Edward的博客

原创 如何在linux挂载大于2T的磁盘

（1）MBR分区方案：MBR使用32位逻辑块地址来寻址分区，每个分区的最大容量限制为2TB。如果超过2TB的硬盘使用MBR分区方案，剩余的空间将无法被完全利用。（2）GPT分区方案：使用64位逻辑块地址来寻址分区，支持更大容量的分区，可处理超过2TB的硬盘，并充分利用整个存储空间。要解决这个问题，你可以将硬盘转换为GPT分区表格式。以partedparted(注意：未对其要以起始位置分区退出parted。/etc/fstab。

原创 【个人资料】国际学术交流英语

Sincerely,

原创 【AAAI2025】探索领域广义语义分割的语义一致性和风格多样性

本文提出了SCSD框架，旨在解决域泛化语义分割中现有方法的局限性。通过引入语义查询增强器（SQB）、文本驱动风格变换模块（TDST）和风格协同优化机制（SSO），充分利用图像与文本模态间的语义一致性以及文本模态的风格多样性。在多个基准数据集上进行的广泛实验表明，SCSD在单源、多源和不利条件设置下均显著优于现有方法，展现出强大的泛化能力，为域泛化语义分割研究提供了新的思路和方法。

原创 Ubuntu莫名奇妙自动关机

挂机跑着模型跑着跑着第三天看就关机了，我先试试更改休眠好不好使？

原创 问题： 用plt.scatter的时候报错 qt.qpa.plugin: Could not load the Qt platform plugin “xcb“ in ““ even though

在ubuntu22.04上，使用命令。用plt.scatter的时候报错。

原创 【自用软件】IDM下载器 Internet Download Manager v6.42 Build 10

Internet Download Manager 提升你的下载速度最多达5倍，安排下载时程，带有续传功能，可以恢复因为断线、网络问题、计算机当机甚至无预警的停电导致下传到一半的资料。IDM支持下载队列、防火墙、代{过}{滤}理服务器和映摄服务器、重新导向、cookies、需要验证的目录，以及各种不同的服务器平台，它紧密地与Internet Explorer和Netscape Communicator结合，自动地处理你的下载需求。此外，IDM还具有下载逻辑最佳化功能、检查病毒，以及多种偏好设定。

原创 【Nature medicine】A visual–language foundation model for pathology image analysis using medical

缺乏注释的公共医学图像是计算研究和教育创新的主要障碍。同时，许多经过去识别化的图像和大量知识由临床医生在公共论坛（如医学推特）上共享。我们利用这些众包平台策划了OpenPath，这是一个包含208,414张病理图像及其自然语言描述的大型数据集。我们通过开发病理语言-图像预训练（PLIP）来展示这一资源的价值，PLIP是一种具有图像和文本理解能力的多模态人工智能，基于OpenPath进行训练。PLIP在跨四个外部数据集的病理图像分类中实现了最先进的性能：在零样本分类中，PLIP的F1分数为0.565–0.83

原创 【Nature medicine】Integrated image-based deep learning and language models for primary diabetes care

由于训练有素的初级保健医生（PCP）短缺，尤其是在资源匮乏的环境中，初级糖尿病护理和糖尿病视网膜病变（DR）筛查仍然是主要的公共卫生挑战。在此，为了弥合这一差距，我们开发了一个集成图像和语言的系统（DeepDR-LLM），结合了大型语言模型（LLM模块）和基于图像的深度学习（DeepDR-Transformer），为PCP提供个性化的糖尿病管理建议。在回顾性评估中，LLM模块在英语测试中表现出与PCP和内分泌科住院医师相当的表现，并且在中文测试中表现优于PCP，且与内分泌科住院医师表现相当。

原创 【Nature medicine】A generalist vision–language foundation model for diverse biomedical tasks

传统的生物医学人工智能（AI）模型通常是为特定任务或模态设计的，因此在实际部署中往往表现出**有限的灵活性**，并**难以利用整体信息**。通用AI具有解决这些局限性的潜力，因为它在解释不同的数据类型和为多样化需求生成定制输出方面具有很强的通用性。然而，现有的生物医学通用AI解决方案通常比较笨重，并且对研究人员、从业者和患者来说是**闭源**的。在此，我们介绍了BiomedGPT，这是第一个开源且轻量级的视觉-语言基础模型，设计为能够执行各种生物医学任务的通用模型。BiomedGPT在25个实验中的16个实

原创 VLT: Vision-Language Transformer and Query Generation for Referring Segmentation

QKVsoftmaxdk​​QKT​V​k​×Wmap.×Wmap.t​vr​sd​softmaxC​1​ConvFvr​ConvFt​Twhere C​1​sd​×W×Nt​where Hand Wt​t​t​sd​sd​t​sdl​sdl​Asd​ConvFt​where Fsdl​×W×Csdl​across H。

原创 【图论】重庆大学图论与应用课程期末复习资料（作业八参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业七参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业六参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业五参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业四参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业三参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业二参考）（私人复习资料）

原创 【图论】重庆大学图论与应用课程期末复习资料（作业一参考）（私人复习资料）

原创 【Mamba】医学图像分割的Mamba评估指标参考（更新中...）

医学图像分割的Mamba评估指标参考

原创 【Mamba】（202401）U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation

本文介绍了一种名为U-Mamba的通用生物医学图像分割网络，该网络旨在改进卷积神经网络（CNN）和Transformer在处理长距离依赖性方面的局限性。由于局部性和计算复杂性，CNN和Transformer在处理这类问题时能力有限。受状态空间序列模型（State Space Sequence Models, SSMs）的启发，我们设计了一个混合型CNN-SSM模块，它结合了卷积层强大的局部特征提取能力和SSMs捕捉长程依赖性的能力。

原创 【历史资料】北京交通通信原理复试题汇总

数字基带传输系统概念数字基带信号指的是所占据的频谱是从零频或者很低频率开始的。在某些具有低通特性的有线信道中，特别是在传输距离不太远的情况下，基带信号可以不经过载波调制而直接进行传输，这类传输系统我们称之为基带传输系统。幅度调制（AM、脉冲PAM、幅移键控ASK）、频率调制（FM、频移键控FSK、脉宽调制PDM）、相位调制（PM、相移键控PSK、脉位调制PPM）：是频谱的非线性变换，会产生与频谱搬移不同的新的频率成分，故又称为非线性调制。可靠性：输出信噪比（接收端输出的信号平均功率与噪声平均功率之比）

原创 【图论】重庆大学图论与应用课程期末复习资料2-各章考点（计算部分）（私人复习资料）

二、树1、避圈法（克鲁斯克尔算法）2、破圈法3、Prim算法四、路径算法1、Dijkstra算法2、Floyd算法五、匹配1、匈牙利算法（最大权理想匹配（最小权权值取反））六、行遍性问题1、Fleury算法（欧拉巡回）2、Edmonds算法（最佳巡回）3、Christofides 最小权匹配算法（最佳H圈）4、二边逐次修正法（最佳H圈）5、最佳H圈七、平面图1、可平面性算法

原创 【图论】重庆大学图论与应用课程期末复习资料2-各章考点（填空证明部分）（私人复习资料）

所在的分支仅有一个奇度顶点，与握手定理矛盾。为二部图，因为二部图所有子图均为二部图，则。

原创 【图论】重庆大学图论与应用课程期末复习资料（私人复习资料）

期末资料包括（考试范围、书中例题、书中作业、ppt例题，填空知识点，证明题，历年真题等）

原创 【xshell和xftp连接Ubuntu教程】

连接成功后，我创建了Team文件夹，以下大家使用。同上，输入ip，端口，用户名，密码。

原创 【Ubuntu配置ssh和sftp与windows的xshell连接】

【代码】【Ubuntu配置ssh和sftp与windows的xshell连接】

原创 魔百盒cm101s m8233 emmc 卡刷教程

魔百盒cm101s的曲折刷机之路

原创 一文整理深度学习【医学图像处理领域期刊和会议】

一文整理深度学习【医学图像处理领域期刊和会议】

原创 一文整理深度学习【深度学习linux的docker+pytorch+cuda+nvidia-docker+vscode配置】

docker+pytorch+cuda+nvidia-docker+vscode

原创 一文整理深度学习【机器学习面试题】

一文整理深度学习【机器学习面试题】

原创 【论文知识点笔记】具有定量特征融合的粒子群优化模糊 CNN 用于超声图像质量识别

Particle Swarm Optimized Fuzzy CNN with QuantitativeFeature Fusion for Ultrasound Image Quality Identification（具有定量特征融合的粒子群优化模糊 CNN 用于超声图像质量识别）

原创 【论文知识点笔记】An adaptive self-guided wavelet convolutional neural network（小波变换+亚像素卷积+分组卷积+注意力+复合损失）

【论文知识点笔记】An adaptive self-guided wavelet convolutional neural network（小波变换+亚像素卷积+分组卷积+注意力+复合损失）

原创 一文整理深度学习【CT原理、成像及CT重建知识汇总】

一文整理深度学习【CT原理、成像及CT重建知识汇总】

原创 一文整理深度学习【PyTorch和Numpy高级常用代码段合集】

参考资料(张皓：PyTorch Cookbook)PyTorch和Numpy常用代码段合集Pytorch1. 导入包和版本查询2. 可复现性3. 显卡设置4. 张量基本信息5. 命名张量6. 数据类型转换7. torch.Tensor与np.ndarray转换8. Torch.tensor与PIL.Image转换9. np.ndarray与PIL.Image的转换10. 从只包含一个元素的张量中提取值11. 张量形变12. 打乱顺序13. 水平翻转14. 张量拼接15. 将整数标签转为one-hot编码1

原创 【论文知识点笔记】PixelRL（强化学习+全卷积+策略学习+价值学习）

PixelRL（强化学习+全卷积+策略学习+价值学习）一、摘要二、介绍三、创新点四、相关工作五、背景知识六、本文方法一、摘要本文解决了一个新的问题设置：用于图像处理的像素级奖励 (pixelRL) 强化学习。在引入深度 Q 网络之后，深度强化学习取得了巨大的成功。然而，深度强化学习（RL）在图像处理中的应用仍然有限。因此，我们将深度强化学习扩展到像素强化学习，用于各种图像处理应用。在pixelRL中，每个像素都有一个agent，agent通过一个动作来改变像素值。我们还提出了一种有效的 pixelR

原创 机器学习模型

1、机器学习模型1.1、有监督学习模型1.2、无监督学习模型1.3、概率模型

原创 docker-compose.yaml的一些坑（趁我还记得赶快记下来）

docker-compose.yaml的一些坑Centos7 配置阿里云 yum 镜像Docker安装安装docker-compose使用docker-compose想docker-compose部署mysql,redis,rabbitmq，然后配置在远程进行访问，边开发。但遇到好多错误。注意：docker-compose文件夹要授权注意：mysql远程访问权限问题注意：rabbitmq踪器restartCentos7 配置阿里云 yum 镜像# 备份旧的 yum 源mv /etc/yum.repos

原创 一文整理Docker【Docker使用（更新中）】

DockerDocker学习一、Docker概述1、Docker有什么用？二、Docker安装三、Docker基本组成1、查看环境2、安装3、阿里云镜像加速：4、卸载5、运行原理四、Docker命令0、帮助命令1、镜像命令1.1、查看所有镜像1.2、搜索镜像2、容器命令3、操作命令五、Docker镜像六、容器数据卷七、DockerFile八、Docker网络原理九、IDEA整合Docker十、Docker Compose十一、Docker Swarm十二、CI\CD jenkinsDocker学习一、

原创 一文整理IEEE问题汇总【IEEE PDF Checker】（更新中）

文章目录一、如何使用二、出现问题字体问题Latex问题一、如何使用进入网址：https://ieee-pdfchecker.org/Account/Login登录填写，文章名和期刊名上传文章pdf确认信息检测成功二、出现问题出现问题下载问题报错解压包如下：字体问题Error Font Helvetica is not embedded (256x)Error Font Symbol is not embedded (18x)解决方法很简单：先下载Adob

原创 【java】三步法：redis部署在CentOS 8（后端篇）

三步法：redis部署在CentOS 8（后端篇）一、配置环境并下载Redis1. 测试你的gcc环境2. 下载并解压安装包二、安装编译并配置文件1. 编译2. 配置文件三、启动服务并测试1. 前台启动2. 后台启动3. 查看端口及其他4. 测试其他1. 开机启动2. 创建 redis 命令软链接3. 重要相关的服务操作命令4. 客户端4. 参考文章一、配置环境并下载Redis1. 测试你的gcc环境redis 是用 C 语言开发，安装之前必先确认是否安装 gcc 环境有，看一下版本gcc -