qq_42854305的博客

原创 2024 CVPR Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample

本文探讨了通用异常检测（GAD）问题，旨在训练一个单一的检测模型，该模型能够在不经过任何进一步的目标数据训练的情况下，推广到检测来自不同应用领域的不同数据集中的异常。最近的一些研究表明，像CLIP这样的大型预训练视觉语言模型（VLMs）在检测来自各种数据集的工业缺陷方面具有很强的泛化能力，但它们的方法严重依赖于关于缺陷的手工制作的文本提示，这使得它们难以推广到其他应用中的异常情况，例如医学图像异常或自然图像中的语义异常。

原创 【论文阅读】2024 ECCV Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detectio

会议 2024 ECCVpaper https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/04634.pdfCode https://github.com/xcyao00/HGAD摘要拆分摘要：**定义：**统一异常检测（AD）是异常检测中最有价值的挑战之一，其中一个统一模型是用多个类别的正常样本训练的，目标是检测这些类别中的异常。**背景：**对于这样一个具有挑战性的任务，流行的基于归一化流（NF）的AD方法可能会陷入“同质映射”问题

原创 [论文阅读] 2024 CVPR ORAL Repurposing Diffusion-Based Image Generators for Monocular Depth Estimation

单目深度估计是一项基本的计算机视觉任务。从单幅图像中恢复3D深度在几何上是不适定的，需要对场景的理解，因此深度学习的兴起带来了突破也就不足为奇了。单目深度估计器的显著进步反映了模型容量的增长，从相对适度的卷积神经网络到大型Transformer架构。尽管如此，单目深度估计器在处理具有不熟悉内容和布局的图像时往往会遇到困难，因为它们对视觉世界的认知受到训练期间所见数据的限制，并且在对新领域进行零样本泛化时面临挑战。这促使我们去探索最近的生成式扩散模型中捕获的广泛先验知识是否能够实现更好、更具泛化性的深度估计。

原创 [论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review （四）三种分类方法对比

用于特征提取的深度学习优点利用现有模型便利性高：可以直接使用预训练的深度模型（如AlexNet、VGG和ResNet）提取低维特征，这些模型已经在大规模数据上进行了训练，能够快速获取数据的有效表示，节省了大量的训练时间和计算资源。降维效果显著：无论是使用预训练模型还是专门训练深度特征提取模型（如自动编码器网络），都能够将高维和/或非线性可分数据转换为低维特征表示，这使得数据在新的低维空间中更易于处理，有助于后续的异常检测。模型训练相对简单：训练方式通常比较直接，例如无监督的预训练或者以最小化重

原创 [论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review（三）总结梳理-疑点记录

其目的是通过对正常数据的学习，构建一个模型，使得正常数据在这个模型所定义的特征空间中有特定的表示模式。当新的数据实例进入这个模型时，如果其特征表示与正常数据的特征表示模式有较大差异，就会被判定为异常。分类方法中：前两种分类方式的区别是什么？这种方法的核心是学习能够代表数据。

原创 [论文阅读] 异常检测综述 Deep Learning for Anomaly Detection: A Review（一）

深度学习在异常检测中的应用：综述摘要异常检测，又称离群点检测或新奇性检测，在各个研究领域中数十年来一直是一个持续且活跃的研究领域。仍然存在一些独特的问题复杂性和挑战，需要先进的方法来解决。近年来，基于深度学习的异常检测，即深度异常检测，已成为一个关键方向。本文通过全面的分类法对深度异常检测的研究进行了综述，涵盖了三类高层次类别和 11 个细粒度类别方法的进展。我们回顾了它们的关键直觉key intuitions、目标函数objective functions、潜在假设underlying assumpt

原创 异常检测 相关工作anomaly detection related work 汇总

会议 2024 CVPRpaperCode摘要在工业生产线中自动化视觉检测对于提高各个行业的产品质量至关重要。异常检测（AD）方法为此目的提供了强大的工具。然而，现有的公共数据集主要由没有异常的图像组成，这限制了AD方法在生产环境中的应用。为了应对这一挑战，我们提出了（1）Valeo异常数据集（VAD），这是一个包含5000张图像的新型真实世界工业数据集，其中包括2000个跨越20多个子类别的具有挑战性的真实缺陷实例。

原创 【Notes】服务器

原创 OPEN-SET 详细学习

Openset强调的不仅仅是训练模式或数据集某一方面，而是涉及到训练和测试过程中类别信息的处理方式以及分类器设计理念等多个层面的综合概念。

原创 [论文笔记]-2024CVPR-Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection

开放集监督异常检测（OSAD）是一个新兴的异常检测领域，旨在利用训练过程中观察到的少量异常类别样本来检测未见的异常（即来自开放集异常类别的样本），同时有效识别已见异常。借助于已见异常所体现的先验知识，当前的OSAD方法通常能显著减少假阳性错误。然而，这些方法是在封闭集环境中训练的，并将异常样本视为来自同质分布，这使得它们在泛化到任何分布的未见异常时效果较差。为了解决这个问题，本文提出了一种利用有限异常样本学习异质异常分布的方法。

原创 【论文阅读】ECCV BEST PAPER最佳论文 Minimalist Vision with Freeform Pixels

一个极简视觉系统使用解决一个视觉任务所需的最少数量的像素。虽然传统相机使用一个大的方形像素网格，极简相机则使用自由形态的像素，**这些像素可以呈现任意形状，以增加它们的信息量。**我们展示了极简相机的硬件可以被建模为神经网络的第一层，而后续层则用于推理。对任何给定任务训练该网络会生成相机自由形态像素的形状，每个像素由光电探测器和光学掩模实现。我们设计了极简相机用于监控室内空间（使用8个像素）、测量房间照明（使用8个像素）以及估算交通流量（使用8个像素）。

原创 CVPR 2024 数据集整理

是一个用于目标检测、分割和图像字幕等计算机视觉任务的常用数据集。它包含了超过118,000张图像，其中有80个类别被标注了对象的位置、大小和类别信息，同时还有部分图像进行了实例分割和语义分割的标注。

原创 论文阅读-GET MORE FOR LESS: PRINCIPLED DATA SELECTION FOR WARMING UP FINE-TUNING IN LLMS事半功倍-用于llms的数据选

数据选择对于LLMs至关重要，无论是提高性能还是节省成本

原创 时序大模型整理-论文+对比

Timer是一个由清华大学提出的大型时间序列模型（Large Time Series Model, LTSM），它基于Transformer的解码器-only结构，通过在大规模真实世界时间点上进行生成式预训练，获得了任务通用的时序分析模型。MOMENT是由卡内基梅隆大学（CMU）Auton实验室的研究团队开发的一款开源的时间序列基础模型，旨在解决时间序列分析中的一些挑战，特别是在数据多样性和预训练模型评估基准方面的挑战。能力，能够在没有微调的情况下处理复杂的时间序列任务。架构的时间序列预测基础模型，名为。

原创 [论文笔记]Pseudo-label Guided Contrastive Learning for Semi-supervised Medical Image Segmentation

尽管最近半监督学习(semi-supervised learning, semi- l)在自然图像分割方面取得了显著的成功，但在医学图像中，从有限的注释中学习判别表示的任务一直是一个悬而未决的问题。对比学习(CL)框架使用相似性度量的概念，这对分类问题很有用，然而，它们无法将这些质量表示转换为精确的像素级分割。为此，我们提出了一种新的基于半监督补丁的医学图像分割CL框架，而不使用任何明确的借口任务。我们利用CL和SemiSL的强大功能，其中从SemiSL生成的伪标签通过提供额外的指导来帮助CL，而在。

原创 Vue-收集表单数据

【代码】Vue-收集表单数据。

原创 Vue-5更新时候的一个问题

【代码】Vue-5更新时候的一个问题。

原创 Vue-4列表排序

【代码】Vue-4列表排序。

原创 Vue-3列表过滤

【代码】Vue-3列表过滤。

原创 Vue-3列表过滤

【代码】Vue-3列表过滤。

原创 Vue-key的原理

【代码】Vue-key的原理。

原创 Vue -基本列表：v-for（遍历对象、数组、字符指定次数）

【代码】Vue -基本列表：v-for（遍历对象、数组、字符指定次数）

原创 Vue-6监视数据的原理

【代码】Vue监视数据的原理。

原创 前端基础概念与术语解释

现在的互联网应用都由运行在服务器的后端程序和运行在各种终端设备的前端程序共同构成。后端的代码、资源和数据是预先就部署或存储在后端并且运行在后端服务器上。而前端运行所需要的代码、资源和数据都是来自后端的。前端从后端服务器安装或者加载程序并运行在终端设备中，并且前端和后端通过网络相互协作，最终向用户展示和实现web应用的全部内容与功能。

原创 【前端笔记】Js进阶-03

了解构造函数原型对象的语法特征，掌握 JavaScript 中面向对象编程的实现方式，基于面向对象编程思想实现 DOM 操作的封装。

原创 【前端笔记】Js进阶-04

首先浅拷贝和深拷贝只针对引用类型浅拷贝：拷贝的是地址如果是简单数据类型拷贝值，引用数据类型拷贝的是地址 (简单理解： 如果是单层对象，没问题，如果有多层就有问题)

原创 【前端笔记】Js进阶-02

了解面向对象编程的基础概念及构造函数的作用，体会 JavaScript 一切皆对象的语言特征，掌握常见的对象属性和方法的使用。

原创 【前端笔记】Webapi06

目标：能够利用正则表达式完成小兔鲜注册页面的表单验证，具备常见的表单验证能力。

原创 【前端笔记】Webapis-05

目标： 能够利用JS操作浏览器,具备利用本地存储实现学生就业表的能力。

原创 【前端笔记】Webapi04

进一步学习 DOM 相关知识，实现可交互的网页特效。

原创 【前端笔记】Webapis-03

进一步学习 事件进阶，实现更多交互的网页特效，结合事件流的特征优化事件执行的效率。

原创 【前端笔记】Webapis-02

学会通过为DOM注册事件来实现可交互的网页特效。学习会为 DOM 注册事件，实现简单可交互的网页特交。

原创 【前端笔记】-WebApis

知道 ECMAScript 与 JavaScript 的关系，Web APIs 是浏览器扩展的功能。严格意义上讲，我们在 JavaScript 阶段学习的知识绝大部分属于 ECMAScript 的知识体系，ECMAScript 简称 ES 它提供了一套语言标准规范，如变量、数据类型、表达式、语句、函数等语法规则都是由 ECMAScript 规定的。浏览器将 ECMAScript 大部分的规范加以实现，并且在此基础上又扩展一些实用的功能，这些被扩展出来的内容我们称为 Web APIs。

原创 【前端】自学-错误记录

错误的原因：js中代码执行遵循从上到下的原则，获取标签的代码写在了把标签声明之前，导致获取失败报错。将获取代码写在声明之后，运行成功。