<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[skyxya的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/skyxya</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; skyxya]]></copyright><item><title><![CDATA[DAPCC: Diverse Attention-based Entropy Model for Dynamic LiDAR Point Cloud Compression]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/149854894</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/149854894</guid><author>skyxya</author><pubDate>Sat, 02 Aug 2025 10:05:22 +0800</pubDate><description><![CDATA[从自己的角度想想如何应用在自己的工作，以及总结论文的优劣。]]></description><category></category></item><item><title><![CDATA[DataX 框架学习笔记]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/148655660</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/148655660</guid><author>skyxya</author><pubDate>Sat, 14 Jun 2025 17:42:39 +0800</pubDate><description><![CDATA[DadaX 是阿里云 DataWorks 数据集成 的开源版本（异构数据同步、离线数据同步工具 / 平台主要抽象为 Reader 和 Writer 插件，管理源数据和目标数据的读和写。]]></description><category></category></item><item><title><![CDATA[项目启动 java.lang.OutOfMemoryError]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/146311013</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/146311013</guid><author>skyxya</author><pubDate>Mon, 17 Mar 2025 11:35:33 +0800</pubDate><description><![CDATA[一般由于初始配置的堆内存不够导致该问题。]]></description><category></category></item><item><title><![CDATA[Seesion 登录的坑]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/144982645</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/144982645</guid><author>skyxya</author><pubDate>Tue, 07 Jan 2025 12:03:52 +0800</pubDate><description><![CDATA[Session 登录是基于会话（Session）的一种用户身份验证方式。它通常用于 Web 应用程序中，用于管理用户的登录状态。具体来说，当用户成功登录时，后端服务器会为该用户生成一个唯一的 Session ID，并将其存储在服务器端的内存或数据库中，同时在客户端（浏览器）上通过 Cookie 保存一个与之关联的 Session ID。之后，每次用户访问受保护的资源时，浏览器会将该 Session ID 附带在请求中，服务器通过该 ID 来识别用户身份，从而提供访问权限。]]></description><category></category></item><item><title><![CDATA[GroupedMixer: An Entropy Model with Group-wise Token-Mixers for Learned Image Compression 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/144890504</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/144890504</guid><author>skyxya</author><pubDate>Thu, 02 Jan 2025 16:59:27 +0800</pubDate><description><![CDATA[首先沿空间和通道维度将量化后的潜在变量分成恒定数量的组。如图所示，沿通道维度将潜在变量均匀分割成 Kc 个切片，然后使用空间分割方案将每个通道切片在空间上分割成 KL*Kc 个组。在分组操作之后，潜在变量ˆy被分成组ˆyG1、ˆyG2、···、ˆyGG，其中G表示潜在变量中所有符号索引的集合，满足G=G1∪G2····∪GG。每组表示都满足 yGi ∈ Rhw×c。我们的熵模型将潜在变量的联合概率分解为组自回归，如下所示：在GroupedMixer中，作者不是直接关注先前组中的所有解码值。]]></description><category></category></item><item><title><![CDATA[三数之和 Leecode 2024/12/02]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/144213140</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/144213140</guid><author>skyxya</author><pubDate>Tue, 03 Dec 2024 13:43:00 +0800</pubDate><description><![CDATA[当 nums[k] > 0 时直接break跳出：因为 nums[j] >= nums[i] >= nums[k] > 0，即 3 个元素都大于 0 ，在此固定指针 k 之后不可能再找到结果了。当 k > 0且nums[k] == nums[k - 1]时即跳过此元素nums[k]：因为已经将 nums[k - 1] 的所有组合加入到结果中，本次双指针搜索只会得到重复组合。当s < 0时，i += 1并跳过所有重复的nums[i]；当s > 0时，j -= 1并跳过所有重复的nums[j]；]]></description><category></category></item><item><title><![CDATA[MC-PCGC: A Space-Channel Mixed Contextual Coding for Point Cloud Geometry Compression]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/144213101</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/144213101</guid><author>skyxya</author><pubDate>Tue, 03 Dec 2024 13:41:06 +0800</pubDate><description><![CDATA[对于体素化的点云（PCG），它被表示为一个稀疏张量 𝑋0 ，由几何坐标 𝐶𝑋0 和特征属性 𝐹𝑋0 组成（其中特征属性初始化为全为 1 的占用向量）。这一表示方法被应用于作者提出的框架中，如图 2 所示。]]></description><category></category></item><item><title><![CDATA[（测试阶段调整）Test-Time Adaptation in Point Clouds: Leveraging Sampling Variation with Weight Averaging]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/144213087</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/144213087</guid><author>skyxya</author><pubDate>Tue, 03 Dec 2024 13:40:22 +0800</pubDate><description><![CDATA[总之，TENT算法通过自适应调整模型的归一化参数，来优化模型在目标领域的表现，特别是在没有源数据的情况下有效应对目标数据的分布变化。（这些数据集涵盖了一系列现实世界的挑战，包括不同程度的损坏和噪声，使我们能够证明我们的方法在不同和复杂的场景中的有效性。（TTA）的方法，旨在通过最小化模型输出的熵来增强模型的适应能力。通常会采用无监督损失（例如基于目标分布的损失函数）来对模型进行微调，进而减少领域间的分布偏移。，从而使得模型能够在未标注的目标数据上做出更稳定、更自信的预测。在没有源数据的情况下，]]></description><category></category></item><item><title><![CDATA[无重复字符的最长子串]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/143716376</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/143716376</guid><author>skyxya</author><pubDate>Tue, 12 Nov 2024 15:46:06 +0800</pubDate><description><![CDATA[滑动窗口]]></description><category></category></item><item><title><![CDATA[Enhancing Octree-Based Context Models for Point Cloud Geometry Compression 论文笔记]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/141391166</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/141391166</guid><author>skyxya</author><pubDate>Wed, 21 Aug 2024 13:32:52 +0800</pubDate><description><![CDATA[这种方法可以衡量子节点之间的位置信息差异，但对于衡量实际占用的子节点数量和预测的差异不够准确。在这个场景下，模型的任务不仅是预测每个子节点是否被占用（分类），而且是要准确预测占用的子节点数量（回归）。为了应对上述问题，作者提出了一个基于注意力的ACNP模块，该模块直接预测占用的子节点数量，并将其映射为一个8维向量，该向量包含占用子节点数量的信息。该模块是通用的，能够提升多种上下文模型的性能。，但在八叉树几何压缩上下文中使用它来衡量预测与真实占用子节点数量之间的差异（这里本身是一个回归问题）时是不合适的。]]></description><category></category></item><item><title><![CDATA[POINT MAMBA（Octree）: A NOVEL POINT CLOUD BACKBONE BASED ONSTATE SPACE MODEL WITH OCTREE-BASED ORDERI]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/140853888</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/140853888</guid><author>skyxya</author><pubDate>Thu, 01 Aug 2024 17:56:30 +0800</pubDate><description><![CDATA[例如，点 (1, 2, 3) 和点 (1, 3, 2) 在原始空间中只在一个维度上有所不同（z和y），它们在排序后的列表中也是相邻的。需要注意的是，在实际应用中，八叉树的深度d可能会更大，以覆盖更广泛的坐标范围和更高的精度。假设论文中有一个简单的3D点云，其中包含几个点，其坐标分别为 (1, 2, 3), (2, 1, 3), (1, 3, 2), (3, 1, 2)。因此，排序后的顺序是 (1, 2, 3), (1, 3, 2), (2, 1, 3), (3, 1, 2)。]]></description><category></category></item><item><title><![CDATA[OctFormer: Efficient Octree-Based Transformer for Point Cloud Compression with Local Enhancement]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/140841883</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/140841883</guid><author>skyxya</author><pubDate>Thu, 01 Aug 2024 10:48:50 +0800</pubDate><description><![CDATA[对比与octattention 其实在精度上 应该是有所损失的，或者说基本持平 但是本论文中考虑的两个有效模块加上还是出现了精度没有巨大提升的问题，怀疑所用的上下文窗口只考虑了兄弟节点，虽然利用了父节点的占用值作为特征输入，但是上下文中没有父节点作为参考丧失了一定的多层次的特征。，Octformer 构造了大小为 N 的非重叠上下文窗口来形成序列，并使用序列中的所有特征 (fi−j，..., fi,..fi+k) 来预测分布 qi，其中 j + k − 1 = N。重构点云的质量取决于八叉树的最大深度。]]></description><category></category></item><item><title><![CDATA[D-DPCC: Deep Dynamic Point Cloud Compression via 3D Motion Prediction]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/140322403</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/140322403</guid><author>skyxya</author><pubDate>Wed, 10 Jul 2024 14:05:54 +0800</pubDate><description><![CDATA[之前的方法例如 V-PCC 大多是采用将三维点云投影到二维平面上，然后采用成熟的视频压缩方法对投影后的点云进行压缩，而基于几何的 PCC 例如 G-PCC 在静态点云上的压缩取得了比较明显的进步。采用基于稀疏 CNN 的下采样块（图 3(a)）进行低复杂度的点云下采样。下采样块由用于点云下采样的步幅两个稀疏卷积层组成，然后是几个初始残差网络 (IRN) 块用于局部特征分析和聚合。具体来说，我们首先将 yt 和 ˆyt−1 连接在一起得到 y cat t。嵌入到端到端压缩网络中，以消除时间冗余。]]></description><category></category></item><item><title><![CDATA[PointMamba: A Simple State Space Model for Point Cloud Analysis]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/140017586</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/140017586</guid><author>skyxya</author><pubDate>Thu, 27 Jun 2024 16:45:49 +0800</pubDate><description><![CDATA[这不是以前基于 Transformer 的方法的一个重要问题，因为 Transformer 在处理序列数据时是顺序不变的：在自注意力机制中，给定位置的每个元素都可以通过注意力权重与序列中的所有其他元素交互。为了确保在将这两种不同的点标记输入 Mamba 编码器时，能够有效地区分它们的特征和生成策略，提出了一个简单的顺序指示器。在框架图中，derta T 是通过 \tau(一种非线性激活函数), 因此delta T 是非线性的，所以 ABC 都是非线性时变的，系统的条件就放开了。]]></description><category></category></item><item><title><![CDATA[Mamba 模型]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/139986339</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/139986339</guid><author>skyxya</author><pubDate>Wed, 26 Jun 2024 12:57:16 +0800</pubDate><description><![CDATA[虽然这个概念与模型架构的特定选择无关，但现代 FM 主要基于一种类型的序列模型：Transformer 及其核心注意力层自注意力的功效归因于它能够在上下文窗口中密集地路由信息，使其能够对复杂的数据进行建模。此外，论文提出了一类新的选择性状态空间模型，它在几个轴上改进了先前的工作，以实现 Transformer 的建模能力，同时在序列长度上线性缩放。选择性 SSM，和扩展 Mamba 架构，是具有关键属性的完全循环模型，这使得它们适合作为在序列上运行的一般基础模型的主干。]]></description><category></category></item><item><title><![CDATA[一键登录功能实现（采用极光SDK）]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/139920045</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/139920045</guid><author>skyxya</author><pubDate>Mon, 24 Jun 2024 11:10:25 +0800</pubDate><description><![CDATA[前端：
引入和初始化极光认证 SDK。
获取 loginToken 并发送到极光 API。
处理 API 响应并传递到后端。
后端：
发送 loginToken 请求到极光 API 验证。
使用 RSA 私钥解密加密的手机号码]]></description><category></category></item><item><title><![CDATA[Diffusion Model]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/139745034</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/139745034</guid><author>skyxya</author><pubDate>Mon, 17 Jun 2024 15:14:42 +0800</pubDate><description><![CDATA[diffusion models 公式推导 ]]></description><category></category></item><item><title><![CDATA[3DShape2VecSet: A 3D Shape Representation for Neural Fields and Generative Diffusion Models]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/139419071</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/139419071</guid><author>skyxya</author><pubDate>Mon, 03 Jun 2024 16:47:16 +0800</pubDate><description><![CDATA[SIGGRAPH 2023]]></description><category></category></item><item><title><![CDATA[COIN++: Neural Compression Across Modalities 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/137875972</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/137875972</guid><author>skyxya</author><pubDate>Wed, 17 Apr 2024 15:45:36 +0800</pubDate><description><![CDATA[使用元学习将编码时间减少了两个数量级以上，将编码共享结构进行编码，并对该网络应用调制来编码实例特定信息。
量化和熵编码调制。虽然我们的方法在压缩和速度方面都大大超过了 COIN，但它仅部分缩小了与 SOTA 编解码器在经过充分研究的模式（例如图像）上的差距。然而，COIN++ 适用于传统方法难以使用的广泛数据模式，使其成为非标准域中神经压缩的一种有前途的工具。]]></description><category></category></item><item><title><![CDATA[COIN 基于隐式神经表示对于压缩工作的探究]]></title><link>https://blog.youkuaiyun.com/skyxya/article/details/137834491</link><guid>https://blog.youkuaiyun.com/skyxya/article/details/137834491</guid><author>skyxya</author><pubDate>Tue, 16 Apr 2024 18:01:19 +0800</pubDate><description><![CDATA[提出了一种新的图像压缩的简单方法：不是存储图像的每个像素的 RGB 值，而是存储过度拟合图像的神经网络的权重。]]></description><category></category></item></channel></rss>