- 博客(330)
- 收藏
- 关注
RSS订阅原创 SG-Former: Self-guided Transformer with Evolving Token Reallocation
Vision Transformer（ViT）在各种视觉任务中展现了令人印象深刻的成功。然而，其计算成本较高，随着token序列长度的增加，计算量呈平方增长，这在处理大特征图时极大地限制了其能力。为了减轻计算成本，之前的工作要么依赖于局部小区域的精细自注意力，要么使用全局自注意力，但通过缩短序列长度来实现，从而导致粗粒度的表示。在本文中，我们提出了一种新颖的模型，称为，旨在通过自适应的细粒度实现有效的全局自注意力。我们方法的核心是利用一个重要性图。
2025-03-28 22:56:55
660
原创 Is Space-Time Attention All You Need for Video Understanding?
正如我们在实验中所示，与完整的时空注意力相比，这种方法会导致分类精度下降，特别是在需要强时间建模的基准测试中。我们提出了一种更高效的时空注意力架构，称为“分离时空注意力”（简称 T+S），其中时间注意力和空间注意力是分别应用的，且顺序进行。需要注意的是，相较于联合时空注意力模型公式 (5) 中每个补丁需要进行的 (NF + 1) 次比较，分离注意力模型每个补丁仅执行 (N+F+2) 次比较。需要注意的是，当注意力计算仅在一个维度上进行（例如，仅在空间维度或时间维度上），计算量会显著减少。
2025-03-09 18:04:09
947
原创 黑马Java面试教程_P6_消息中间件
还是存在一个问题，如果主节点的队列还没来得及给镜像节点同步数据，这时候主节点就宕机了，那是不是说数据还没有同步完成，就有可能丢失数据，虽然发生概率低。可以用仲裁队列来解决。第一个是消息未到达交换机或者队列，第二个是MQ宕机导致，第三个是消费者宕机导致（未接收到消息或者未处理消息）。第一个方案是，在处理消息时，查看业务id是否存在，如果已经存在，说明数据库中已经有了消息所包含的内容，防止重复处理。- 主节点处理所有操作并同步给从节点，若主节点宕机，从节点可接替为主节点，但需注意数据同步的完整性。
2025-03-05 23:02:53
761
原创 时空注意力机制研究
该代码中使用了ViT提取图像特征，并结合了时空注意力机制，使模型能够同时学习图像和视频帧之间的时空关系，从而增强假新闻检测的性能。如果你对代码有任何问题，或者希望进一步修改或扩展功能，随时告诉我！num_frames= 10：这表示你将视频分割成 10 帧，所以num_frames是 10。最终输出的特征形状是，其中是通过 ViT 提取的每一帧的特征维度。通过ViT和时空注意力机制结合，可以有效地从视频中提取出关键物体的特征。
2025-03-04 18:41:45
867
原创 《MIGCL: Fake news detection with multimodal interaction and graph contrastive learning networks》中文
随着社交网络中包含多媒体元素的新闻（如图片）的快速增长，跨模态学习对于准确检测虚假新闻至关重要。大多数先前的方法集中于通过开发复杂的神经网络来粗略地融合多模态信息来将图像和句子独立地嵌入到共享的嵌入空间中。然而，这些方法很少在执行多模态融合之前寻求图像和句子之间的细粒度连接，并且缺乏理解复杂的模态内和模态间关系的能力。此外，以往的研究主要集中在样本内部的模态内和模态间关系，而忽略了样本组间的动态性。
2025-02-24 21:34:52
692
1
原创 搞定leetcode面试经典150题之50.Pow(x, n)
long N = n;是为了避免n是时取反操作可能引起的溢出问题。如果n的值是，直接取反-n会导致溢出（变成2147483648，超出了int的范围）。将n转换为long，可以确保后续的计算不会溢出，保证了正确性。
2025-02-16 21:52:09
317
原创 搞定leetcode面试经典150题之190.颠倒二进制位
这是一个方法，它接受一个整数n（32位）并返回它的反转二进制表示。这段代码利用位运算（按位与、按位或、左移<<、无符号右移>>>）高效地反转了一个 32 位整数的二进制表示。
2025-02-15 17:51:47
422
原创 整理：熟悉MySQL的使用和运行原理，掌握索引、事务、锁等机制。了解存储引擎、读写分离、分库分表。
索引是数据库中一种用于提高查询速度的数据结构。它可以加速数据的查找过程，类似于书籍中的目录，可以快速找到目标数据。
2025-02-05 23:11:29
979
5
原创 苍穹外卖使用MyBatis-Plus_P2
WebMvcConfiguration类的修改如下。sky-take-out的pom.xml修改如下。
2025-01-29 00:45:31
243
原创 为什么我可以在拦截其中BaseContext.setCurrentId(empId)；然后在controller中通过BaseContext.getCurrentId(empId)；拿到值
你在拦截器中通过存储了数据到当前线程的中。在控制器中，通过获取同一个线程中的数据，从而拿到empId。确保了每个线程有独立的存储空间，因此在同一线程中的不同方法之间，可以共享数据。和操作的是同一个变量，且在类中只有一个实例。是基于线程的，它在同一个线程内允许方法之间共享数据，但不会在每次调用时创建新的对象。
2025-01-29 00:04:53
920
原创 苍穹外卖使用MyBatis-Plus
将spring-boot-starter-parent父工程的版本号从2.7.3修改为3.0.5。将lombok依赖的版本号从原来的1.18.20更改为1.18.30。中增加mybatis-plus框架的依赖。将druid：注释掉。
2025-01-28 16:16:06
610
原创 @RestControllerAdvice 的作用
是 Spring 中一种集中处理异常、模型属性、数据绑定等的机制，它让你可以在一个地方集中管理所有控制器相关的操作，从而使得代码更加简洁和可维护。
2025-01-28 11:14:08
952
原创 黑马点评_Redis消息队列实现异步秒杀
日常生活中，我们简单想一下，可能我们作为消费者不想有快递柜，想让快递员送货上门，但是如果我们在班上，快递到了还要跑回家签收，其实很不合理，所以快递柜的存在对于快递员和我们消费者都是有利的。解耦性：消息队列实现了发送方和接收方的解耦，发送方只需将消息发送到队列中，不需要直接知道接收方的存在或状态，接收方通过订阅队列来获取消息，而不需要关心消息的发送者。比如你开启两个窗口，一个使用BRPOP，如果消息队列中没有数据，会阻塞住，另外一个窗口如果输入进出数据了，卡住的窗口会解除阻塞，输出被输入的数据。
2025-01-22 19:13:43
688
原创 学习一下强化学习
强化学习（Reinforcement Learning，简称RL）是一种机器学习范式，主要关注如何让智能体（Agent）在环境中通过与环境的交互，学习如何通过选择合适的行为来最大化累积的奖励。它的学习过程不同于监督学习和无监督学习，因为强化学习中的智能体并不直接依赖于标注数据，而是通过和环境的互动进行自我学习。强化学习是机器学习中的一个重要领域，通过智能体与环境的互动，学习如何在不完全信息的情况下做出决策，并通过优化行为来最大化累积奖励。
2025-01-22 19:13:13
906
原创 黑马点评_秒杀优化_基于阻塞队列实现秒杀异步下单
现在的效率很低，所以我们可以再请一个人，小姐姐负责照顾顾客，点单下单，后厨拿到单之后负责做菜，做好菜，再上菜即可。优化后的流程图如下：由于秒杀资格判断需要数据库中的数据，如果还是每次从MySQL中拿数据，太慢了，所以可以使用Redis来存储一部分数据，用于秒杀资格的判断。这时候为了分离两部分，我们需要有个“小票”使得两部分连接起来，可以使用阻塞队列，用来记录谁买了什么，还要返回订单id，让顾客可以直接买单了，这时候订单可能还没有创建或者写入数据库，但未来我们保证可以完成创建。
2025-01-21 21:40:35
678
原创 黑马点评_优惠卷秒杀思路梳理_秒杀优化之前
又出现了一个新的问题，就是我们现在用了事务，我再整个方法的代码运行完毕，锁也释放了的时候，springboot才对事务进行提交（把数据写入数据库），可能还没来得及提交，已经有新的线程拿到了锁，开始查数据库了，发现没有针对同一个用户Id的订单，他也会继续执行针对相同用户Id创建订单的代码，这时候又会出现线程安全问题。锁有两种（理念），悲观锁和乐观锁。获取锁还有两种机制，一种是阻塞式的机制，我获取失败，我就等待，另一种是非阻塞的机制，我获取失败就返回false，我就不再获取，成功就返回true。
2025-01-21 16:39:58
1281
原创 论文学习：Joint Multi-modal Aspect-Sentiment Analysis with Auxiliary Cross-modal Relation Detection
虽然spaCy本身并没有专门的功能来发掘文本中与商品相关的单词，但通过自定义命名实体识别词向量相似度依赖解析和规则匹配等方法，可以有效地从文本中提取出与商品相关的单词。此外，你还可以结合其他技术（如图像识别、推荐系统等），将多模态数据融合使用，提高模型的精度和性能。如果你的目标是针对电商领域中的商品识别，尤其是在检索、推荐等任务中，使用spaCy与其他技术（如图像处理、上下文理解等）相结合，会大大提升商品的提取和相关任务的表现。
2025-01-19 23:54:26
859
原创 简历_基于 Cache Aside 模式解决数据库与缓存一致性问题。
缓存更新策略的最佳实践方案:1.低一致性需求:使用Redis自带的内存淘汰机制2.高一致性需求:主动更新，并以超时剔除作为兜底方案读操作:缓存命中则直接返回缓存未命中则查询数据库，并写入缓存，设定超时时间写操作:先写数据库，然后再删除缓存要确保数据库与缓存操作的原子性。
2025-01-18 23:27:14
865
原创 简历_使用 Redis 解决集群模式下的 Session 共享问题，使用拦截器实现用户的登录，校验和权限刷新以及对单位时间内请求频繁的用户IP地址进行限流。
选择合适的数据结构选择合适的key选择合适的存储粒度。
2025-01-18 23:26:28
752
原创 黑马Java面试教程_P1_导学与准备篇
(他表面是问你如何定位慢查询，本质是想问你之前调优的经验，这是自然发生的，并不是死记硬背的东西，本教程会涉及什么场景会涉及慢查询的现象）HR收到简历后先进行筛选，通过后的简历给部门负责人再筛选，筛选再次通过后，部门负责人让HR来预约面试。业务条件（技术达标后，可能会进一步看项目类型是否与现在正在干的项目相关，比如电商、银行、物流）上图中第一点可以说明你意志力强。如果面试官一开始就只是想问，你权限认证怎么做的，你把如何设计都说出来，是很加分的。5- 6 是最核心的内容，是面试官的主要参考，被问到最多。
2025-01-17 14:27:48
1554
原创 简历_使用优化的Redis自增ID策略生成分布式环境下全局唯一ID，用于用户上传数据的命名以及多种ID的生成
我们需要设置全局唯一ID。原因：当用户抢购时，就会生成订单并保存到tb_voucher_order这张表中，而订单表如果使用数据库自增ID就存在一些问题。问题：id的规律性太明显、受单表数据量的限制。所以在自己的项目中，针对上传的数据的ID的生成也可以使用全局唯一ID。，是一种在分布式系统下用来生成全局唯一ID的工具，一般要满足下列特性：高可用、唯一性、高性能、递增性、安全性。ID 的构造是 ：时间戳 + 计数器。每天一个key，方便统计订单量。
2025-01-17 10:34:26
623
原创 中文：A Dual-Module Denoising Approach with Curriculum Learning for Enhancing Multimodal Aspect-Based
文章汉化系列目录文章目录文章汉化系列目录摘要1 引言2 相关工作2.1 多模态基于方面的情感分析2.2 课程学习 (Curriculum Learning)3 方法论3.1 混合课程去噪模块 (HCD)3.1.1 相似度难度度量**3.1.2 基于模型损失的难度度量**3.1.3 综合难度度量3.1.4 课程训练3.2 方面增强去噪模块 (AED)3.2.1 基于方面的增强情感注意力 (AESA)3.2.2 加权关联矩阵3.2.3 图卷积网络（GCN）3.2.4 预测与损失函数五、1、2、3、六、1、2
2025-01-10 20:12:49
644
原创 低秩信息收集_0109
即一个矩阵的列向量或行向量的线性独立性。：为了提高模型的适配效率，研究者们通常通过添加适配器层或者优化输入层的激活函数来调整模型，以便更好地适应不同的任务或数据。方法之所以只需要重新训练少量的参数，是因为它的核心思想是将模型的参数增量（更新部分）限制为一个低秩矩阵的形式。因此，相较于全面微调（需要对整个模型的参数进行更新和存储），LoRA 微调极大地降低了训练参数的规模，同时保留了较好的性能。这段话主要讨论的是在大规模模型和延迟敏感应用场景下，传统的模型适配方法存在的一些问题。的数学特性来降低参数量。
2025-01-09 19:58:53
817
原创 AoM: Detecting Aspect-oriented Information for Multimodal Aspect-Based Sentiment Analysis
多模态基于方面的情感分析（MABSA）旨在从文本-图像对中提取方面并识别其情感。现有方法大多致力于将整个图像与对应的方面对齐。然而，图像的不同区域可能与同一句中的不同方面相关，将图像-方面对齐粗略地建立会引入噪声，从而影响基于方面的情感分析（即视觉噪声）。此外，特定方面的情感也可能受到其他方面描述的干扰（即文本噪声）。考虑到上述噪声，本文提出了一种面向方面的方法（AoM）来检测与方面相关的语义和情感信息。具体来说，设计了一个方面感知注意力模块，用以同时选择与方面语义相关的文本标记和图像块。
2025-01-09 19:20:29
837
原创 同类样本代替时间序列数据的思路
是的，你可以尝试用同类样本来代替时间序列数据作为构建张量的基础，从而应用秩正则化。但这种方法需要根据你的任务和数据特点合理设计具体的构建方式，确保这种替代方法能够有效捕捉多模态之间的关联。以下是一些可行的思路和潜在问题。在时间序列中，样本之间的时间维度提供了顺序关系，而在非时间数据中，可以用同类样本的集合代替时间维度，从而构造张量。假设你有一个非时间序列的多模态数据集，每个样本由多种模态组成（如图像、文本、语音）。你可以：例如：在这种情况下，可以用同类样本作为“模态之间的组合基础”，然后构造张量表示。以下是
2025-01-06 20:01:14
540
原创 组会PPT_Learning Representations from Imperfect Time Series Data via Tensor Rank Regularization
下图就是一个简单的多模态图片，图像的金毛和文本的金毛，一起被模型学习，嵌入一个公共的隐空间。什么是秩？张量秩是描述张量可以通过多少个较低阶张量的乘积来表示。先说一下矩阵的秩，比如A，他的秩为2，因为100这个向量无法通过矩阵运算得到010，他们两个竖向量是线性无关的。矩阵其实就是个特殊的张量，他是个二阶张量。然后我们再说以下这个秩为1的张量，它可以是很多阶的，一阶就是一个向量，二阶就是一个矩阵，三阶就是个三阶张量。三阶张量可以由三个向量外积得到。此时它的秩是1。
2025-01-06 16:39:16
925
原创 简历_专业技能_熟悉分布式锁Redisson的原理以及使用
Redisson是一个在Redis的基础上实现的Java驻内存数据网格（In-Memory Data Grid）。它不仅提供了一系列的分布式的Java常用对象，还提供了许多分布式服务，其中就包含了各种分布式锁的实现。
2025-01-05 22:39:28
439
原创 简历_熟悉缓存高并发场景处理方法(使用 Redis 对高频访问的信息进行缓存，降低数据库査询压力)，如缓存穿透、缓存击穿、缓存雪崩
*服务实现类*
2025-01-05 09:31:47
1572
原创 黑马Java面试教程_P11_技术场景
下面9个问题都是比较通用的，不管你做过什么项目，都会包含下面的技术场景。我们针对的是如何回答这些面试问题，只告诉回答问题的核心要点，和回答问题的思路，并不会再实现一边，如果要深入学习这些内容，要自己系统学习。
2025-01-04 17:38:56
740
原创 信息搜集250102
多模态基于方面的情感分析（MABSA）结合文本和图像执行情感分析，但常常受到无关或误导性视觉信息的影响。现有的方法通常分别处理句子-图像去噪或方面-图像去噪，但未能全面解决这两种类型的噪声问题。为了解决这些局限性，我们提出了一种名为DualDe混合课程去噪模块（HCD）和方面增强去噪模块（AED）。HCD模块通过引入一种灵活的课程学习策略，优先处理干净数据，从而增强句子-图像的去噪能力。同时，AED模块通过一种方面引导的注意力机制减轻方面-图像噪声，过滤掉与特定分析对象无关的噪声视觉区域。
2025-01-02 22:36:24
938
原创 黑马Java面试教程_P10_设计模式
在平时的开发中，涉及到设计模式的有两块内容，第一个是我们平时使用的框架（比如spring、mybatis等），第二个是我们自己开发业务使用的设计模式。面试官一般比较关心的是你在开发过程中，有没有使用过设计模式，或者你在简历上写了关于设计模式的描述，那么这样我们就需要重点关心自己开发中用过的设计模式。
2025-01-02 22:35:56
1250
原创 黑马Java面试教程_P4_框架
现在企业都是用框架进行开发，框架的面试题也很重要。spring的框架包含三个Spring、SpringMVB、SpringBoot。和持久层框架MyBatis。考察你对AOP的理解，有没有使用AOP，因为AOP在Spring中是个难点。AOP称为面向切面编程，用于将那些与业务无关，但却对多个对象产生影响的公共行为和逻辑，抽取并封装为一可重用的模块，这个模块被命名为“切面”(Aspect)，减少系统中的重复代码，降低了模块间的耦合度，同时提高了系统的可维护性。
2025-01-01 22:53:08
952
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人