<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[okimaru的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/okimaru</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; okimaru]]></copyright><item><title><![CDATA[【Cypress】cy.screenshot()和 cy.compareSnapshot()的区别]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/141369580</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/141369580</guid><author>okimaru</author><pubDate>Tue, 20 Aug 2024 22:03:40 +0800</pubDate><description><![CDATA[应用场景: `cy.screenshot()` 适用于保存测试过程中的截图，`cy.compareSnapshot()` 则用于确保页面的视觉外观在不同测试运行之间保持一致。保存路径: 它生成并保存基准截图到 `cypress/snapshots` 目录中，在后续运行中，它会将新的截图与基准截图进行比较，如果有差异，则会生成差异截图。这是在 Cypress 中生成截图的基本方法。输出不同: `cy.screenshot()` 生成单独的截图文件，而 `cy.compareSnapshot()` 则是。]]></description><category></category></item><item><title><![CDATA[【Cypress】截图插件]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/141369483</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/141369483</guid><author>okimaru</author><pubDate>Tue, 20 Aug 2024 21:59:59 +0800</pubDate><description><![CDATA[如果测试运行中的截图和基准截图之间存在差异，测试会失败，并生成一个差异截图，显示出页面的不同部分。这个差异截图帮助你快速识别出页面中的视觉变化或错误。- 每次你运行测试时，Cypress 会将当前的页面渲染与这个基准截图进行比较，看看是否有任何视觉上的变化。- 这是你在项目中首次运行视觉回归测试时保存的截图，它代表了页面在最初设定的理想状态下的外观。- 这是你在每次运行视觉回归测试时，Cypress 捕获的当前页面的实际外观。- 基准截图通常保存在项目的某个特定目录中，以便在后续的测试中进行对比。]]></description><category></category></item><item><title><![CDATA[子组件数据回显]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/141202416</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/141202416</guid><author>okimaru</author><pubDate>Wed, 14 Aug 2024 23:05:26 +0800</pubDate><description><![CDATA[这样，子组件就可以访问并展示从父组件传递过来的数据了。是一个prop绑定，它将父组件的。]]></description><category></category></item><item><title><![CDATA[Vue传递值并提交]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/141201603</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/141201603</guid><author>okimaru</author><pubDate>Wed, 14 Aug 2024 22:13:31 +0800</pubDate><description><![CDATA[1. 封装好的子组件 (MyForm.vue2. 父组件 (App.vue。]]></description><category></category></item><item><title><![CDATA[Deep Learning-Based Multiclass Instance Segmentation for Dental Lesion Detection]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140891885</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140891885</guid><author>okimaru</author><pubDate>Sat, 03 Aug 2024 15:56:20 +0800</pubDate><description><![CDATA[为此，我们提出了一种用于根尖周疾病检测的轻量级Mask-RCNN模型。该模型分为两部分构建:轻量级的改进MobileNet-v2骨干网和基于区域的网络(RPN)，用于小数据集的根尖周疾病定位。为了测量所提出模型的有效性，轻量级的Mask-RCNN在包含五种不同类型根尖周围病变图像的自定义注释数据集上进行评估。结果表明，该模型可以检测和定位根尖周围病变，总体精度为94%，平均平均精度为85%，平均感染率为71.0%。]]></description><category></category></item><item><title><![CDATA[Dental enumeration and multiple treatment detection on panoramic X-rays using deep learning]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140891829</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140891829</guid><author>okimaru</author><pubDate>Sat, 03 Aug 2024 15:53:49 +0800</pubDate><description><![CDATA[本文开发了一种新的强大的深度学习框架，称为DENTECT，用于即时检测五种不同的牙科治疗方法，并根据全景x射线图像上的FDI符号同时对牙列进行编号。这使得DENTECT成为第一个专注于识别多种牙科治疗的系统;即根尖周围病变治疗、填充物、根管治疗(RCT)、手术拔牙、常规拔牙均准确定位在相应的边界和牙数内。虽然DENTECT只训练了1005张图像，但专家提供的注释在处理和枚举检测方面都提供了令人满意的结果。该框架以89.4%的平均精度(AP)评分进行枚举，并以59.0%的AP评分进行治疗识别。]]></description><category></category></item><item><title><![CDATA[Weakly supervised monocular 3d object detection using multi-view projection and direction consistenc]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140733553</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140733553</guid><author>okimaru</author><pubDate>Sat, 27 Jul 2024 12:17:07 +0800</pubDate><description><![CDATA[单目三维目标检测因其易于应用而成为自动驾驶领域的主流检测方法。一个突出的优点是在推理过程中不需要激光雷达点云。然而，目前大多数方法仍然依赖于3D点云数据来标记训练阶段使用的地面真相。这种训练和推理的不一致性使得大规模反馈数据难以利用，增加了数据收集的费用。为了弥补这一缺陷，我们提出了一种新的弱监督单眼三维目标检测方法，该方法可以只使用图像上标记的二维标签来训练模型。具体来说，我们在这个任务中探索了三种类型的一致性，即投影一致性、多视图一致性和方向一致性，并基于这些一致性设计了一个弱监督架构。]]></description><category></category></item><item><title><![CDATA[Object discovery from motion-guided tokens]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140733321</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140733321</guid><author>okimaru</author><pubDate>Sat, 27 Jul 2024 12:09:13 +0800</pubDate><description><![CDATA[这项工作引入了一种新颖的自动编码器架构 MoTok，用于无监督视频对象发现。通过利用运动引导标记化，该模型增强了 Transformer 架构中注意力机制的核心矢量量化过程。我们的方法允许出现可解释的中级特征，从而简化对象发现任务。对合成数据集和真实世界数据集的综合评估表明，如果解码器具有足够的容量，运动引导可以减轻对标签、光流或深度解码的需求，从而实现最先进的结果。所提出的方法有效地解决了对象背景模糊性的挑战，并提高了现实视频场景中的性能 [T4]、[T5]。]]></description><category></category></item><item><title><![CDATA[Detecting everything in the open world: Towards universal object detection]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140577196</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140577196</guid><author>okimaru</author><pubDate>Sat, 20 Jul 2024 20:49:08 +0800</pubDate><description><![CDATA[我们提出了UniDetector，一个通用的对象检测器，它有能力在开放世界中识别巨大的类别。UniDetector通用性的关键点是:1)通过图像和文本空间的对齐，利用多源图像和异构标签空间进行训练，保证了足够的信息用于通用表示。2)由于视觉和语言两种形态的丰富信息，它很容易泛化到开放世界，同时保持了可见和不可见类别之间的平衡。3)通过我们提出的解耦训练方式和概率校准，进一步提升了对新类别的泛化能力。]]></description><category></category></item><item><title><![CDATA[Enhanced training of query-based object detection via selective query recollection]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140577185</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140577185</guid><author>okimaru</author><pubDate>Sat, 20 Jul 2024 20:48:37 +0800</pubDate><description><![CDATA[本文研究了基于查询的目标检测器在最后解码阶段预测错误，而在中间阶段预测正确的现象。我们回顾了训练过程，并将这种被忽视的现象归因于两个限制:缺乏训练重点和解码序列的级联错误。我们设计并提出了一种简单有效的基于查询的目标检测器训练策略——选择性查询回忆(SQR)。随着解码阶段的深入，它会累积收集中间查询，并有选择地将查询转发到顺序结构以外的下游阶段。这样，SQR将训练重点放在后期阶段，并允许后期阶段直接处理来自早期阶段的中间查询。]]></description><category></category></item><item><title><![CDATA[YOLOv10: Real-Time End-to-End Object Detection]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140379590</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140379590</guid><author>okimaru</author><pubDate>Fri, 12 Jul 2024 15:00:50 +0800</pubDate><description><![CDATA[此外，作者遵循[21]将 Query 和键的维度设置为值维度的一半，并在MHSA中使用BatchNorm代替LayerNorm以便快速推理。通过这种方式，作者可以将全局表征学习能力以低计算成本融入到YOLOs中，这大大增强了模型的性能，并带来了性能的改进。此外，在一对一匹配中，作者采用顶部选择，其性能与匈牙利匹配[4]相同，但额外的训练时间更少。因此，作者为分类 Head 采用了简单的轻量级架构，该架构包括两个深度可分离卷积（核大小为3×3），后面跟着一个1×1卷积。在深层阶段的CIB中使用大核深度卷积。]]></description><category></category></item><item><title><![CDATA[Detrs beat yolos on real-time object detection]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/140379093</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/140379093</guid><author>okimaru</author><pubDate>Fri, 12 Jul 2024 14:46:26 +0800</pubDate><description><![CDATA[然而，我们观察到nnms对yolo的速度和准确性产生了负面影响。最近，端到端基于变压器的检测器(DETRs)为消除NMS提供了一种替代方案。然而，高昂的计算成本限制了它们的实用性，阻碍了它们充分发挥排除NMS的优势。在本文中，我们提出了实时检测变压器(RT-DETR)，这是我们所知的第一个解决上述困境的实时端到端对象检测器。我们在先进的DETR基础上分两步构建RT-DETR:首先我们专注于在提高速度的同时保持精度，其次是在提高精度的同时保持速度。]]></description><category></category></item><item><title><![CDATA[Face XY project]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/138287536</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/138287536</guid><author>okimaru</author><pubDate>Sun, 28 Apr 2024 18:38:27 +0800</pubDate><description><![CDATA[【代码】Face XY project。]]></description><category></category></item><item><title><![CDATA[YOLO系列小样本数据集进行数据增强]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/137678316</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/137678316</guid><author>okimaru</author><pubDate>Fri, 12 Apr 2024 15:10:15 +0800</pubDate><description><![CDATA[处理数据增强需要用到images和labels。我保存的labels是txt文件，但是。目标检测的类别，有几个就填几个，我只有一个类别，就写了“defect”，结束后得到xml形式的数据增强labels和数据增强的images。现在需要将数据增强的xml格式的文件转换为txt文件，使用。修改需要转换的xml文件名为“tooth”将txt转换为xml文件后，使用数据增强。中需要对xml文件进行处理，因此需要。将txt文件进行转换。将xml文件进行转换。]]></description><category></category></item><item><title><![CDATA[[NVIDIA]Accelerating Applications with CUDA C/C++笔记]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/137455459</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/137455459</guid><author>okimaru</author><pubDate>Sun, 07 Apr 2024 14:01:55 +0800</pubDate><description><![CDATA[在高层次上，执行配置允许程序员为内核启动指定**线程层次结构**，它定义了线程分组的数量（称为**块**），以及在每个块中执行的**线程数**。稍后将在实验室中详细探讨执行配置，但目前请注意，内核是使用包含“1”线程（第二个配置参数）的“1”线程块（第一个执行配置参数）启动的。此外，每个块都有一个索引，从 0 开始。CUDA 内核可以访问特殊变量，这些变量既可以识别执行内核的线程（在块内）的索引，也可以标识线程所在的块（在网格内）的索引。** 内核代码由内核启动时配置的每个线程块中的每个线程执行**。]]></description><category></category></item><item><title><![CDATA[目标检测系列模型发展历程]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/137086991</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/137086991</guid><author>okimaru</author><pubDate>Wed, 27 Mar 2024 19:52:25 +0800</pubDate><description><![CDATA[VOC-->COCO。]]></description><category></category></item><item><title><![CDATA[YOLOv5s处理二维牙齿数据集]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/136967085</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/136967085</guid><author>okimaru</author><pubDate>Mon, 25 Mar 2024 09:43:12 +0800</pubDate><description><![CDATA[640x640的图像。]]></description><category></category></item><item><title><![CDATA[目标检测的指标评估]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/136965844</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/136965844</guid><author>okimaru</author><pubDate>Sat, 23 Mar 2024 13:41:48 +0800</pubDate><description><![CDATA[$\text{召回率} = \frac{\text{真正例 (TP)}}{\text{真正例 (TP)} + \text{假负例 (FN)}}$$2. 召回率 (Recall): 表示在所有应该被检测到的目标中，模型正确检测到的目标所占的比例。3. F1 分数 (F1 Score): 精确度和召回率的调和平均值，是衡量模型准确性的一个重要指标，尤其在类别不平衡的情况下。不同的应用场景可能对精确度、召回率、IoU等指标的重视程度不同，因此选择合适的评价指标和阈值是评估目标检测模型性能的关键。]]></description><category></category></item><item><title><![CDATA[YOLOv3: An Incremental Improvement]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/136601914</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/136601914</guid><author>okimaru</author><pubDate>Sun, 10 Mar 2024 14:50:55 +0800</pubDate><description><![CDATA[因此，Darknet-53的性能与最先进的分类器相当，但浮点运算更少，速度更快。Darknet-53比ResNet-101更好，速度快1:5倍。Darknet-53的性能与ResNet-152相似，速度是ResNet-152的2倍。新网络是YOLOv2、Darknet-19中使用的网络和那些新奇的残余网络之间的混合方法。我们的网络使用连续的3 × 3和1 × 1卷积层，但现在也有一些快捷连接，并且明显更大。这个新网络比Darknet19强大得多，但仍然比ResNet-101或ResNet-152更有效。]]></description><category></category></item><item><title><![CDATA[YoLo进化史《A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 TOYOLOV8 AND BEYOND》]]></title><link>https://blog.youkuaiyun.com/okimaru/article/details/136599253</link><guid>https://blog.youkuaiyun.com/okimaru/article/details/136599253</guid><author>okimaru</author><pubDate>Sun, 10 Mar 2024 13:12:50 +0800</pubDate><description><![CDATA[40]。受GoogLeNet[41]和Network in Network[42]的启发，YOLO使用1 × 1卷积层来减少特征映射的数量，并保持相对较低的参数数量。作为激活层，表1描述了YOLOv1体系结构。作者还介绍了一个更轻的模型，称为Fast YOLO，由9个卷积层组成。]]></description><category></category></item></channel></rss>