- 博客(77)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 算法-合并素数
给一个数组，每次操作可以把相邻的两个素数元素进行合并，合并后的新数为原来的两个数之和，并删除原来两个数。现在希望最终数组的元素数量尽可能少。输入第一行 n 代表数组元素个数第二行 数组的各个元素47 2 2 3输出最终的个数1。
2024-04-17 11:31:32
83
原创 leetcode 25 K 个一组反转链表
k 是一个正整数，它的值小于或等于链表的长度。如果节点总数不是 k 的整数倍，那么请将最后剩余的节点保持原有顺序。给你链表的头节点 head ，每 k 个节点一组进行翻转，请你返回修改后的链表。你不能只是单纯的改变节点内部的值，而是需要实际进行节点交换。
2024-03-28 14:51:05
377
原创 JUC03共享模型
volatile主要用在一个线程改多个线程读时的来保证可见性，和double-checked locking模式中保证synchronized代码块外的共享变量的重排序问题Unsafe 对象提供了非常底层的，操作内存、线程的方法，Unsafe 对象不能直接调用，只能通过反射获得。LockSupport的park方法，cas相关的方法底层都是通过Unsafe类来实现的。static {try {// Unsafe 使用了单例模式，unsafe对象是类中的一个私有的变量。
2024-01-16 14:25:01
883
原创 JUC02同步和锁
临界资源：一次仅允许一个进程使用的资源成为临界资源临界区：访问临界资源的代码块竞态条件：多个线程在临界区内执行，由于代码的执行序列不同而导致结果无法预测，称之为发生了竞态条件一个程序运行多个线程是没有问题，多个线程读共享资源也没有问题，在多个线程对共享资源读写操作时发生指令交错，就会出现问题管程（monitor）：由局部于自己的若干公共变量和所有访问这些公共变量的过程所组成的软件模块，保证同一时刻只有一个进程在管程内活动，即管程内定义的操作在同一时刻只被一个进程调用（由编译器实现）
2024-01-13 09:34:10
1002
原创 RocketMQ
RocketMQ是阿里巴巴2016年MQ中间件，使用Java语言开发，RocketMQ 是一款开源的****分布式消息系统****，基于高可用分布式集群技术，提供低延时的、高可靠的消息发布与订阅服务。同时，广泛应用于多个领域，包括异步通信解耦、企业解决方案、金融支付、电信、电子商务、快递物流、广告营销、社交、即时通信、移动应用、手游、视频、物联网、车联网等。
2024-01-06 21:16:37
945
原创 JUC01概述
进程：程序是静止的，进程实体的运行过程就是进程，是系统进行资源分配的基本单位进程的特征：并发性、异步性、动态性、独立性、结构性线程：线程是属于进程的，是一个基本的 CPU 执行单元，是程序执行流的最小单元。线程是进程中的一个实体，是系统独立调度的基本单位，线程本身不拥有系统资源，只拥有一点在运行中必不可少的资源，与同属一个进程的其他线程共享进程所拥有的全部资源关系：一个进程可以包含多个线程，这就是多线程，比如看视频是进程，图画、声音、广告等就是多个线程。
2024-01-05 09:45:38
869
原创 设计模式04行为型模式
在面向对象程序设计过程中，程序员常常会遇到这种情况：设计一个系统时知道了算法所需的关键步骤，而且确定了这些步骤的执行顺序，但某些步骤的具体实现还未知，或者说某些步骤的实现与具体的环境相关。例如，去银行办理业务一般要经过以下4个流程：取号、排队、办理具体业务、对银行工作人员进行评分等，其中取号、排队和对银行工作人员进行评分的业务对每个客户是一样的，可以在父类中实现，但是办理具体业务却因人而异，它可能是存款、取款或者转账等，可以延迟到子类中实现。
2023-12-25 16:46:18
1030
原创 设计模式03结构型模式
由于某些原因需要给某对象提供一个代理以控制对该对象的访问。这时，访问对象不适合或者不能直接引用目标对象，代理对象作为访问对象和目标对象之间的中介。Java中的代理按照代理类生成时机不同又分为静态代理和动态代理。静态代理代理类在编译期就生成，而动态代理代理类则是在Java运行时动态生成。动态代理又有JDK代理和CGLib代理两种。如果去欧洲国家去旅游的话，他们的插座如下图最左边，是欧洲标准。而我们使用的插头如下图最右边的。因此我们的笔记本电脑，手机在当地不能直接充电。
2023-12-20 10:40:18
1016
原创 设计模式02创建者模式
需求：设计一个咖啡店点餐系统。设计一个咖啡类（Coffee），并定义其两个子类（美式咖啡【AmericanCoffee】和拿铁咖啡【LatteCoffee】）；再设计一个咖啡店类（CoffeeStore），咖啡店具有点咖啡的功能。在java中，万物皆对象，这些对象都需要创建，如果创建的时候直接new该对象，就会对该对象耦合严重，假如我们要更换对象，所有new对象的地方都需要修改一遍，这显然违背了软件设计的开闭原则。
2023-12-12 09:00:31
868
原创 设计模式01
类图(Class diagram)是显示了模型的静态结构，特别是模型中存在的类、类的内部结构以及它们与其他类的关系等。类图不显示暂时性的信息。类图是面向对象建模的主要组成部分。
2023-12-08 11:08:40
1309
原创 ElasticSearch03
JPA是一个规范，真正操作数据库的是Hibernate（实现数据库增删改查框架[ORM框架],操作数据库采用的方式是面向对象[不写SQL语句]），而spring data jpa是对jpa的封装，将CRUD的方法封装到指定的方法中，操作的时候，只需要调用方法即可。Spring Data Jpa的实现过程：1：定义实体，实体类添加Jpa的注解 @Entity @Table @Cloumn @Id2：定义接口，接口要继承JpaRepository的接口。
2023-11-30 14:19:16
974
原创 Efficient RGB-T Tracking via Cross-Modality Distillation
RGB-T跟踪是一种估计RGB-T视频序列的每一帧中任意目标的状态的任务。由于热红外（TIR）传感器的可承受性，RGB-T跟踪引起了越来越多的研究兴趣。如图1 (a)所示，大多数现有的RGB-T跟踪模型首先采用双流结构分别提取多级单峰RGB和TIR特征，然后利用精心设计的多模态特征融合模块来利用多模态数据中的互补信息。最后，他们从融合的特征中推导出目标状态，通常由一个边界框表示。最后，他们从融合的特征中推导出目标状态，通常由一个边界框表示。
2023-11-29 16:31:43
1085
原创 WebSocket快速入门
WebSocket 是一种网络传输协议，可在单个 TCP 连接上进行全双工通信，位于 OSI 模型的应用层。WebSocket 协议在 2011 年由 IETF 标准化为RFC 6455，后由RFC 7936补充规范。WebSocket 使得客户端和服务器之间的数据交换变得更加简单，允许服务端主动向客户端推送数据。在 WebSocket API 中，浏览器和服务器只需要完成一次握手，两者之间就可以创建持久性的连接，并进行双向数据传输。
2023-11-28 21:32:44
672
原创 ElasticSearch02
版本：7.8 学习视频：尚硅谷笔记：https://zgtsky.top/实际开发中，主要有三种方式可以作为elasticsearch服务的客户端：第一种，使用elasticsearch提供的Restful接口直接访问第二种，elasticsearch-head插件第三种，使用elasticsearch提供的API进行访问ElasticSearch的接口语法。
2023-11-26 17:24:24
1136
原创 ElasticSearch01
Elaticsearch，简称为es， es是一个开源的高扩展的分布式全文检索引擎，它可以近乎实时的存储、检索数据；本身扩展性很好，可以扩展到上百台服务器，处理PB级别的数据。es也使用Java开发并使用Lucene作为其核心来实现所有索引和搜索的功能，但是它的目的是通过简单的RESTful API来隐藏Lucene的复杂性，从而让全文搜索变得简单。ElasticSearch的官方地址： https://www.elastic.co/products/elasticsearch。
2023-11-25 23:04:45
1510
1
原创 Tomcat与JDK版本问题
需要JDK17（可以配置多个JDK环境，切换使用）才可以使用，配置为JAVA_HOME路径，否则，Tomcat10+还是无法使用。当使用Tomcat10+的版本用于springmvc借用浏览器调试时，使用JDK8浏览器会报异常。
2023-09-29 12:35:48
627
原创 Less is More: Focus Attention for Efficient DETR
目标检测是计算机视觉中的一项基本任务，其目的是预测图像中目标的边界框和类别，如图1 (a)所示，在现实应用中具有重要意义。Carion等人提出的DETR使用可学习查询从变压器编码器的输出中探测图像特征，二部图匹配来执行基于集的盒预测。类detr模型取得了显著的进展，并逐渐与基于卷积神经网络的检测器缩小了差距。DETR中的全局关注提高了检测性能，但由于没有明确识别所有标记的冗余计算，造成了计算负担和效率低下。
2023-08-04 21:00:53
679
原创 Joint Token Pruning and Squeezing Towards More Aggressive Compression of Vision Transformers
虽然视觉变压器（ViTs）最近在各种计算机视觉任务中显示出了良好的结果，但它们的高计算成本限制了其实际应用。以前删除冗余标记的方法已经证明了在性能和计算成本之间的良好权衡。然而，由剪枝策略引起的错误可能会导致显著的信息丢失。我们的定量实验表明，修剪后的令牌对性能的影响应该是明显的。为了解决这个问题，我们提出了一种新的联合令牌修剪和压缩模块（TPS），用于更高效地压缩视觉变压器。首先，TPS采用剪枝的方法来获得保留和剪枝的子集。
2023-08-03 16:14:16
203
原创 LGViT : Dynamic Early Exiting for Accelerating Vision
在过去的几年中，视觉变压器（ViTs）由于其强大的性能和通用的结构而成为各种多媒体任务的基本骨干。随着5G无线网络和物人工智能（AIoT）的发展，在资源有限的边缘设备上部署ViTs以实现实时多媒体应用已成为一个有吸引力的前景。然而，vit的高计算复杂度给将其部署在边缘设备上带来了重大挑战。例如，ViT-L/16 [26]，一种典型的计算机视觉ViT架构，需要超过180gga的片段进行推理，在NVIDIA Jetson TX2设备上需要56.79毫秒来对224×224分辨率的图像进行分类。
2023-08-03 15:38:55
172
原创 Balanced Multimodal Learning via On-the-fly Gradient Modulation
人们通过协同利用多种感官来感知世界：眼睛看，耳朵听，手触摸。这种多模式的方式可以从不同的方面提供更全面的信息。受人类的多感官整合能力的启发，从不同传感器收集的多模态数据在机器学习中更容易被考虑。近年来，多模态学习在提高以往单模态任务的性能以及解决动作识别、视听语音识别、视觉问答等新的挑战性问题方面表现出了明显的优势。与单模态数据相比，多模态数据通常提供更多的视图，因此使用多模态数据的学习应该匹配或优于单模态情况。
2023-08-02 20:50:50
263
原创 MixFormerV2: Efficient Fully Transformer Tracking
视觉物体跟踪一直是计算机视觉中一项基本而长期的任务，目的是在其初始边界框的视频序列中定位物体。它有广泛的实际应用，通常需要较低的计算延迟。因此，在保持高精度的同时，设计一个更高效的跟踪架构是很重要的。最近，基于变压器的单流跟踪器[7,14,54]获得了良好的跟踪精度，由于变压器块内的特征提取和目标集成的统一建模，这允许两个组件受益于变压器的开发（例如，维特[17]，自我监督预训练[23]或对比预训练[42]）。然而，对于这些跟踪器来说，推理效率，特别是在CPU上，仍然是实际部署的主要障碍。
2023-07-26 23:46:17
1093
原创 SeqTrack: Sequence to Sequence Learning for Visual Object Tracking
视觉目标跟踪是计算机视觉中的一项基本任务。它的目的是估计任意目标在视频序列中的位置，只给定它在初始帧中的位置。现有的跟踪方法通常采用分治策略，将跟踪问题分解为多个子任务，如目标尺度估计和中心点定位等。每个子任务都由一个特定的头网络来处理。例如，SiamRPN及其后续工作采用分类头进行目标定位，采用回归头进行规模估计，如图1(a).所示。STARK和基于变压器的跟踪器设计了角头网络来预测目标物体的边界盒角，如图1(b).所示。这种分治之策略在跟踪基准上表现出优越的性能，从而成为现有模型的主流设计。
2023-06-16 10:51:05
1152
原创 Hard Patches Mining for Masked Image Modeling
自监督学习的目标是从没有任何注释的大规模数据集中学习可扩展的特征表示，一直是计算机视觉（CV）的研究热点。受自然语言处理（NLP）中的掩蔽语言建模（MLM）的启发，该模型被敦促预测句子中的掩蔽词，CV中的掩蔽图像建模（MIM）引起了许多研究者的极大兴趣。图1a显示了MIM预训练的传统方法的范例。在这些典型的解决方案中，模型通常侧重于预测掩蔽补丁的特定内容。直观地说，这个过程可以被看作是训练一个学生（即模型）来解决给定的问题（即预测掩蔽补丁）。
2023-05-16 21:44:12
581
原创 Can we learn better with hard samples
多年来，深度神经网络（DNNs）在许多表示学习任务中脱颖而出。反向传播算法是训练神经网络的首选方法。反向传播算法允许多层神经网络学习输入和输出之间的复杂表示。它克服了在感知器等神经网络中学习线性可分离向量的局限性。本质上，数据越复杂，需要的反向传播就越多。深度学习领域已经从使用简单的人工神经网络学习简单的线性表示，到使用转换器学习高度复杂的细粒度表示，所有这些都使用反向传播。神经网络中的反向传播算法可以批量应用（批量梯度下降）、每个样本（随机梯度下降）甚至小批量应用（小批量梯度下降）上应用。
2023-04-13 17:41:27
405
原创 Generalist: Decoupling Natural and Robust Generalization
我们提出了一个名为多面手的双专家框架来改进自然泛化和鲁棒泛化之间的权衡问题，它训练两个负责互补领域的基础学习者，并收集他们的参数来构建一个全局学习者。通过与联合训练范式的解耦，每个基础学习者都可以使用基于数据分布的定制策略。我们提供了理论分析来证明任务感知策略的有效性，并广泛的实验表明，多才手更好地减轻了准确性和鲁棒性的权衡。
2023-04-07 08:46:17
317
原创 DropMAE: Masked Autoencoders with Spatial-Attention Dropout for Tracking Tasks
MAE的一个简单扩展是在视频中随机掩码帧块并重建帧像素。然而，我们发现这种简单的基线严重依赖于空间线索，而**忽略了帧重建的时间关系**，从而导致VOT和VOS的时间匹配表示次优。为了缓解这一问题，我们提出了DropMAE，它在帧重构中自适应地执行空间注意退出，以促进视频中的时间对应学习。
2023-04-05 12:20:47
1624
5
原创 springboot+vue+shiro+mp-plus整合
创建前后端框架前端vue版本查看版本，vue -V npm uninstall vue-cli -g//卸载vue2 npm install -g @vue/cli-init//安装vue3创建项目采用可视化创建，勾选router和vuex vue ui安装插件一、安装Element UI先执行npm i element-ui -S然后在main.js中加入以下代码import ElementUI from 'element-ui';import 'eleme
2022-04-05 12:13:50
582
实验室设备管理系统-期末设计.rar
2021-01-12
第六届蓝桥杯省赛.rar
2020-06-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人