wujing1_1的博客

转载 Latex用法

原创 纯命令版饥荒安装教程-自己使用

原文链接，这个文档仅自己使用Ubuntu搭建饥荒服务器教程安装饥荒centos7yum update -yyum install https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm -yyum install glibc.i686 libstdc++.i686 libcurl.i686 screen -yyum wget -ymkdir ~/steamcmdcd ~/steamcmdwget http

原创 Java -考研 学习路线(笔记链接汇总)-个人用

文章目录1. Java 学习路线1.1 JavaSE1.1.1 C 语言基础1.1.2 面对对象程序设计C++1.1.3 Java 基础1) 基础2) GUI3) 网络编程4) 多线程5) 注解和反射1.2 JavaEE1.2.1 SSM1) Web基础TomcatServletJSP2) Mybatis3) Spring4) SpringMVC5) Mybatis-Plus1.2.2 SpringBoot1.2.3 SpringCloudNacosOpenFeignHystrixRibbonEurekaC

原创 Linux 常见命令操作(杀死全部screen）

常见命令1. 防火墙操作查看防火墙systemctl status firewalld关闭防火墙systemctl stop firewalld.service开放防火墙端口永久firewall-cmd --permanent --zone=public --add-port=8080-8081/tcp 开放防火墙端口临时firewall-cmd --zone=public --add-port=8080-8081/tcp开机自动启动systemctl en

转载 LaTeX 各种命令，符号

函数、符号及特殊字符声调语法 效果 语法 效果 语法 效果 \bar{x} \acute{\eta} \check{\alpha} \grave{\eta} \breve{a} \ddot{y} \dot{x} \hat{\alpha} \tilde{\iota} 函数语法 效果 语法 效果 语法 效果 \si

原创 01-go入门

Go的三个作者分别是:Rob Pike(罗伯.派克)，Ken Thompson(肯.汤普森)和Robert Griesemer(罗伯特.格利茨默)Rob Pike:曾是贝尔实验室(BellLabs)的Unix团队，和Plan 9操作系统计划的成员。他与Thompson共事多年，并共创出广泛使用的UTF-8字元编码。Ken Thompson:主要是B语言、(语言的作者、Unix之父。

原创 在使用new Date()生成时间戳时，发现数据库中 的时间总是多出一秒钟。

对于某些时间的计算，如果是以 DATETIME 的形式会比较困难，假如我是 1994-1-20 06:06:06 出生，现在的时间是 2016-10-1 20:04:50 ，那么要计算我活了多少秒钟， DATETIME还需要函数进行转换，但是 TIMESTAMP 直接相减就行。这个场景中，如果使用 TIMESTAMP 来存时间，起飞和降落时间的值，都会被转换成 UTC 时间，所以它们直接相减即可获得结果。注：MySQL 5.6.4 之前，占 8 个字节 ，之后版本，占 5 个字节。当指定了小数位数之后。

原创 判断2个excel文件差异的条数

判断2个excel文件差异的条数。

原创 如果从mysql导出百万数据级的excel

百万级别的数据，从数据库一次性查询出来，是一件非常耗时的工作。即使我们可以从数据库中一次性查询出所有数据，没出现连接超时问题，这么多的数据全部加载到应用服务的内存中，也有可能会导致应用服务出现OOM问题。MySQL批量查询、数据同步、数据导出可以使用类似于分页查询的思路，但是鉴于LIMIT offset,size的效率太低，可以采用”滚动翻页”的实现方式 注意要用自增趋势的主键。针对报表中频繁查询的字段，添加适当的索引，从而加快数据的检索速度。如果从mysql导出百万数据级的excel，可能遇到的问题？

原创 【Maven学习】-3.进阶

Maven 继承是指在 Maven 的项目中，让一个项目从另一个项目中继承配置信息的机制。继承可以让我们在多个项目中共享同一配置信息，简化项目的管理和维护工作。Maven 聚合是指将多个项目组织到一个父级项目中，以便一起构建和管理的机制。聚合可以帮助我们更好地管理一组相关的子项目，同时简化它们的构建和部署过程。Maven 私服是一种特殊的Maven远程仓库，它是架设在局域网内的仓库服务，用来代理位于外部的远程仓库(中央仓库、其他远程公共仓库)。

原创 【Maven学习】-2. POM讲解

pom.xml是Maven项目的核心配置文件，它是 项目对象模型 - Project Object Model（POM）的缩写。POM定义了项目的所有属性，包括项目的名称、版本、依赖关系、构建配置等。使用pom.xml，我们可以轻松地管理项目的构建和依赖关系，让我们能够更专注于业务逻辑的开发。与项目的基本信息相关的标签有很多，以下算必填项:除了上面的几个标签，还有一些项目相关，但非必填的内容：当然，还有一些在我们示例中没有出现的标签，比如说 modules 和 parent 标签用于声明当前 Maven

原创 【Maven学习】-1. 简介

第一步，打开页面，选择自己想要的版本打开以下页面，进行下载如果是windows选择zip。如果是linux选择 bin用户bin：含有Maven的运行脚本boot：含有plexus-classworlds类加载器框架conf：含有Maven的核心配置文件lib：含有Maven运行时所需要的Java类库LICENSE、NOTICE、README.txt：针对Maven版本，第三方软件等简要介绍Maven生命周期是一系列阶段的集合，定义了项目的构建过程。清理项目，删除target目录。

原创 JetCache笔记

jetcache是阿里开源的基于java开发的缓存框架，支持多种缓存类型：本地缓存、分布式缓存、多级缓存。能够满足不同业务场景的缓存需求。jetcache具有上手简单、性能高效、拓展性强的特点。支持缓存预热 、缓存key前缀等功能。结合spring-cache使用，可以实现十分优雅的缓存类型切换。

原创 单元测试Mockito笔记

Mockito是Java生态系统中最受欢迎的单元测试模拟框架之一，以其简洁易用的API和强大的模拟能力赢得了广大开发者的青睐。Mockito允许我们在不实际依赖外部资源的情况下对代码进行彻底且高效的单元测试，极大地提升了测试覆盖率和代码质量。Mockito是一种模拟框架，其核心概念是在测试过程中创建并使用“Mock对象”。Mock对象是对实际对象的一种模拟，它继承或实现了被测试类所依赖的接口或类，但其行为可以根据测试需求自由定制。控制其在测试环境下的行为，从而将注意力聚焦于类本身的逻辑验证上。 的底层原理是

原创 半监督图像分割-综述

语义分割是计算机视觉中一个重要而热门的研究领域，其重点是根据图像中像素的语义对其进行分类。然而，监督式深度学习需要大量的数据来训练模型，并且逐像素标记图像的过程既耗时又费力。本文旨在对半监督语义分割领域中伪标签方法的最新研究成果进行全面和有组织的综述，从不同的角度对其进行分类，并针对具体的应用领域提出具体的方法。此外，我们还探索了伪标签技术在医学和遥感图像分割中的应用。最后，针对目前存在的挑战，提出了未来可行的研究方向。

原创 51 单片机

51 单片机参考视频：江协科技https://www.bilibili.com/video/BV1Mb411e7re参考资料:STC官网STC单片机专业供应商 (stcmicro.com)1. 简介1.1 概念什么是单片机单片机种类单片机应用1.2 环境准备驱动安装打开普中科技给的资源包里，会有驱动的如果失败，点击安装失败解决方法如果驱动已经安装成功了，能够检查到。只要没有黄的感叹号，都是连接成功了辅助软件安装stc-isp这边能显示串口号，就说明连接成功了Kei

原创 【半监督医学图像分割 2021 IEEE】DU-GAN

低剂量计算机断层扫描(LDCT)由于其相关的x射线辐射对患者的潜在健康风险而引起了医学成像领域的广泛关注。然而，降低辐射剂量会降低重建图像的质量，从而影响诊断性能。在过去的几年里，各种深度学习技术，特别是生成对抗网络(gan)，已经被引入到通过去噪来提高LDCT图像的图像质量，比传统方法取得了令人印象深刻的结果。基于高斯的去噪方法通常利用一个额外的分类网络，即鉴别器，来学习去噪图像与正常剂量图像之间最大的区别，从而相应地正则化去噪模型;它通常关注全局结构或局部细节。

原创 磁盘大小命令

盘被占满不仅仅是由于某个文件夹中有很多小文件，也可能是某些单个的大文件。要查看当前目录下每个文件夹的大小，可以使用du命令并结合一些参数来实现这一需求。命令可以帮助你分析文件夹的磁盘使用情况。可以使用tail命令，它专门用于显示文件的最后几行。

原创 Python作图

【代码】Python作图。

原创 【图像分割 2023 WACV】HiFormer

卷积神经网络(cnn)已成为医学图像分割的共识。然而，由于卷积运算的性质，它们在模拟远程依赖关系和空间相关性方面受到限制。虽然Trasnformer最初是为了解决这个问题而开发的，但它们无法捕获低级特征。相比之下，研究表明，局部和全局特征对于密集预测至关重要，例如在具有挑战性的环境中进行分割。在本文中，我们提出了一种新的方法HiFormer，它有效地桥接了CNN和Trasnformer，用于医学图像分割。

原创 【半监督图像分割 2023 】BHPC

半监督学习(Semi-supervised learning, SSL)是解决模式识别和医学图像分割中标注稀缺性问题的常用技术，主要集中在两个关键问题上:1)学习结构良好的可分类嵌入空间，2)建立嵌入空间到像素空间的鲁棒映射。在本文中，为了解决第一个问题，我们提出了一种硬正定向对比(HPC)学习策略来预训练基于编码器-解码器的分割模型。

原创 【图像分割 2024】ParaTransCNN

基于卷积神经网络的医学图像分割方法以其优异的性能得到越来越多的应用。然而，它们很难捕获远程依赖关系，而远程依赖关系对于准确建模全局上下文相关性至关重要。由于能够通过扩展接受域来建立长期依赖关系的模型，基于转换器的方法已经获得了突出的地位。受此启发，我们提出了一种结合卷积神经网络和Transformer架构的先进二维特征提取方法。更具体地说，我们引入了一个并行编码器结构，其中一个分支使用ResNet从图像中提取局部信息，而另一个分支使用Transformer提取全局信息。

原创 【图像分割 2024 ICLR】Conv-LoRA

分割任意模型(SAM)是图像分割的基本框架。虽然它在典型场景中表现出显著的零射击泛化，但当应用于医学图像和遥感等专业领域时，其优势就会减弱。为了解决这一限制，本文介绍了一种简单而有效的参数高效微调方法——卷积- lora。通过将超轻量级卷积参数集成到低秩自适应(Low-Rank Adaptation, LoRA)中，卷积LoRA可以将图像相关的归纳偏差注入到普通的ViT编码器中，进一步强化SAM的局部先验假设。

转载 @NotEmpty、@NotBlank、@NotNull三种注解的区别

NotEmpty验证字段不为 null，且长度不为零。适用于字符串、集合和数组。@NotBlank验证字段不为 null，长度不为零，且去除两端空格后也不为空。仅适用于字符串。@NotNull验证字段不为 null。适用于所有类型的字段。在选择使用这些注解时，开发人员应根据具体的数据验证需求选择合适的注解。例如，对于需要排除空格的字符串输入，应该使用@NotBlank，而对于不允许为 null 的对象，可以使用@NotNull。

原创 【半监督医学图像分割】2022-MedIA-UWI

由于难以获取大量标记数据，半监督学习在医学图像分割中正成为一种有吸引力的解决方案。为了利用未标记数据，目前流行的半变量方法（如时态集成、均值教师）主要对未标记数据施加数据级和模型级的一致性。在本文中，我们认为除了这些策略之外，我们还可以进一步利用辅助任务和考虑任务级一致性来更好地从未标记数据中挖掘有效的表示来进行分割。

原创 【时间序列预测 】M4

M4竞赛延续了前三届M竞赛，其目的是从经验证据中学习如何提高预测精度，以及如何利用这种学习来推进预测的理论和实践。M4的目的是通过以下方式复制和扩展前三届比赛：(a)显著增加系列的数量，(b)扩大预测方法的数量，©在评估过程中包括预测间隔和点预测。本文详细介绍了M4的各个方面，包括它的组织和运行、结果的介绍、总体上和按类别划分的最优秀的方法、它的主要发现及其含义，以及各种方法的计算要求。最后，总结了该系列的主要结论，并期望该系列将成为评价新方法和改进预测实践的试验场，同时也提出了该领域的一些前进方向。

原创 【时间序列预测 2023 ICLR】TimesNet

时间序列分析在天气预报、异常检测、行为识别等广泛应用中具有重要意义。本文重点研究了时间变化建模，这是广泛分析任务的共同关键问题。以往的方法试图直接从一维时间序列中完成这一任务，但由于复杂的时间模式，这是极具挑战性的。在观测时间序列多周期的基础上，我们将复杂的时间变化分解为多重的周期内和周期间变化。为了解决一维时间序列在表示能力上的局限性，我们将一维时间序列转化为一组基于多个周期的二维张量，从而将时间变化的分析扩展到二维空间。

原创 【图像分割 2023 CVPR】CFNet

多尺度特征对于对象检测、实例分割和语义分割等密集预测任务是必不可少的。现有的最先进的方法通常首先通过分类主干提取多尺度特征，然后通过轻量级模块（如FPN中的融合模块）对这些特征进行融合。然而，我们认为，通过这样一个范例来融合多尺度特征可能是不可取的，因为与笨重的分类主干相比，为特征融合分配的参数是有限的。为了解决这一问题，我们提出了一种新的结构&级联融合网络(CFNET)用于密集预测。在CFNET中，除了提取初始高分辨率特征的STEM和几个块外，我们还引入了几个级联阶段来生成多尺度特征。

原创 【半监督医学图像分割 2023 CVPR】PatchCL

尽管最近在半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习鉴别性表征的任务在医学图像中一直是一个公开的问题。对比学习（CL）框架使用相似性测量的概念，这对分类问题是有用的，然而，他们未能将这些高质量的表示转移到准确的像素级分割中。为此，我们提出了一个新颖的基于patch的半监督医学图像分割框架，而不使用任何明确的前提任务。

原创 【自监督预训练 2023】MCL

在这项工作中，我们提出了一种用于密集预测任务的多级对比学习(MCL)，这是一种有效的用于密集预测任务的区域级特征表示的自监督学习方法。定位尺度一致性和识别。为了显式地编码绝对位置和尺度信息，我们提出了一种新的借口任务，该任务以蒙太奇方式组装多尺度图像来模拟多目标场景。与现有的图像级自监督方法不同，我们的方法构造了一个多级对比损失，将蒙太奇图像的每个子区域视为一个单独的子区域。我们的方法使神经网络能够学习区域语义表示，以实现翻译和尺度一致性，同时将预训练的时间缩短到与有监督预训练相同的时间。

原创 【半监督医学图像分割 2022 TMI】ASE-Net

目前流行的半监督医学图像分割网络由于在不同的数据扰动下使用一致性学习来正则化模型训练，经常受到未标记数据的错误监督。这些网络忽略了标记和未标记数据之间的关系，只计算单个像素级的一致性，导致预测结果不确定。此外，由于骨干网的设计依赖于有监督的图像分割任务，这些网络往往需要大量的参数。此外，由于半监督图像分割通常采用少量的训练样本，这些网络往往面临较高的过拟合风险。针对上述问题，本文提出了一种基于动态卷积(ASE-Net)的对抗自拟网络，用于半监督医学图像分割。

原创 【半监督医学图像分割 2022 IJCAI】UGPCL

近年来，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，将对比学习应用于半监督场景具有挑战性。为了解决这一问题，我们提出了一种新的不确定性引导的像素对比学习方法用于半监督医学图像分割。具体来说，我们为每个未标记图像构造一个不确定性映射，然后去除不确定性映射中的不确定性区域，以减少噪声采样的可能性。不确定性映射是由一个精心设计的一致性学习机制确定的，该机制通过鼓励来自两个不同解码器的一致网络输出来为未标记数据生成综合预测。

原创 【半监督医学图像分割 2023 MICCAI】SCP-Net

一致性学习在半监督医学图像分割中起着至关重要的作用，它可以有效地利用有限的标注数据，同时充分利用丰富的未标注数据。一致性学习的有效性和效率受到预测多样性和训练稳定性的挑战，而这两个问题往往被现有的研究所忽视。同时，用于训练的标记数据数量有限，往往不足以形成伪标记的内部紧凑性和类间差异。为了解决这些问题，我们提出了一种自感知的跨样本原型学习方法(SCP-NET)，通过利用从多个输入中获得的更广泛的语义信息来提高一致性学习中预测的多样性。此外，我们引入了一种自我感知的一致性学习方法。

原创 【半监督图像分割 2022 CVPR】UCC

深度神经网络（DNNs）在语义分割方面取得了巨大的成功，这需要大量的标记数据进行训练。我们提出了一个新颖的学习框架，称为不确定性引导的交叉头协同训练（UCC），用于半监督的语义分割。我们的框架在一个共享编码器中引入了弱增强和强增强，以实现协同训练，这自然结合了一致性和自我训练的好处。每个分割头都与它的同伴互动，弱增强的结果被用来监督强增强。一致性训练样本的多样性可以通过动态交叉集复制粘贴（DCSCP）来提高，这也缓解了分布不匹配和类不平衡的问题。此外，我们提出的不确定性引导的再加权模块。

原创 【半监督图像分割 2022 NeurIPS】GTA-Seg

半监督语义切分旨在利用有限的标记数据和大量的未标记数据训练切分模型。为了有效地利用未标记数据，伪标记和师生框架被广泛地应用于半监督语义分割。尽管该范式被证明是有效的，但它不可避免地存在错误的伪标签，并被用作辅助训练数据。为了缓解不正确的伪标签带来的负面影响，我们深入研究了现有的半监督语义分割框架。我们认为，带有伪标签的未标记数据可以促进特征提取器中代表性特征的学习，但监督掩码预测器是不可靠的。

原创 【半监督语义分割 2023 CVPR】CCVC

半监督语义分割由于能够有效地利用大量的无标注数据，从而减少对大规模的完全标注训练数据的需求，近年来得到了越来越多的研究兴趣。现有的方法经常会受到伪标记过程中的确认偏差的影响，这种偏差可以通过协同训练框架得到缓解。现有的基于协同训练的半监督语义分割方法依靠人工扰动来防止子网之间的相互崩溃，但这些人工扰动不能导致最优解。在这项工作中，我们提出了一种基于冲突的跨视图一致性(CCVC)的半监督语义分割方法。我们的工作旨在加强这两个子网从无关的视图中学习信息特征。

原创 【半监督图像分类 ICLR 2023】FreeMatch

半监督学习(SSL)由于基于伪标记和一致性正则化的各种方法所带来的优异性能而取得了巨大的成功。然而，我们认为，现有的方法要么采用预先定义/固定的门限，要么采用自适应门限调整方案，可能无法更有效地利用未标记数据，从而导致性能低下和收敛速度慢。我们首先分析了一个激励示例，以获得关于期望阈值与模型学习状态之间关系的直观性。在此基础上，我们提出了FreeMatch模型，根据模型的学习状态自适应地调整置信度阈值。我们进一步引入了一个自适应的类公平性正则化惩罚，以鼓励模型在早期训练阶段进行多样化的预测。

原创 【半监督图像分类 2022 CVPR 】Semi-ViT

我们研究了视觉Transformer(VIT)的半监督学习(SSL)。尽管VIT体系结构在不同的任务中得到了广泛的应用，但这是一个尚未被深入研究的课题。为了解决这个问题，我们提出了一种新的SSL流水线，它首先由非/自监督的预训练，然后是监督的微调，最后是半监督的微调组成。在半监督微调阶段，我们采用指数移动平均(EMA)-教师框架来代替流行的FixMatch，因为前者对半监督Transformer来说更稳定，提供更高的精度。

原创 【半监督图像分割 2023 CVPR】UniMatch

在这项工作中，我们重新讨论了弱到强一致性框架，该框架由FixMatch从半监督分类中推广而来，其中对弱扰动图像的预测作为对其强扰动版本的监督。有趣的是，当转移到我们的分割场景中时，我们观察到这样一个简单的管道已经获得了与最近的高级作品相比的竞争性结果。然而，它的成功在很大程度上依赖于手工设计强大的数据增强，这可能是有限的，不足以探索更广阔的扰动空间。基于此，我们提出了一种辅助特征扰动流作为补充，从而扩展了扰动空间。

原创 【 图像分割 2022 ECCV】CP2

自监督对比学习的最新进展产生了良好的图像级表征，这有利于分类任务，但通常忽略了像素级的详细信息，导致转移到密集预测任务（如语义分割）的性能不尽人意。在这项工作中，我们提出了一种被称为CP2（Copy-Paste Contrastive Pretraining）的像素级对比学习方法，它有利于图像和像素级表征的学习，因此更适用于下游的密集预测任务。具体来说，我们将一幅图像（前景）的随机裁剪部分复制粘贴到不同的背景图像上，并对语义分割模型进行预训练，目的是：1）区分前景像素和背景像素；