VUE基础

一、创建一个Vue构造函数
let app = new Vue({
el: ’ ', //管辖范围
data:{}, //数据
methods: {}, //方法
computed:{}, //计算属性【减少运算次数 缓存运算结果】
filters:{}, //过滤器
components: {test:test} //注册组件
});

二、插值符号 {{ }}

三、指令【directive】 指令本质上就是自定义属性 都是v-开头
①v-text =》 dom操作中的innerText 优先级高于插值符号
②v-html =》 dom操作中的innerHTML
③v-once
④v-for="(value,index) in arr" 第一个是值,第二个是索引
控制元素隐藏指令 指令值为布尔值
⑤v-show
⑥v-if 与 v-else 搭配使用 移除元素本身
⑦v-bind 绑定指令
⑧v-model 双向数据绑定 应用于inupt框
指令修饰符
①prevent 阻止事件默认行为
②stop 阻止事件冒泡

四、Vue自定义组件
Vue.component(组件的名称,组件配置项===vue的配置项 [有点差别]);
例子:

Vue.component('app-header', {
		template: ' ',	//模板	
		data: function(){
			return {}
		},		
		methods: {},	
		computed:{},	
		filters:{}	
	});

五、全局过滤器 静态方法
Vue.filter(‘double’, function(value){
return value*2;
});

六、插槽 slot
匿名插槽
具名插槽

七、父组件给子组件传值
在子组件中,如果想用父组件传递过来的数据,必须先定义props数组/对象来接收(props的使用和data几乎一样)
例子:props:[‘msg’],
注意:不要在子组件内部擅自修改props的数据

组件里面的data要传出返回一个对象

局部组件 .vue 必须要先注册使用
全局组件 Vue.component() 直接使用不用注册
一个组件应该包含自己所需要的东西[结构 行为 样式]

在当今计算机视觉领域,深度学习模型在图像分割任务中发挥着关键作用,其中 UNet 是一种在医学影像分析、遥感图像处理等领域广泛应用的经典架构。然而,面对复杂结构和多尺度特征的图像,UNet 的性能存在局限性。因此,Nested UNet(也称 UNet++)应运而生,它通过改进 UNet 的结构,增强了特征融合能力,提升了复杂图像的分割效果。 UNet 是 Ronneberger 等人在 2015 年提出的一种卷积神经网络,主要用于生物医学图像分割。它采用对称的编码器 - 解码器结构,编码器负责提取图像特征,解码器则将特征映射回原始空间,生成像素级预测结果。其跳跃连接设计能够有效传递低层次的细节信息,从而提高分割精度。 尽管 UNet 在许多场景中表现出色,但在处理复杂结构和多尺度特征的图像时,性能会有所下降。Nested UNet 通过引入更深层次的特征融合来解决这一问题。它在不同尺度上建立了密集的连接路径,增强了特征的传递与融合。这种“嵌套”结构不仅保持了较高分辨率,还增加了特征学习的深度,使模型能够更好地捕获不同层次的特征,从而显著提升了复杂结构的分割效果。 模型结构:在 PyTorch 中,可以使用 nn.Module 构建 Nested UNet 的网络结构。编码器部分包含多个卷积层和池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层和卷积层,并与编码器的跳跃连接融合。每个阶段的连接路径需要精心设计,以确保不同尺度信息的有效融合。 编码器 - 解码器连接:Nested UNet 的核心在于多层次的连接。通过在解码器中引入“skip connection blocks”,将编码器的输出与解码器的输入相结合,形成一个密集的连接网络,从而实现特征的深度融合。 训练与优化:训练 Nested UNet 时,需要选择合适的损失函数和优化器。对于图像分割任务,常用的损失
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值