- 博客(22)
- 收藏
- 关注
RSS订阅原创 leetcode--hot100--思路+知识点（I）
给定一个整数数组nums和一个整数目标值target，请你在该数组中找出target的那整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案，并且你不能使用两次相同的元素。你可以按任意顺序返回答案。[0,1]因为 nums[0] + nums[1] == 9 ，返回 [0, 1]。#include <utility> // 包含 pair 头文件// 1. 初始化// 2.两个元素通过公有成员first和second直接访问// 输出：10// 输出：hello++i){
2025-10-29 22:09:58
659
原创 机器学习算法常用算法
监督学习算法分类和回归任务决策树由（初始特征）、（中间特征）、（最终输出：类别或数值）和（特征取值对应的划分规则）组成。以 “银行贷款审批” 为例，决策树可通过客户的特征（如收入、信用评分、工作年限等）自动生成审批规则，直观且可解释。
2025-10-26 23:21:02
717
原创 C++11/14/17多线程和线程池(万字）
是指在一个进程（程序的运行实例）中同时创建和运行多个，这些线程共享进程的内存空间（如全局变量、堆内存），但拥有独立的执行路径（程序计数器、栈空间）。简单来说，多线程允许程序 “同时” 执行多个任务。多线程的核心价值如下：（1）提高CPU使用率：对于多核CPU，单线程程序只能利用一个核心，其他核心处于空闲状态（2）实现 “并发响应”：多线程可将耗时操作放在后台线程，主线程保持响应。（3）拆分复杂任务：多线程可按功能拆分任务，每个线程负责一部分，简化代码逻辑。
2025-10-19 18:12:27
794
原创 Segment Anything（SAM）
将图像编码器得到的图像嵌入和提示编码器得到的提示嵌入整合，然后结合两个可学习的 tokens 生成不同层级的掩码和对应的置信度值。它主要用于解决图像分割中的核心挑战，即如何让机器理解并标注出图像中所有有意义的对象或区域，而不仅仅是预先定义的类别。(1)模型必须支持灵活的提示,(2)需要能够以摊销的实时方式计算掩码以允许交互式使用，(3)必须具备处理歧义的能力。传统的图像分割模型针对特定任务设计，需大量标注数据，且难以适应新场景，SAM 则试图超越这些限制，能够识别和分割图像中几乎任何东西，即可以在。
2025-10-15 22:40:33
510
原创 刷题小记3
给一个整数数组 nums 和一个整数目标值 target，返回两数下标思路：用pair存放值和下标然后sort（或者直接使用unordered_map），再双指针// first存值，second存下标i++){ //把nums存入arrarr.;//这里默认写法规则是first，若first相等，则继续按second成员升序排列});//Lambda函数仅根据first成员升序排序忽略secondleft++;
2025-09-25 18:08:15
697
原创 刷题小记2
Prompt Engineering提示词工程是一种专门设计和优化大语言模型对话输入内容的方法，目的是让大模型更好理解需求，输出更理想的结果。它是有意识地设计、调整和优化输入给大模型的提示词，以引导模型给出更准确有用的输出。常见技巧包括明确具体避免模糊，分步提问，设定角色和风格，提供上下文背景信息，示例引导。Transformer模型是由编码器和解码器两大部分组成的。编码器的任务是理解输入的信息，把原始数据转化为模型能理解的表示。
2025-09-23 15:25:05
766
原创 opencv代码学习
下安装非常简单，只需要pip安装opencv-python 这个包即可，顺带还会帮你把pyqt也一起装了。本文用python代码。下需要去官网下载安装包，然后把环境变量配置好文件夹下的bin和lib文件夹加入到环境变量（具体路径看你安装位置）在visio studio配置opencv环境即可(b站很多视频教程）
2025-09-15 14:00:01
647
原创 多线程及简单代码
每个进程拥有独立的内存空间（代码区、数据区、堆、栈等）、系统资源（打开的文件、设备等）以及至少一个线程。），在std::promise类内部管理着一个future类对象，调用get_future()就可以得到这个future对象了。一个进程的所有线程共享文件描述符、信号等资源。C++多线程程序中的任务大都是异步的，主线程和子线程分别执行不同的任务，如果想要在主线中。注：RALL即资源的申请（获取）与对象的初始化绑定，资源的释放与对象的销毁绑定。线程是进程中的一个执行单元，是CPU调度的基本单位。
2025-09-12 12:42:04
494
原创 C++易混淆知识点
方面#define宏常量const修饰的变量本质预处理指令，文本替换编译时常量，具有类型类型检测无类型，不进行类型检查有类型，编译器会进行类型检查调试时信息不保留调试信息，宏展开后看不到原名称有符号信息，可以在调试器中查看名称和值作用域没有作用域，宏在定义后到文件末尾有效有作用域，遵循C/C++作用域规则表达能力只能实现简单文本替换，不能定义复杂表达式可以定义复杂的表达式和常量对象内存占用无内存开销，直接替换可能占用内存（尤其在C中，C++中编译器可能优化掉）安全性。
2025-09-10 16:48:17
628
原创 Python基础知识（下）
1. 函数在执行过程中如果遇到了return, 函数会立即停止# 2. 函数中如果没写return, 得到的返回值就是None# 3. 函数中写了return, 但是没给返回值. 此时得到的结果是None# 4. 函数中如果写了return 值. 此时有一个返回的结果# 5. 函数中如果写了return 值1, 值2, 值3.... 此时有多个返回值, 外面得到的是元组# 参数: 函数在执行的时候. 可以由外界给函数内部传递一些信息# 接收外界传递过来的数据. 形参 变量。
2025-09-08 18:58:06
505
原创 Python基础知识（上）
print(lst)#['张无忌', '李嘉诚']print(item)#范伟item = lst.pop(1) # 指定位置删除print(lst)#['张无忌']del lst[0]lst.clear() # 清空# range(n) 从0数到n-1, [0, n)print(i)# range(m, n) 从m数到n-1, [m, n)print(i)# range(m, n, s) # 和切片逻辑是一致的.print(i)
2025-09-08 16:32:46
858
原创 Mysql基础知识
内模式（Internal Schema）是数据库在物理存储层面的描述。概念模式（Conceptual Schema）是对整个数据库所有数据结构和关系的全局逻辑描述。外模式（External Schema）也叫子模式或用户视图，是数据库中不同用户或用户组所看到的部分数据和结构的逻辑描述。
2025-09-07 17:46:10
714
原创 SOLO按位置分割对象
实例分割不仅需要对物体类别进行分类，还需要在同类物体中区分不同的实例，是更具挑战的任务。Mask R-CNN（Res-101-FPN）在COCO test-dev上的实例分割掩码AP50达到了 59.8。尽管这是2017年提出了方法，却几乎霸榜了3年。但要把Mask R-CNN进行部署还是非常困难的，本身模型是两阶段的，麻烦且复杂。SOLO于2020年发表于ECCV，是一阶段，无锚框，定位+分割同时进行，速度较快，精度接近Mask R-CNN。仅使用掩码注释进行实例分割任务，并在。
2025-09-05 13:35:36
509
原创 MobileNetv1+v2
t深度神经网络通过更深和更复杂的网络来得到更高的精度，但是这种网络往往在模型大小和运行速度上没多大优势。在嵌入式平台上，硬件资源有限（限制网络的大小可能几Mb，并且限制计算资源），就十分需要一种轻量级、低延迟、精度可接受的网络模型，这就是MobileNets的主要工作。
2025-09-05 11:46:29
775
原创 DETR系列（一）
故而DETR可以计算特征图的每一个像素相对于其他所有像素的相关性，这一点在CNN中是依靠感受野来实现的，可以看出Transformer能够捕获到比CNN更大的感受范围。
2025-09-04 16:15:40
753
原创 RCNN系列--Mask R-CNN
Mask R-CNN是一种基于区域的卷积神经网络，用于目标检测和。它不仅能输出目标的位置和类别，还能生成每个目标的像素级分割掩码。重要的改进：Mask R-CNN，通过添加一个分支来预测每个感兴趣区域（RoI）上的，并与现有的分类和边界框回归分支并行，从而扩展了Faster R-CNN。（1）Backbone特征提取网络：用于把图片提取出特征图feature map（2）RPN区域建议网络：用于判断 anchor box 是否包含物体（前景/背景）（3）RoI Align：保留了精确的空间位置。
2025-09-04 13:41:19
703
原创 RCNN系列--Faster R-CNN原理
Faster R-CNN作为目标检测最经典的论文，后续还有许多经典论文（包括分割任务）都是基于Faster R-CNN改进的，理解原理特别重要。（1）Backbone特征提取网络：用于把图片提取出特征图feature map（2）RPN区域建议网络：用于判断 anchor box 是否包含物体（前景/背景）（3）ROI感兴趣区域：把RPN的proposals应用最大池化调整为统一大小（4）Head预测头：用于分类和回归。
2025-09-04 11:20:17
1408
原创 YOLO代码修改方法（简易版）
随便写一段python代码如下：进入到model.train即可定位到def train()，然后找到可以定位到trainer，这里的trainer是trainer = DetectionTrainer(overrides=args)继承自BaseTrainer--即engine下的trainer.py。进入 def train(self)方法-> self._do_train(world_size)方法。
2025-09-03 18:34:45
625
1原创 YOLOv1-v11发展和模型
2015年首次提出将目标检测作为回归问题。单阶段检测器，速度快，将图像分成SxS网格，每个网格预测B个边界框。局限性在于每个网格只能预测一个目标，精度不高。2016年引入了和并添加多尺度训练。使用Darknet-19作为骨干网络，精度和速度都有提升。Batch Normalization（批归一化）对每个小批量数据中的激活值进行标准化（均值为0，方差为1），再通过可学习的缩放和平移参数恢复网络的表达能力。加快了模型收敛速度，提高了训练稳定性。起到了轻微的正则化作用，减少过拟合。
2025-09-03 16:44:24
2081
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人