百度網盤自動啟動如何關閉,關閉智能看圖

#某度軟件引起的奔潰#

? ? 在日常辦公中,有時候雙擊圖片,會自動打開了某度的網盤,很奇怪莫名其妙的為什么會關閉網盤后又自動打開了。

? ? 如何發現是某度的牛虻軟件在搞鬼的?

? ? 我右鍵圖片,選擇打開方式,發現有“智能看圖”,我選擇用“照片”打開,然后雙擊圖片發現沒有啟動某網盤。再雙擊png格式的圖片發現,又打開了某網盤。因此確定是某度旗下的“智能看圖”牛虻軟件在搞事情。

? ? 如何徹底清除“智能看圖”某度的牛虻軟件?

? ? 找到你安裝網盤的路徑,默認是在圖片中這個位置。

先從注冊表開始清理這個牛虻軟件

1-鍵盤上按Windows+R兩個鍵盤,打開“運行”

2-輸入regedit然后回車

3-點擊注冊表中的“我的電腦”

然后CTRL+F鍵組合打開搜索框,輸入ImageViewer,點擊“查找下一個”,找到一個就刪除一個,再次CTRL+F查找下一個,知道把和ImageViewer相關的刪了,有些文件可能前面還有前綴BaiduNetdisk也是要刪除的。

4-最后把電腦中智能看圖文件刪除

一般默認安裝在這個目錄下

把整個ImageViewer文件夾刪除,然后重啟電腦。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/bicheng/92654.shtml
繁體地址,請注明出處:http://hk.pswp.cn/bicheng/92654.shtml
英文地址,請注明出處:http://en.pswp.cn/bicheng/92654.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

疏老師-python訓練營-Day40訓練和測試的規范寫法

浙大疏錦行 知識點回顧: 彩色和灰度圖片測試和訓練的規范寫法:封裝在函數中展平操作:除第一個維度batchsize外全部展平dropout操作:訓練階段隨機丟棄神經元,測試階段eval模式關閉dropout 作業:仔細學習下測…

【重磅發布】flutter_chen_keyboard -專注于鍵盤相關功能

flutter_chen_keyboard 一個功能強大且易于使用的 Flutter 鍵盤增強庫,專為提升移動應用的鍵盤交互體驗而設計。 📖 庫簡介 flutter_chen_keyboard 是一個專注于鍵盤相關功能的 Flutter 工具庫,旨在為開發者提供更流暢、更智能的鍵盤交互解決…

idea設置注釋--帶日期和作者和描述

最終效果 在File Header中添加如下內容: /*** author ${USER}* date ${DATE} ${TIME}* description ${DESCRIPTION}*/${USER}:IDEA 里設置的用戶名 ${DATE}:當前日期 ${TIME}:當前時間 可以加自定義變量,比如 ${DESCRI…

【Linux】Socket編程——UDP版

📝前言: 這篇文章我們來講講Linux——udpsocket 🎬個人簡介:努力學習ing 📋個人專欄:Linux 🎀CSDN主頁 愚潤求學 🌄其他專欄:C學習筆記,C語言入門基礎&#…

RabbitMQ面試精講 Day 14:Federation插件與數據同步

【RabbitMQ面試精講 Day 14】Federation插件與數據同步 開篇 歡迎來到"RabbitMQ面試精講"系列第14天,今天我們將深入探討RabbitMQ Federation插件與跨集群數據同步機制。在分布式系統架構中,如何實現消息隊列集群間的數據同步是確保業務連續…

AI編程工具 | Trae介紹

描述需求就可以自動創建可運行的完整項目了,確實很強! 終端中的報錯信息都可以快速作為上下文輸入,點擊確認就可以自動修改,賊好使! Trae 編程工具詳細介紹 一、產品簡介 Trae 是字節跳動于 2025 年 1 月 19 日推出的…

【第11話:感知算法基礎3】目標檢測:深度學習目標檢測模型介紹入門及常用模型詳解

深度學習目標檢測模型介紹入門及常用模型詳解 目標檢測是計算機視覺的核心任務,需同時完成目標定位(輸出邊界框坐標)和目標分類(識別類別)。深度學習通過端到端訓練顯著提升了檢測精度和效率,主要分為兩類架…

稿定科技:多云架構下的 AI 存儲挑戰與 JuiceFS 實踐

稿定科技(gaoding.com)是一家專注于為企業和個人提供視覺內容創新方案的科技公司,致力于打造全新的設計方式,幫助更多用戶輕松掌控設計,創造價值。 隨著 AI 技術的加速發展,數據存儲和管理成為支撐公司創新…

徘徊識別場景誤報率↓77%:陌訊動態時序建模方案實戰解析

原創聲明本文為原創技術解析,核心技術參數與架構設計參考自《陌訊技術白皮書》,轉載請注明來源。一、行業痛點:徘徊識別的現實困境在安防監控領域,徘徊行為識別是保障公共安全的關鍵技術(如商場防盜竊、園區防闖入等場…

C# 通過第三方庫INIFileParser管理INI配置文件

C# 通過第三方庫INIFileParser管理INI配置文件目錄前言一、添加動態庫二、添加接口類代碼總結前言 很多時候我們是直接調用系統的C庫中的GetPrivateProfileString和WritePrivateProfileString接口來實現管理INI文件的,這個接口最久可以追溯到上個世紀80年代&#x…

政府數字化大屏系統 - Flask實現方案

下面我將設計一個基于Flask的政府數字化大屏系統,包含數據可視化、實時監控和統計分析功能,全套代碼下載看底部。 設計思路 使用Flask作為后端框架提供數據接口 前端采用響應式設計,適配大屏展示 使用ECharts實現多種數據可視化 模擬實時…

2025年主流開源音視頻播放項目深度解析

音視頻技術作為多媒體領域的核心支撐,其開源生態在近年來呈現爆發式發展。從底層編解碼引擎到跨平臺播放器應用,開源項目已形成完整的技術棧,滿足從個人娛樂到企業級流媒體服務的全場景需求。本文將深入剖析2025年最具影響力的五大開源音視頻…

【C++詳解】AVL樹深度剖析與模擬實現(單旋、雙旋、平衡因?更新、平衡檢測)

文章目錄一、AVL樹的概念二、AVL樹的實現AVL樹的結構AVL樹的插?AVL樹插??個值的?概過程平衡因?更新更新原則更新停?條件插入結點及更新平衡因子的代碼實現旋轉旋轉的原則右單旋右單旋代碼實現左單旋左單旋代碼實現左右雙旋左右雙旋代碼實現右左雙旋代碼實現判斷旋轉中序遍…

C++ 中的 enable_shared_from_this 詳解

# C 中的 enable_shared_from_this 詳解enable_shared_from_this 是 C 標準庫中的一個模板類,用于解決在類的成員函數中需要獲取指向自身的 shared_ptr 的問題。## 基本概念當一個對象由 shared_ptr 管理時,如果你想在對象的成員函數中獲得一個指向自身的…

day11 - 浮動

1. 標簽之間的空白問題 1.1. 問題重現 <!DOCTYPE html> <html lang="en"> <head><meta charset="UTF-8"><title>Document</title><style>img {width: 100px;}</style> </head> <body><a…

MetaBit基金會加碼投資圖靈協議,深化去中心化金融與元宇宙生態合作

2025年7月15日 —— 新加坡MetaBit基金會宣布進一步加大對圖靈協議&#xff08;Turing Protocol&#xff09;的戰略投資&#xff0c;涵蓋其去中心化交易所&#xff08;DEX&#xff09;、聚合交易平臺&#xff08;CEX&#xff09;及公鏈生態的技術與資金支持。雙方還將圍繞元宇宙…

NWinfo(硬件信息檢測工具)v1.4.20綠色免費版,U盤隨走隨檢,結果即刻導出

[軟件名稱]: NWinfo(硬件信息檢測工具)v1.4.20綠色免費版 [軟件大小]: 1.4 MB [軟件大小]: 夸克網盤 | 迅雷網盤 軟件介紹 NWinfo 誕生于給老舊機器做體檢的需求&#xff1a;一個單文件、零依賴的 Win32 小程序&#xff0c;卻能像放大鏡一樣把機箱里的故事讀出來。它不借助…

Numpy科學計算與數據分析:Numpy高效數據處理與優化

Numpy性能優化 學習目標 本課程將深入探討如何利用Numpy庫的特性來優化Python代碼的性能&#xff0c;重點講解向量化操作、避免Python循環等技術&#xff0c;幫助學員掌握高效的數據處理方法。 相關知識點 Numpy性能優化 學習內容 1 Numpy性能優化 1.1 Numpy數組與Pytho…

鴻蒙HarmonyOS中Axios網絡庫封裝與文件上傳功能實現

在開發鴻蒙HarmonyOS應用時&#xff0c;網絡請求功能是必不可少的。axios是一個非常流行的基于Promise的HTTP客戶端&#xff0c;適用于瀏覽器和Node.js環境。本文將介紹如何在鴻蒙HarmonyOS中封裝axios庫&#xff0c;使其能夠支持文件上傳&#xff0c;并提供額外的配置選項以滿…

【AI】從零開始的文本分類模型實戰:從數據到部署的全流程指南

目錄 引言 一、項目背景與目標 二、環境準備 三、數據獲取與探索 3.1 數據獲取 3.2 數據探索 四、數據預處理 4.1 文本清洗 4.2 分詞 4.3 標簽編碼 4.4 數據集劃分 4.5 特征提取 五、模型構建與訓練 5.1 邏輯回歸模型 5.2 LSTM 模型 六、模型評估 6.1 邏輯回歸…