咔叽布吉-优快云博客

原创【论文阅读笔记】轻量化Lightweight/实时性Real-Time 语义分割模型解析

传统的瓶颈模块是降维再升维为了降低参数量如图a，Bottleneck 通过 1×1 降维 + 3×3 处理 + 1×1 升维；ERFNet的是用分解的卷积（3×1，1×3）代替，如图b。是 ESPNetv2 的核心单元，进一步优化了 EESP-A，使用 Group Pointwise Convolutions（GConv-1）来提升计算效率。采用了深度可分离膨胀卷积（DDConv）和 1×1 逐点卷积（Conv-1）进行计算优化。DAB模块（虚线框中的卷积是按深度方向计算的卷积）。

2025-03-17 14:37:24 718 1

原创【论文阅读笔记】Lightweight Context-Aware Network Using Partial-Channel Transformation for Real-Time Semanti

基于部分通道变换的轻量级上下文感知网络实时语义分割PaperCode优化人工神经网络的计算效率对于自动驾驶系统等资源受限的平台至关重要。为了解决这一问题，本文提出了一种轻量级上下文感知网络（LCNet），该网络能够在保证推理速度和切分精度的前提下加速语义切分。LCNet引入了部分通道转换（PCT）策略，以最小化基本单元的计算延迟和硬件要求。在PCT模块内，三分支上下文聚合（TCA）模块扩展特征感受域，捕获多尺度上下文信息。此外，双注意力引导解码器（DD）恢复空间细节并提高像素预测精度。

2025-03-14 12:35:33 680 1

原创【前端学习笔记】Git 原理及面试题

但不会修改提交历史，而是创建一个新的提交来抵消之前的更改。git reset 是把HEAD向后移动了一下，而git revert是HEAD继续前进，只是新的commit的内容和要revert的内容正好相反，能够抵消要被revert的内容。只是下载远程的 commit 信息，不会影响你的工作区（Working Directory）或暂存区（Staging Area）。，然后清空工作区，让你可以切换分支或执行其他操作，而不丢失当前的工作内容。会直接回滚到指定的 commit，并丢弃所有之后的提交，但是需要。

2025-03-04 15:16:09 1150 1

原创【前端学习笔记】Pinia

Pinia 是 Vue 3 中的官方状态管理库，作为 Vuex 的继任者，它为 Vue 3 提供了一个更现代、更灵活、更易用的状态管理解决方案。Pinia 主要用于管理应用中的全局状态，并提供了一个清晰、简洁的 API 来处理复杂的状态逻辑、数据流和副作用。Pinia 与 Vuex 相比，具有更简洁的 API、更好的 TypeScript 支持、更强的模块化和灵活性。下面是对 Pinia 的详细解读，包括其核心概念、如何使用以及它的一些优势。

2025-02-24 15:36:47 923

原创【前端学习笔记】Vite

Vite 是一个现代前端构建工具，旨在通过提供快速的开发体验和高效的构建性能来解决传统构建工具（如 Webpack）在开发过程中的瓶颈。是一个现代前端构建工具，旨在通过提供快速的开发体验和高效的构建性能来解决传统构建工具（如 Webpack）在开发过程中的瓶颈。虽然 Vite 的开发过程使用原生的 ESM，但在生产模式下，Vite 仍然会使用传统的打包过程（基于 Rollup）来进行优化和压缩，从而得到适合生产环境的高效代码。通过这种方式，Vite 避免了传统打包工具在开发环境中重打包整个项目的性能瓶颈。

2025-02-19 16:46:59 891

原创【前端学习笔记】Vue3

在 Vue 3 中，组件可以同时接受多个 v-model，而不仅仅是 value。这意味着你可以为多个 prop 和事件使用不同的 v-model，而不需要再依赖默认的 value 和 input 事件。这对于那些需要多个双向绑定的组件非常有用。

2025-02-19 14:38:12 1068

原创【前端学习笔记】Webpack

Webpack 是一个现代 JavaScript 应用程序的静态模块打包工具，它将 JavaScript、CSS、图片、字体等资源文件打包成一个或多个静态文件，以供浏览器使用。当 webpack 处理应用程序时，它会在内部从一个或多个入口点构建一个依赖图(dependency graph)，然后将项目中所需的每一个模块组合成一个或多个 bundles，它们均为静态资源。

2025-02-17 20:16:28 1036

原创【前端学习笔记】Vue2进阶-Vuex、VueRouter

Vuex 是一个专为 Vue.js 应用程序开发的状态管理模式，它采用集中式存储来管理所有组件的状态，保证状态以一种可预测的方式发生变化。Vuex 最适合用于中大型应用，它提供了一个非常清晰的方式来管理组件间的共享状态，并确保所有组件都能以一种统一的方式访问和修改状态。Vuex 的核心思想是将应用的所有状态保存在一个中央存储中，允许组件通过派发（dispatch）行为来改变状态，并自动更新所有依赖状态的组件。State（状态）：用于存储应用的所有共享状态。所有组件共享的状态存放在这里。

2024-12-13 17:02:19 1063

原创【前端学习笔记】Vue2基础

Vue 是一套用来动态构建用户界面的渐进式JavaScript框架构建用户界面：把数据通过某种办法变成用户界面渐进式：Vue可以自底向上逐层的应用，简单应用只需要一个轻量小巧的核心库，复杂应用可以引入各式各样的Vue插件遵循MVVM模式编码简洁，体积小，运行效率高，适合移动/PC端开发它本身只关注UI，可以引入其它第三方库开发项目采用组件化模式，提高代码复用率、且让代码更好维护声明式编码，让编码人员无需直接操作DOM，提高开发效率使用虚拟DOM和Diff算法，尽量复用DOM节点。

2024-12-05 15:21:02 1072

原创【前端学习笔记】TypeScript学习

TypeScript（简称 TS）是微软公司开发的一种基于 JavaScript （简称 JS）语言的编程语言。TypeScript 可以看成是 JavaScript 的超集（superset），添加了类型系统和编译时类型检查。即它继承了后者的全部语法，所有 JavaScript 脚本都可以当作 TypeScript 脚本（但是可能会报错），此外它再增加了一些自己的语法。

2024-12-04 11:19:46 843

原创【前端学习笔记】AJAX、axios、fetch、跨域

AJAX（Asynchronous JavaScript and XML）异步的JS和XML。通过 AJAX 可以在浏览器中向服务器发送异步请求，最大的优势：无刷新获取数据。AJAX 不是新的编程语言，而是一种将现有的标准组合在一起使用的新方式。XML 可扩展标记语言XML 被设计用来传输和存储数据。XML 和 HTML 类似，不同的是 HTML 中都是预定义标签，而 XML 中没有预定义标签，全都是自定义标签，用来表示一些数据。

2024-11-26 17:26:46 1797

原创【前端学习笔记】ES6 新特性

当调用一个生成器函数时，它并不立即执行函数体中的代码，而是返回一个特殊的迭代器对象，称为生成器对象。，它好比 rest 参数的逆运算，将一个数组、伪数组转为用逗号分隔的参数序列，对数组进行解包，扩展运算符也可以将对象解包。在生成器函数体内，可以使用 yield 表达式来暂停函数的执行，并返回一个值给生成器的调用者。可用在调用函数时，传递的实参，将一个数组转换为参数序列（与rest参数的区别，一个用在形参，一个实参）3.函数对象的属性方法是属于函数对象的，其创建的实例对象无法使用，这就是。

2024-11-26 10:40:24 1279

原创【前端学习笔记】Web API——BOM与DOM

DOM定义了节点和对象的属性、方法，这些属性、方法可以动态地更新页面内容，响应用户的交互。在这种做法中，当我们想在用户与大量的子元素中的任何一个互动时运行一些代码时，我们在它们的父元素上设置事件监听器，让发生在它们身上的事件冒泡到它们的父元素上，而不必在每个子元素上单独设置事件监听器。window 代表浏览器的一个窗口或标签页，提供了控制浏览器窗口的方法和属性，是浏览器中最顶层的对象，同时也是全局对象，所以在全局作用域中声明的所有变量和函数都成为了 window 对象的属性。BOM：浏览器对象模型。

2024-11-25 17:09:56 1318

原创【前端学习笔记】Javascript学习二（运算符、数组、函数）

因为promise的链式调用（可以一直。

2024-11-19 17:11:46 982

原创【前端学习笔记】JavaScript学习一【变量与数据类型】

Symbol 是 ES6 中引入的新数据类型，它表示一个唯一的常量，通过 Symbol 函数来创建对应的数据类型，创建时可以添加变量描述，该变量描述在传入时会被强行转换成字符串进行存储：每个通过 Symbol() 函数创建的 Symbol 值都是唯一的，这意味着即使使用相同的字符串作为描述，每次调用 Symbol() 也会返回一个新的 Symbol。当试图访问对象的属性时，不仅在该对象上查找属性，还会在该对象的原型上查找属性，以及原型的原型，依此类推，直到找到一个名字匹配的属性或到达原型链的末尾。

2024-11-11 17:12:35 1152

原创【论文阅读笔记】Feature Shrinkage Pyramid for Camouflaged Object Detection with Transformers

CVPR 2023PaperCode摘要：Vision Transformer 局部建模效率较低和解码器中特征聚合不足，不利于从难以区分的背景中探测细微线索的伪装目标检测。针对这些问题，本文提出了一种新的基于transformer的特征收缩金字塔网络（FSPNet），其目的是通过渐进收缩对局部增强的相邻Transformer特征进行分层解码，以检测伪装目标。具体地，提出了一种非局部标记增强模块。

2024-11-08 15:36:17 857 1

原创【论文阅读笔记】CamoFormer: Masked Separable Attention for Camouflaged Object Detection

CamoFormer：用于隐藏目标检测的掩蔽可分离注意力TPAMI 2024PaperCode如何从背景中识别和分割隐藏的对象是一个挑战。受transformer中多头自注意的启发，提出了一种简单的掩蔽可分离注意（MSA）伪装目标检测算法。我们首先将多头自注意力分为三个部分，分别负责使用不同的掩模策略将被遮挡的物体从背景中区分出来。此外，我们建议捕获高分辨率的语义表示逐步基于一个简单的自上而下的解码器与MSA，以达到精确的分割结果。这些结构加上骨干编码器形成了一个新的模型，称为CamoFormer。

2024-11-07 20:52:35 1387 2

原创【论文阅读笔记】High-Resolution Iterative Feedback Network for Camouflaged Object Detection

高分辨率迭代反馈网络在隐藏目标检测中的应用AAAI 2023PaperCode对于目标检测算法和人类来说，发现视觉上被同化到背景中的隐藏对象是很棘手的，人类通常会被前景对象和背景环境之间完美的内在相似性所迷惑或欺骗。为了解决这个问题，我们的目标是提取高分辨率的纹理细节，以避免细节退化，导致边缘和边界的视觉模糊。我们引入了一种新的HitNet，以迭代反馈的方式通过高分辨率特征来细化低分辨率表示，本质上是多尺度分辨率之间的全局循环连接。

2024-11-07 17:35:58 1058 1

原创【论文阅读笔记】Wavelet Convolutions for Large Receptive Fields

大感受野的小波卷积2024 EECVPaperCode近年来，人们试图通过增加卷积神经网络（ConvolutionalNeuralNets，CNNs）的核尺寸来模拟视觉变换器（VisionTransformers，ViTs）的自我注意块的全局感受野。然而，这种方法很快就达到了上限和饱和，在实现了一个全局感受野之前。本文证明，通过利用小波变换（WT），有可能获得非常大的感受野，而不遭受过度参数化，例如，对于k × k的感受野，所提出的方法中的可训练参数的数目仅随k的对数增长。

2024-11-04 23:44:25 3113 1

原创【论文阅读笔记】Frequency-Spatial Entanglement Learning for Camouflaged Object Detection

基于频域-空域纠缠学习的视频目标检测PaperCode伪装目标检测是计算机视觉领域的一个研究热点。主要的挑战在于伪装物体与其周围环境在空间域中的高度相似性，使得识别变得困难。现有的方法试图通过最大化空间特征的区分能力来降低像素相似性的影响，设计复杂，但往往忽略了特征在空间域的敏感性和局部性，导致结果不理想。提出了一种新的方法来解决这一问题，该方法将频率域。

2024-11-04 11:18:22 1254 1

原创【论文阅读笔记】Faster Segment Anything: Towards Lightweight SAM for Mobile Applications

更快的细分市场：面向移动的应用的轻量级SAM2023年arxivPaperCodeSegment Anything Model（SAM）因其令人印象深刻的zero-shot传输性能和众多视觉应用（如具有细粒度控制的图像编辑）的高通用性而引起了广泛关注。许多这样的应用程序需要在资源受限的边缘设备上运行，比如移动设备。在这项工作中，我们的目标是使SAM移动设备友好，通过把重量级图像编码器替换为轻量级的。一训练这样一个新的SAM会导致不满意的性能，特别是当有限的训练资源。

2024-09-24 17:12:11 875 2

原创【环境问题】清除僵尸进程 | 深度学习任务中止但是GPU仍在占用

把所有PID杀掉即可。如果还有其他进程再跑，还要确定一下有用进程的PID。我一般遇到这种是本地网络意外中断了，程序不见了，但是GPU仍在占用。

2024-09-19 17:23:36 574

原创【前端学习笔记】CSS基础三

Sass 是一个 CSS 预处理器，完全兼容所有版本的 CSS。实际上，Sass 并没有真正为 CSS 语言添加任何新功能。// 注释一 /* 注释二 */需要注意，当 Sass 编译成CSS时，第一种注释不会编译到CSS中（只在Sass文件中可见），第二种注释会编译到CSS中。变量：使用符号定义变量，可以存储值并在样式表中重复使用。嵌套：通过嵌套这些代码，可以得到类似HTML结构的CSS代码，使代码更具可读性（父子元素）。

2024-08-07 15:29:13 1245 1

原创【前端学习笔记二】CSS基础二

使用。

2024-08-03 18:53:41 851

原创【论文阅读笔记】Surgical-DeSAM: decoupling SAM for instrument segmentation in robotic surgery

Surgical-DeSAM：解耦SAM用于机器人手术中的器械分割2024年 International Journal of Computer Assisted Radiology and SurgeryCodePaper最近的SAM在各种应用中展示了点、文本或边界框提示的令人印象深刻的性能。然而，在安全关键的手术任务中，提示是不可能的，这是由于（1）缺乏用于监督学习的每帧提示，（2）在实时跟踪应用中逐帧提示是不现实的，以及（3）注释离线应用的提示是昂贵的。

2024-07-30 16:28:42 608

原创【环境搭建问题】linux服务器安装conda并创建虚拟环境

在这个链接下找自己需要的。首先看root文件夹下有没有anaconda或者conda。我这里的是12.2，但是只更新到12.1和12.4。再安装其他库什么的就ok了。，所以只能安装12.1。

2024-07-29 15:16:24 806 1

原创【论文阅读笔记】Lite-SAM Is Actually What You Need for Segment Everything

Lite-SAM是您实际上所需的分割一切的工具2024年 arxivPaperSegment Anything模型（SAM）以其优越的性能给分割领域带来了重大变化，但其对计算资源的巨大需求仍然是一个限制因素。MobileSAM、Edge-SAM、MobileSAM-v2等许多作品都探索了轻量级解决方案。然而，他们使用传统的网格搜索采样策略或两阶段串联方法，不允许端到端训练，严重限制了分段一切（SegEvery）的性能。

2024-07-29 12:00:28 903

原创【前端学习笔记】CSS基础一

一、什么是CSS1.CSS 介绍CSS（Cascading Style Sheets，层叠样式表）是一种用来控制网页布局和设计外观的样式语言。它使得开发者可以分离网页的内容（HTML）和表现形式（样式），提高了内容的可访问性，提供了更强的灵活性和控制性，也使得网页的维护和修改变得更加容易。CSS 如何与 HTML 一起工作：结构与样式分离：HTML 用于构建网页的结构，定义网页的内容，如文本、图片、链接等。CSS 用于定义这些结构的表现形式，比如布局、颜色、字体大小和样式等。引入方

2024-07-24 14:20:14 1005

原创【论文阅读笔记】ASPS: Augmented Segment Anything Model for Polyp Segmentation

ASPS：用于息肉分割的扩展SAM模型2024年 arxivPaperCode息肉分割在结直肠癌诊断中起着至关重要的作用。最近，Segment Anything Model(SAM)的出现利用其在大规模数据集上的强大预训练能力，为息肉分割带来了前所未有的潜力。然而，由于自然图像和内窥镜图像之间的区域差距，SAM在实现有效的息肉分割方面遇到了两个限制。首先，它的基于变压器的结构优先考虑全局和低频信息，可能会忽略局部细节，并在学习的特征中引入偏差。

2024-07-08 17:01:05 1279 3

原创【论文阅读笔记】From Forks to Forceps: A New Framework for Instance Segmentation of Surgical Instruments

从叉子到钳子：一种新的手术器械实例分割框架2023年WACVPaperCode微创手术和相关应用需要在实例级别对手术工具进行分类和分割。外科手术工具外形相似，又长又细，并以一定的角度握持。在自然图像上训练的用于仪器分割的最新(SOTA)实例分割模型的微调难以区分仪器类别。虽然包围盒（框）和分割掩码通常是准确的，但分类头还是会错误地分类了手术器械的类别标签。我们提出了一种新的神经网络框架，它在现有的实例分割模型的基础上增加了一个分类模块作为一个新的阶段。本模块专门改进现有模型生成的仪器掩模的分类。

2024-06-24 16:24:13 972 1

原创【论文阅读笔记】SAMUS: Adapting Segment Anything Model for Clinically-Friendly and Generalizable Ultrasound

SAMUS：一种适用于临床友好和可推广的超声图像分割模型arxiv 2023年PaperCodeSAM是一种著名的通用图像分割模型，近年来在医学图像分割领域引起了极大的关注。尽管SAM在自然图像上有显著的性能，但在面对医学图像时，尤其是涉及低对比度、边界模糊、形状复杂和尺寸较小的对象时，SAM的性能显著下降和泛化有限。本文提出了一种适用于超声图像分割的通用模型SAMUS。与以往基于SAM的通用模型相比，SAMUS不仅追求更好的通用性，还追求更低的部署成本，使其更适合临床应用。

2024-06-18 22:16:11 1830 1

原创【论文阅读笔记】PA-SAM: Prompt Adapter SAM for High-Quality Image Segmentation

PA-SAM：用于高质量图像分割的提示适配器SAM2024年 ICMEPaperCodeSegment Anything Model，SAM在各种图像分割任务中表现出了优异的性能。尽管SAM接受了超过10亿个mask的训练，但在许多场景中，尤其是在现实世界的背景下，SAM在面具预测质量方面面临着挑战。本文在SAM中引入了一种新颖的提示驱动适配器，即Prompt Adapter Segment Any Model(PA-SAM)，旨在提高原有SAM的分割掩码质量。

2024-06-17 17:54:34 2127 1

原创【论文阅读笔记】LeSAM: Adapt Segment Anything Model for medical lesion segmentation

LeSAM：适用于医学病变分割的任意分割模型2024年发表于 JBHIPaper无codeSegment Anything Model，SAM是自然图像分割领域的一个基础性模型，取得了令人印象深刻的成果。然而，对于医学图像分割，它的性能仍然是次优的，特别是在描绘不规则形状和低对比度的病变时。这可以归因于医学图像和自然图像之间的显著域差距，而SAM最初是在自然图像上进行训练的。本文提出了一种专门为病变分割量身定做的SAM算法，称为LeSAM。LeSAM首先通过一个高效的自适应模块。

2024-06-14 17:59:38 1032

原创【论文阅读笔记】Unleashing the Potential of SAM for Medical Adaptation via Hierarchical Decoding

通过分层解码释放 SAM 在医学适应方面的潜力2024年 arxivPaperCodeSAM 因其强的分割能力和直观的基于提示的工作流程而受到广泛关注。然而，它在医学成像中的应用提出了挑战，要么需要大量的培训成本和广泛的医学数据集来进行完整的模型微调，要么需要高质量的提示以获得最佳性能。本文介绍了 H-SAM：一种 SAM 的无提示改编，旨在通过两阶段分层解码过程对医学图像进行高效微调。在初始阶段，H-SAM采用SAM的原始解码器来生成先验概率掩模，指导第二阶段更复杂的解码过程。

2024-05-30 23:20:30 1288 1

原创【前端学习笔记】HTML基础

HTML一、HTML介绍1.HTML概念2.文档声明3.字符编码4. HTML标签5. HTML属性二、标签1.meta标签2.语义标签3.布局标签4.列表5.超链接6.图片7.字符实体8.内联格式9.HTML 表格10.HTML 表单三、HTML5新特性1. 本地存储2. Cookie3. 语义化标签4.多媒体元素5.表单增强6.Canvas7.SVG 矢量图形支持8.拖放API9.地理定位10.离线Web应用程序 cache manifest11. Web Workers12.Web Sockets一

2024-05-28 22:57:50 1146 1

现代软件工程复习.docx

空空如也