一、结论dba_segments指定表名查询到的段大小包含索引、约束、表字段数据（包含LOB字段）（1）表（不包含LOB字段）创建默认分配2个簇，1个簇用于存放表结构及字段数据，1个簇用于存放cluster类型的索引（2）创建索引默认会分配2个簇，用于存放normal索引数据（3）创建约束不会额外分配空间，除非是主键或唯一约束（4）添加LOB字段默认分配2个簇，用于存放lob字段数据（5）表（包含LOB字段）创建默认分配4个簇，1个簇用于存放表结构及字段数据，1个簇用于存放cluster类型的索引，2和簇用于存放lob字段数据二、测试过程（一）创建测试表，查看初始大小createtablete
一、结论dba_segments指定表名查询到的段大小包含索引、约束、表字段数据（包含LOB字段）（1）表（不包含LOB字段）创建默认分配2个簇，1个簇用于存放表结构及字段数据，1个簇用于存放cluster类型的索引（2）创建索引默认会分配2个簇，用于存放normal索引数据（3）创建约束不会额外分配空间，除非是主键或唯一约束（4）添加LOB字段默认分配2个簇，用于存放lob字段数据（5）表（包含LOB字段）创建默认分配4个簇，1个簇用于存放表结构及字段数据，1个簇用于存放cluster类型的索引，2和簇用于存放lob字段数据二、测试过程（一）创建测试表，查看初始大小createtablete
大佬的TensorFlow代码：here另一个大佬的Pytorch代码：here注：Pytorch代码只有semanticKITTI的训练，TensorFlow作者本人的代码比较全。keywords高分辨率点云——约\(10^5\)点云语义分割多层次特征在正式开始讲论文之前，我们先看看效果，0.04s的inferencetime那么咱们正式开始相关工作\(_{*篇幅有限，此处不再介绍其他基于投影或基于体素的工作}\)PointNet++网络结构关键组件Samping——FPS(最远点采样)顾名思义，每次在点云中采样的点都应该距其他点的距离最远举个例子，下图，一个二维欧式空间中，我们需要使用FP
大佬的TensorFlow代码：here另一个大佬的Pytorch代码：here注：Pytorch代码只有semanticKITTI的训练，TensorFlow作者本人的代码比较全。keywords高分辨率点云——约\(10^5\)点云语义分割多层次特征在正式开始讲论文之前，我们先看看效果，0.04s的inferencetime那么咱们正式开始相关工作\(_{*篇幅有限，此处不再介绍其他基于投影或基于体素的工作}\)PointNet++网络结构关键组件Samping——FPS(最远点采样)顾名思义，每次在点云中采样的点都应该距其他点的距离最远举个例子，下图，一个二维欧式空间中，我们需要使用FP
数据库中非常常用的索引数据结构——B+树，在过去很多年里它都是数据库索引的首选实现方式，但是这种数据结构也并不是很完美。因为，每次修改数据都很有可能破坏B+树的约束，我们需要对整棵树进行递归的合并、分裂等调整操作，而不同节点在磁盘上的位置很可能并不是连续的，这就导致我们需要不断地做随机写入的操作，而随机写入的性能是比较差的，这个问题在写多读少的场景下会更加明显。LSMTree（LogStructureMergeTree）是比B+树更适合写多读少场景的索引结构，也广泛应用在各大NoSQL中。比如基于LSM树实现底层索引结构的RocksDB、LevelDB。LSMTree的实现原理：LSM树包含了
数据库中非常常用的索引数据结构——B+树，在过去很多年里它都是数据库索引的首选实现方式，但是这种数据结构也并不是很完美。因为，每次修改数据都很有可能破坏B+树的约束，我们需要对整棵树进行递归的合并、分裂等调整操作，而不同节点在磁盘上的位置很可能并不是连续的，这就导致我们需要不断地做随机写入的操作，而随机写入的性能是比较差的，这个问题在写多读少的场景下会更加明显。LSMTree（LogStructureMergeTree）是比B+树更适合写多读少场景的索引结构，也广泛应用在各大NoSQL中。比如基于LSM树实现底层索引结构的RocksDB、LevelDB。LSMTree的实现原理：LSM树包含了
