器人灵巧操作和增强现实等。
机器之心
2024/03/26
5810
CVPR 2024 | 零样本6D物体姿态估计框架SAM-6D,向具身智能更进一步
Github项目推荐 | 目标姿态检测数据集与渲染方法
标准化数据集在多媒体研究中至关重要。今天,我们要给大家推荐一个汇总了姿态检测数据集和渲染方法的 Github 项目。
AI研习社
2019/08/20
3.1K0
Github项目推荐 | 目标姿态检测数据集与渲染方法
用于类别级物体6D姿态和尺寸估计的标准化物体坐标空间
本文的目的是估计RGB-D图像中未见过的对象实例的6D姿态和尺寸。与“实例级”6D姿态估计任务相反,我们的问题假设在训练或测试期间没有可用的精确对象CAD模型。为了处理给定类别中不同且未见过的对象实例,我们引入了标准化对象坐标空间(NOCS)-类别中所有可能对象实例的共享规范表示。然后,我们训练了基于区域的神经网络,可以直接从观察到的像素向对应的共享对象表示(NOCS)推断对应的信息,以及其他对象信息,例如类标签和实例蒙版。可以将这些预测与深度图结合起来,共同估算杂乱场景中多个对象的6D姿态和尺寸。为了训练我们的网络,我们提出了一种新的上下文感知技术,以生成大量完全标注的混合现实数据。为了进一步改善我们的模型并评估其在真实数据上的性能,我们还提供了具有大型环境和实例变化的真实数据集。大量实验表明,所提出的方法能够稳健地估计实际环境中未见过的对象实例的姿态和大小,同时还能在标准6D姿态估计基准上实现最新的性能。
计算机视觉
2020/12/29
8010
推荐阅读
相关推荐
KRF:一种新的6D姿态估计改进方法
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验