- 博客(39)
- 收藏
- 关注
RSS订阅原创 旧版本的IE浏览器上，Vue2可能会出现白屏或不兼容的问题
如果以上方法都无法解决问题，可以考虑使用Vue的官方插件vue-cli-plugin-ie，该插件可以自动处理IE浏览器的兼容性问题。使用Babel进行转译：使用Babel将Vue的代码转换为兼容旧版浏览器的语法和特性，确保代码可以正常运行。在部分旧版本的IE浏览器上，Vue2可能会出现白屏或不兼容的问题。避免使用不支持的特性：在编写代码时，尽量避免使用不被旧版本浏览器支持的特性，或者提供适当的备用方案。检查Vue的版本：确保使用的是最新版本的Vue，因为Vue团队会不断优化和修复兼容性问题。
2023-08-22 09:01:39
865
原创 解决vue2项目在IE11浏览器中无画面的兼容问题
当前项目面临其他浏览器都可以运行，但是在IE11浏览器中出现白屏的现象，F12后台也没有报错，项目月底也要交付了。当前项目的vue版本为2.6.11，cli的版本为3。。自己捣鼓了两天没搞出来，后来又喊了一位大神才用了大半天的时间解决了此问题。
2023-08-21 17:48:30
3694
原创 异常检测：Towards Total Recall in Industrial Anomaly Detection
提取图像的 Patch特征，这个特征带有周围数据的信息。特征值的集合构建 PatchCore memory bank。
2022-11-14 20:40:59
4678
6
原创 解决ui组件中的进度条progress样式无法为动态渐变色的替代方案
现在我们需要在特定的环境下进行特殊定制，现在的项目UI的需求为：进度条为渐进色，且有一端为斜角(斜角这个太麻烦，目前选择使用大圆弧来替代)。上面图片是UI组件中的常见的展示样式，可以直接就给出的代码案例上去进行颜色等样式的修改。naive-UI中的进度条标签的渐变斜角的使用记录。上面这个图片是一个动态的进度条，颜色从左到右渐变，...
2022-08-09 14:01:19
1381
原创 2022+vue3快速上手+最新前端开发知识点学习路线
什么是hook？——本质是一个函数，把setup函数中使用的CompositionAPI进行了封装。类似于vue2.x中的mixin。自定义hook的优势复用代码,让setup中的逻辑更清楚易懂。
2022-07-23 16:04:18
673
原创 2022，前端vue2基础及案例（下）
在Vue中实现集中式状态（数据）管理的一个Vue插件，对vue应用中多个组件的共享状态进行集中式的管理（读/写），也是一种组件间通信的方式，且适用于任意组件间通信。
2022-07-15 10:43:03
141
原创 前端框架vue之全局事件总线(GlobalEventBus)
在全局事件总线出现之前，如果说子组件想要给父组件传递数据，交互信息时，需要通过给子组件绑定自定义事件，再借用函数来实现组件间的交互，比较麻烦！全局事件总线是一种组件间通信的方式，适用于任意组件间通信。全局事件总线并不是插件，配置文件等等，事件总线是程序员在做Vue开发中总结积累的一套方法，是一套规则，只要满足这套规则，就可以实现组件间的通信。实现途径：需要满足两点要求，一要全局事件都能看见，二，再绑定全局对象on,on,on,off,$emit。首先在main文件里面实现，全局可见。即利用vue中最重要
2022-07-06 10:51:51
757
原创 前端框架，vue3的理解
早些时候就是用 Dreamweaver 写 html 静态页面，然后部署到一台电脑的 IIS (Internet Information Services) 上。当请求这个页面时，返回这个 html 文件。具体流程为：首先浏览器解析 html 文件构建 DOM 树，然后解析 CSS 文件构建渲染树，等到渲染树构建完成后，浏览器开始布局渲染树并将其绘制到屏幕上。除了表现之外，我们还需要与页面交互，所以离不开 JS，而 JS 的解析和运行是由浏览器中的 JS 引擎来完成，最有名的就是2008年由 Googl
2022-06-28 15:07:36
756
原创 关于window下使用latex+texstudio的本科与硕士毕设模板制作
给一个现有模板成果链接：https://github.com/zjutcvg/zjutthesis想写一个latex的简易版使用和制作自己需要格式的教程，正在编写，写好了再往这个博客上面挪……
2022-06-20 21:45:00
1707
1
原创 《Rethinking Video Anomaly Detection - A Continual Learning Approach》异常检测 WACV-2022
Rethinking Video Anomaly Detection - A Continual Learning Approach WACV-2022论文源地址：Rethinking Video Anomaly Detection - A Continual Learning Approach WACV-2022先简要概括： 当前的异常视频检测，主要是针对于三大流行数据集中对于设定好的异常帧的检测，当前相关研究存在不足就是只训练模型认识数据集中给出的正常样本特征，那么对于在测试集中未出现的仍旧是正常事
2022-05-24 10:22:42
716
原创 博客评选参与奖，浩瀚星辰，是我是你
博客之星的礼物周边来自优快云。参与上一届的博客之星评选，不出所望的的排在了百名之外（毕竟人外有人，天外有天，各位博主的知识技术分享还是很专业的，值得学习借鉴）。还是很庆幸有收到小桌面摆件，虽迟但到！浩瀚星辰，有我有你！礼物只是最左边的这个，专属定制！...
2022-04-06 10:46:46
324
原创 异常检测论文阅读《Sparse Reconstruction Cost for Abnormal Event Detection》CVPR 2011
《Sparse Reconstruction Cost for Abnormal Event Detection》CVPR 2011In this paper, we propose a general abnormal event detection framework using sparse representation for both LAE and GAE.在本文中，作者提出了一个使用稀疏表示的LAE和GAE的通用异常事件检测框架。...
2022-01-04 17:57:11
2200
原创 异常检测 Anomaly Detection研究进展梳理
异常检测 Anomaly Detection研究进展梳理异常检测也叫新颖性检测，通俗来讲是指在给定数据中检测出与预期的数据（正常）不同的、未曾出现的、极少出现的部分数据（异常）。比如工业上的产品瑕疵检测，人行道上的非常规性的行走检测……由于异常现象的不可知，数据量少等特点，故想要得到大量异常数据对模型进行训练是不可行的，也就是说目前数据集的现状是，在每个类型数据集中，异常数据只占一小部分，大部分都是正常的（预期）的数据。高度依赖于手动标记的正常训练数据。挑战：正常数据和异常数据之间的界限不是特别精确
2021-12-27 11:13:37
1412
原创 异常检测论文阅读《PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation》
《PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation》 CVPR2021论文背景：近年来，异常检测社区试图利用深度自监督特征学习的进步来获得更好的特征。令人惊讶的是，一个非常有前途的方向，使用预先训练好的深度特征，大多被忽视了。论文的创新：为了在异常检测中获得进一步的性能提高，我们使预训练后的特征适应目标分布。虽然迁移学习方法在多类分类问题中已经得到了很好的建立，但单类分类(OCC
2021-12-20 10:49:46
1343
原创 异常检测论文阅读《Anomaly Detection in Video Sequences: A Benchmark and Computational Model》
CVPR2021异常检测的的论文，里面提出了新的异常检测数据集
2021-12-13 10:52:51
3300
原创 论文阅读《Discriminative-Generative Representation Learning for One-Class Anomaly Detection》CVPR2021
论文阅读《Discriminative-Generative Representation Learning for One-Class Anomaly Detection》CVPR2021研究背景：生成式对抗网作为一种生成式自监督学习方法，在异常检测领域得到了广泛的研究。然而，由于生成器过于关注像素级的细节，因此它的表示学习（representation learning ability）能力有限，并且生成器难以从像鉴别器一样有效的标签预测借口任务中学习抽象的语义表示。研究的目的：为了提高生成器
2021-12-06 08:24:24
2933
2
原创 对工业异常检测数据集的分析与整理
对工业异常检测数据集的分析与整理对于异常检测在工业数据集的实验，有如下特点：以mvtec举例：（目前异常检测比较公认常用的）训练集中只包含正常样本，测试集中包含正常样本与缺陷样本，因此需要使用无监督方法学习正常样本的特征表示，并用其检测缺陷样本。这是符合现实的做法，因为异常情况不可预知并无法归纳。数据集一共包含15个类别，其中3629张图片用于训练与验证，1725张用于测试，其中训练集只包含正常样本，其中5类为纹理类数据，剩下的10类为物体类的数据。现有收集的工业缺陷检测数据集的内部组成：先查到
2021-11-22 10:54:08
3380
2
原创 基于 Multiresolution Knowledge Distillation for Anomaly Detection，实验的具体展开
基于 Multiresolution Knowledge Distillation for Anomaly Detection，复现实验精度的具体展开主要的工作：we propose to use the “distillation” of features at various layers of an expert network, pre-trained on ImageNet, into a simpler cloner network to tackle both issues.（知识蒸馏模型
2021-11-15 10:50:46
1126
3
原创 基于多假设自动编码器的异常检测
基于Multiple-Hypothesis Autoencoder的异常检测文章链接：Anomaly Detection Based on Multiple-Hypothesis Autoencoder这篇文章提供了一个很好的拓展研究idea的思路。**研究背景是这样的：**针对于异常检测的数据集中异常样本比较少的情况，大多的研究都是针对于正常数据进行只识别正常样本的模型，从而利用遇见异常样本的时候重构出来的损失比较大，来作为异常的检测。重构时编码与解码有以下的问题：the restoration
2021-11-02 18:04:19
423
原创 在工业数据集MVTEC上异常检测分析
精读《Multiresolution Knowledge Distillation for Anomaly Detection》 CVPR 20211
2021-10-30 22:01:26
1529
6
原创 视图可视化，梯度热力图的一个代码实例
视图可视化，梯度热力图的一个代码实例很多论文里面都会在展示部分进行一些，特征或者热力图的一些展示，但是在官方给出的源码里面一般不进行公示，想看展示效果还要自己找代码实现。下面，下面给出自己经常用到的可视化展示效果以及代码。这是一个实例，第一个参数可以选择你的一些，特征之类的，第二个是通道数，第三个是可视化的新窗口位置，第四个是批处理的数量…举个例子，show_img_incuda(features，1，2，3)//指的是特征在第一个通道上，在窗口2上面展示3张这是一个可视化效果，并不
2021-10-22 10:45:36
736
2
原创 监督式异常检测（Anomaly Detection）方法研究线
监督式异常检测（Anomaly Detection）方法论文研究线二、当只用正常数据时还可以怎么做？换个角度，当异常样本数据少，异常标签少的时候，换个角度，能不能自己构造异常样本，自己添加异常标签。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性 （就是异常样本少）。《Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Dete
2021-10-19 09:57:08
2710
2
原创 半监督异常检测（Anomaly Detection）的研究线
半监督异常检测（Anomaly Detection）的研究线在假设数据集中大多数实例都是正常的前提下，半监督异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。1，《Future Frame Prediction for Anomaly Detection – A New Baseline》 CVPR 2018...
2021-10-17 21:19:48
5115
2
原创 目前异常检测（Anomaly Detection）研究方法的分类
目前异常检测（Anomaly Detection）研究方法的分类主要的研究方法分类：1，生成对抗模型，训练时生成器生成假图像，以对抗的方式欺骗鉴别器。对于异常检测，模型在潜在空间（latent space）中搜索样本(可迷惑鉴别器的样本，满足训练集分布)，如果能找到一个合适的匹配即为正常，反之异常。对于异常分割，将重建图像与原始输入逐像素进行比较即可。代表性为gan网络系列。2，卷积自编码器，这是无监督异常检测中用的最多的方法。训练时自编码器通过潜在空间(latent space)重构正常样本，在测试
2021-10-09 10:13:18
1753
原创 异常检测数据集收集与介绍分析
在计算机视觉的大研究领域内，有一个小方向叫做异常检测（Anomaly Detection），也叫做新颖性检测。在该方向下有以下的数据集作为大家所提出的新的研究方法的检测精度的测试。UCSD异常检测数据集：视频–>图片数据集链接地址：http://www.svcl.ucsd.edu/projects/anomaly/UCSD_Anomaly_Dataset.tar.gz视频数据是通过学校中固定在较高位置上的摄像机获得的，俯瞰人行道。走道中的人群密度是变化的，从稀疏到非常拥挤。按照数据集的规定，正常
2021-09-28 15:56:45
11912
5
原创 异常检测论文阅读笔记《MIST: Multiple Instance Self-Training Framework for Video Anomaly Detection》
MIST: Multiple Instance Self-Training Framework for Video Anomaly Detection论文来源：CVPR 2021原论文地址链接先关代码链接本论文关键词：Weakly supervised（弱监督），Multiple Instance Learning（多实例学习），Self-training（自训练）， Pseudo Label（伪标签），Self-Guided Attention（自引导注意）大致介绍：弱监督视频异常检测是一种基
2021-09-27 11:59:17
3111
6
原创 梯度，参数理解(跑神经网络时的一些新收获)
梯度下降，非凸函数在跑深度学习网络的时候，总是能听到说对模型求梯度，找凸函数的凸函数的最优解，一直很不理解这个说法来源。这次深入看代码的时候才深刻的注意到，我们训练模型，是训练什么东西，你的目标是为了得到什么！?首先我们常见的网络的目的大致分为，分类与回归。分类就是把数据放入你训练的网络模型，经过各种操作之后得出之前定义好的分类推测结果，这是分类的大致过程。比如说，对猫狗进行分类……回归就是把数据放入你训练的网络模型，经过各种操作之后得出预期的结果，就比如说根据以前的房价，经过将各种会影响房价的数
2021-09-18 14:20:50
1189
原创 异常检测阅读笔记《Learning Normal Dynamics in Videos with Meta Prototype Network》，元学习，内存网络
《Learning Normal Dynamics in Videos with Meta Prototype Network》，CVPR2021论文链接：https://arxiv.org/pdf/2104.06689.pdf论文代码：https://github.com/ktr-hubrt/MPN/本篇关键词：dynamic prototype unit (DPU)，Meta-Prototype Unit (MPU)，meta-learning，few-shot，attention mechani
2021-09-13 13:09:57
2412
11
原创 异常检测阅读笔记《Inpainting Transformer for Anomaly Detection》CVPR 2021
异常检测阅读笔记《Inpainting Transformer for Anomaly Detection》 CVPR 2021来源：2021年的CVPR，原文论链接：论文的方向是图像方面的异常检测，本质上还是重构之后与原图像对比来得出异常的归类于基于重构的（ reconstruct）研究方法。首先整体概括：作者基于之前的研究《Reconstruction by inpainting for visual anomaly detection 》，首先将主要重构的方法选定为 inpainting，这是
2021-09-06 13:19:58
4480
1
原创 《Deep One-Class Classification》在异常检测的一种检测计算工具
《Deep One-Class Classification》发表的刊物：ICML 2018论文地址链接：http://proceedings.mlr.press/v80/ruff18a/ruff18a.pdf想重点提一下这一篇文章的原因是： 最近看的好几篇异常检测的文章都用到了One-Class Classification，自己不是理解的很透彻，就想借以做个专栏一次性将相关概念都以自己的知识掌握程度去理解一下，并尝试自己给讲解出来。有关概念：SVM（支持向量机）、one class SVM：简
2021-08-25 14:41:33
4050
4
原创 讯派高拍仪联合钉钉使用教程
讯派高拍仪联合钉钉使用教程产品型号：便携式实物展台HV600(HDMI)www.shyiyou.cn 要在浏览器中复制网址打开，不建议直接用微信或者QQ打开打开之后的界面：先去下载中心----》软件下载—》最后点击讯派高拍仪软件下载（最后看你的型号是什么下载相应的软件）下载的位置自己定，尽量不放在c盘，如果临时用一下的话就放在桌面上就会（不用了再删除）下载安装之后界面应该有这个标识解压之后，安装，依旧不建议安装在C盘，安装完成之后先不急于打开，而是先将高拍仪电源打开，与电脑连好线，
2021-08-23 15:44:27
1959
原创 异常检测相关论文阅读《Multiresolution Knowledge Distillation for Anomaly Detection》
异常检测相关论文阅读**《Multiresolution Knowledge Distillation for Anomaly Detection》**这是一篇2021年的CVPR，具有一定的前沿性，追踪最新的科研论文有助有我们跟上科研前沿同时借以开拓自己的研究课题方向。原论文链接：https://arxiv.org/pdf/2011.11108.pdf官方给出的代码：https://github.com/Niousha12/Knowledge_Distillation_ADAbstract：我
2021-08-18 21:13:52
3476
8
原创 异常检测（ Anomaly Detection）大版图
异常检测（ Anomaly Detection）大版图即将进入研二，而自己的研究进展似乎还停留在入学，为了改变现状，我将尝试用阅读笔记的方式来提醒自己，学要有所获。知道不一定会有同方向的研究学者，但是还是担心自己未来的笔记会错误百出，但是话说回来，这也是一种很好地成长方式不是吗？第一次发表，也不知道自己在说什么，反正是走着看着吧！...
2021-06-25 09:52:27
945
1
浙江工业大学计算机硕士毕业模板-latex实用版
2023-02-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人