落花满蹊径-CSDN博客

原创 MySQL尚硅谷学习笔记之DQL语言

该库当中存在五张表，分别是员工表、部门表、位置表、工种表和工资等级1. employees :员工表列名类型注释employee_id【主键】int(6)员工编号first_name名last_name姓【一般用这个】email邮箱phone_name电话号码job_id工种编号【职业类别】salary薪资奖金率【年薪=月薪×12(1+奖金率)】manager_idint(6)上级领导的员工编号int(4)部门编号hiredatedatetime。

2023-04-03 17:26:00 540 1

原创 2021年国企、银行求职面经汇总（更新中）

2021年国企、银行求职面经汇总前文:这次秋招我主要的大方向就是北京的国企银行的信息技术/java开发岗，然后经过了三个月的秋招拿到了如下的offer（顺带说一句我是北航计算机的…可能好卷一点，至少简历不卡我）:1、银行类（笑死，全都去卷了一圈）：①北京银行总行信息科技岗(到签约环节)②工商银行北京分行科技菁英(签约环节)③建设银行北京分行综合营销岗(拒了)④中国银行软件中心（已体检完）⑤成方金科(中国人民银行金融科技公司)开发岗(拿到offer)⑥中国邮政储蓄银行研发中心(拒了)..

2021-12-14 10:32:21 6140 10

原创 ToolBar+DrawLayout+Navigation界面实战

一、ToolBar1.基本用法 android系统默认显示的是ActionBar,这个是根据项目中指定的主题来显示的，我们新建一个项目MyApplication，打开AndroidManifest.xml文件看一下：<?xml version="1.0" encoding="utf-8"?><manifest xmlns:android="http://schemas.android.com/apk/res/android" package="com.shuting.my

2021-07-08 15:41:54 666

原创 Android获取assets文件夹下的json数据并解析

Android获取assets文件夹下的json数据并解析从网上看了一下如何提取json格式的文件内容，然后通过整合最终写出来了。一、创建MapBean类首先我自己创建了一个MapBean类，类中主要有类型viewType,标题caption和装载多个子项的列表childList.这些变量是我需要在json文件当中存储的。public class MapBean implements Serializable { public static final int TYPE_PARENT

2021-07-06 11:36:59 2829

原创《第一行代码》——碎片的最佳实践：一个简易版的新闻应用

《第一行代码》——碎片的最佳实践：一个简易版的新闻应用最近在学习碎片，碎片的目的实际上是为了让手机和平板共享一份的代码，碎片可以保证做出兼容手机和平板的应用程序。这个文章就是用来介绍郭霖《第一行代码》中简易版本的新闻应用的代码的。一、具体介绍1、界面手机采用的是单页模式，如下所示：单页模式的新闻列表界面单页模式的新闻内容界面而ipad采用的是双页模式，如下所示：单页模式的新闻内容界面2、大体介绍 ∙\bullet∙ 对单页模式和双页模式来讲，最大的不同在于单

2021-06-30 11:11:47 1286 6

原创 Android中RecyclerView点击item展开二级列表的简单实现(代码详细讲解)

Android中RecyclerView可展开二级列表及非展开二级列表(代码详细讲解)一、大体介绍最近在学安卓的基础知识recylcerview，然后去网上搜了很多代码，发现写的比较复杂，于是自己在leader的指导下写了一个简单的代码，并且有完整的代码实现以及详细代码讲解。想要学习的小伙伴可不要错过了！所有的完整代码都标注了！最开始学习此view的时候是由浅入深的,因此如果一开始就上来做可展开二级列表会有点难度，因此我们可以从最简单的非展开二级列表来完成，然后循序渐进，做出来可折叠的二级列.

2021-06-26 22:31:16 5077 18

原创字节跳动开发面经

最近好久没有更新文章了，因为在准备实习，我研究生是用深度学习搞医学图像处理方向的，然后由于是女生的缘故，其实搞算法不太占优势，所以想着去做开发端，但是对开发方向的东西完全不了解，都是本科学的东西了，并且我也没有任何相关的项目，全都是做的研究。但是，我怎么会认输呢，于是我复习了20天！最终字节跳动我还是过了三面技术面，所以想将自己的心得体会写一写，不太有项目或者说简历也没那么相关的想要投字节的小伙伴可以看一下，后续应该会向我朋友要一些关于算法岗的心得。前期准备大体说一下我的准备方式吧，其实寒假过.

2021-03-28 10:53:45 5721 22

原创多标签分类(十三):Learning Semantic-Specific Graph Representation for Multi-Label Image Recognition

多标签图像识别的语义图表示学习摘要识别图像的多个标签是一项实用且具有挑战性的任务，通过搜索语义敏感区域和建立标签依赖关系已经取得了重要进展,然而，由于缺乏部分级监督和语义指导，现有的方法无法准确定位语义区域.此外，它们不能充分探索语义区域之间的相互作用，也没有明确地对标签共现进行建模.为了解决这些问题，我们提出了一个特定于语义的图表示学习(SSGRL)框架，该框架由两个关键模块组成:1)语义解耦模块，包含类别语义来指导特定语义表示的学习.2)语义交互模块，将这些表示与基于统计标签共现的图相关联，并通

2020-12-23 22:02:23 2928 6

原创多标签分类(十二):Chest X-rays Classification a Multi-Label and Fine-Grained Problem

胸部x射线分类-一个多标签和细粒度的问题摘要 ChestX-ray14数据集在现有文献中被认为是一个通用的图像分类问题.这个特定的数据集具有以下特性:1)许多肺病理在视觉上是相似的;2)单次扫描(多个标签)中可能出现大量疾病，包括肺癌、肺结核和肺炎。3)正常实例数量远远多于异常(不平衡数据)。这些特性在医学领域很常见。现有文献使用最先进的DensetNet/Resnet模型进行转移学习，其中网络的输出神经元针对单个疾病进行训练，以满足每张图像中多个疾病标签的需要。然而，在本文中我们提出了一种新的基于.

2020-11-18 16:47:10 3547 1

原创多标签分类(十一):HCP: A Flexible CNN Framework for Multi-Label Image Classification

HCP:灵活的CNN多标签图像分类框架摘要卷积神经网络(CNN)在单标签图像分类任务中表现出了良好的性能.但是CNN如何最好的处理多标签图像仍然是一个有待解决的问题，主要是由于底层对象布局复杂，多标签训练图像不足.在这项工作中，我们提出了一种灵活的深度CNN基础架构，称为Hypotheses-CNN-Pooling（HCP），其中将任意数量的对象段假设作为输入，然后将共享的CNN与每个假设连接，最后是CNN 将来自不同假设的输出结果与最大池合并，以生成最终的多标签预测.这种灵活的深度 CNN基础设施

2020-11-12 19:54:57 1849 4

原创 U-Net网络:Convolutional Networks for Biomedical Image Segmentation

U-Net:卷积网络用于生物医学图像分割摘要人们普遍认为，对深度网络作品的成功训练需要成千上万的注释训练样本。在本文中，我们提出了一种网络和培训策略，该策略依靠大量使用数据增强功能来更有效地使用可用的带注释的样本,该体系结构由捕获上下文的收缩路径和支持精确定位的对称展开路径组成,我们证明，这样的网络可以从很少的图像中得到端到端的训练，并且在电子显微镜堆栈中分割神经结构的ISBI挑战中优于之前最好的方法(滑动窗口卷积网络),使用同样的网络对透射光学显微镜图像进行训练(相位对比和DIC)，我们在201

2020-11-10 20:38:41 802

原创多标签分类(十):Multi-label Image Classification with Regional Latent Semantic Dependencies

具有区域潜在语义相关性的多标签图像分类来自2017年的CVPR 摘要深度卷积神经网络(CNN)在单标签图像分类方面表现出了先进的性能，在多标签图像分类方面也取得了长足的进展。多标签图像分类需要在一个镜头中标注物体、属性、场景类别等.目前的多标签图像分类方法利用了图像中标签的相关性，在全局范围内极大地提高了标签的能力。然而，由于对全局视觉特征的识别有限，预测小物体和视觉概念仍然是一个挑战.在本文中，我们提出了一个区域潜在语义依赖模型(RLSD)来解决这个问题,所使用的模型包括一个完全卷积的定位.

2020-11-02 16:17:32 4244 15

原创图网络：Graph Structured Network for Image-Text Matching

用于图文匹配的图结构网络摘要由于图像-文本匹配连接了视觉和语言，因此它受到了越来越多的关注。关键的挑战在于如何学习图像和文本之间的对应关系。现有的工作基于对象共现统计学习粗对应，而没有学习细粒度的短语对应。在本文中，我们提出了一种新颖的图结构匹配网络（GSMN），以学习细粒度的对应关系。GSMN将对象、关系和属性明确地建模为一个结构化短语，不仅可以分别学习对象、关系和属性的对应关系，而且有利于学习结构化短语的细粒度对应关系。这是通过节点级匹配和结构级匹配实现的。节点级匹配将每个节点与其来自另一种模式

2020-10-29 20:44:14 2912 2

原创多标签分类（九）：Order-Free RNN with Visual Attention for Multi-Label Classification

用于多标签分类的具有视觉注意的无序RNN 这篇论文是2017年AAAI上的用于多标签图像分类的。摘要本文提出了一种基于递归神经网络(RNN)的图像多标签分类模型。我们的模型独特地整合和学习视觉注意力和长短期记忆(LSTM)层，它们共同学习感兴趣的标签及其共现关系，同时与标签相关的图像区域会在视觉上被关注。与现有方法利用网络架构中的任何一个模型不同的地方在于，训练我们的模型不需要预先定义的标签顺序。此外，引入了一个鲁棒推理过程，避免了预测误差的传播而影响性能。我们在NUS-WISE和MS-COCO

2020-10-28 16:53:59 1182

原创多标签分类(八):Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition

注意力驱动的动态图形卷积网络用于多标签图像识别摘要近年来，为了提高多标签图像的识别精度，研究中经常使用图卷积网络(GCN)来建模标签依赖关系。但是，通过计算训练数据的标签共现可能性来构造图可能会降低模型的通用性，特别是当测试图像中存在偶然的共现对象时。我们的目标是消除这种偏差并增强学习特征的鲁棒性。为此，我们提出了一种注意力驱动动态图卷积网络（ADD-GCN），可以为每个图像动态生成特定图。ADD-GCN采用动态图卷积网络(D-GCN)对语义注意模块(SAM)生成的内容感知类别表示的关系进行建模.

2020-10-07 18:45:38 4285 25

原创多标签分类(七):Cross-Modality Attention with Semantic Graph Embedding for Multi-Label Classification

基于语义图嵌入的跨模注意多标签分类摘要多标签图像和视频分类是计算机视觉中最基本但又极具挑战性的任务.主要的挑战在于捕获标签之间的空间或时间依赖，并发现每个类的区别特征的位置.为了克服这些挑战，我们提出利用交叉模态注意和语义图嵌入来进行多标签分类.在构造标签图的基础上，提出了一种基于邻接的相似图嵌入方法来学习语义标签嵌入，这种方法能明确利用标签之间的关系。在标签嵌入的指导下，生成了新的交叉模态注意图。在两个多标签图像分类数据集(MS-COCO和nos - wide)上的实验表明，我们的方法优于现有的.

2020-09-28 20:19:35 5205 5

原创多标签分类(六):Fine-Grained Lesion Annotation in CT Images with Knowledge Mined From Radiology Reports

细粒病灶注释在CT图像与知识挖掘从放射学报告文章来自2019年CVPR 摘要在放射科医师的日常工作中，一个主要的任务是阅读医学图像，例如CT扫描，发现重要的病变，并在放射学报告中写下句子来描述它们，在本文中，我们研究了在计算机辅助诊断(CAD)中，病灶描述或标注问题的一个重要步骤。给定一幅病变图像，我们的目标是预测多个相关标签，如损伤的身体部位、类型和属性。为了解决这个问题，我们基于RadLex定义了一组145个标签来描述DeepLesion数据集中的大量病变。我们直接从放射学报告中病变的对应

2020-09-23 10:47:29 960

原创 Pytorch中变换维度:reshape,view,permute以及transform的示例

每一次写代码当需要变换维度的时候总会在纠结究竟用哪一种变换维度的函数能够保持自己获得想要的结果，这次于是就举几个简单的例子来对比一下：假设我们有一个矩阵如下所示：a=torch.IntTensor([[[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]]) a是一个[2, 2, 3]的矩阵，如下所示：tensor([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8

2020-09-20 10:18:06 6902

原创多标签分类(五):Learning Spatial Regularization with Image-level Supervisions for Multi-label Image Classif

使用图像级监督学习空间正则化以进行多标签图像分类文章来自于2017年的CVPR摘要多标记图像分类是计算机视觉中一项基本而又具有挑战性的任务,近年来，标签间语义关系的研究取得了很大进展。但是，传统的方法无法对多标签图像中标签之间的底层空间关系进行建模，因为通常没有标签的空间标注.在本文中，我们提出了一个统一的深度神经网络，该网络仅利用图像级别的监督即可利用标签之间的语义和空间关系。对于多标签图像，我们提出的空间正则化网络(SRN)生成所有标签的注意图，并通过可学习的卷积捕获它们之间的基本关系,利.

2020-09-15 19:52:14 1300 2

原创多标签分类(四):Multi-Label Classification with Label Graph Superimposing

基于标签图叠加的多标签分类摘要图像或视频总是包含多个对象或动作。由于深度学习技术的快速发展，多标签识别已经实现了良好的性能.近年来，图卷积网络(GCN)被用来提高多标签识别的性能,然而，标签相关建模的最佳方式是什么，以及如何通过标签系统感知来改进特征学习，目前还不清楚.本文提出了一种标签图叠加框架，从以下两个方面对传统的多标签识别GCN+CNN框架进行改进.首先将统计共现信息构建的标签图叠加到标签知识先验构建的图中，建立标签相关性模型，然后对最终叠加的图进行多层卷积，实现标签的嵌入抽象...

2020-09-12 16:59:08 5484 3

原创多标签分类(三): Multi-Label Image Recognition with Graph Convolutional Networks

基于卷积网络的多标签图像识别摘要多标签图像识别的任务是预测图像中出现的一组目标标签。由于目标通常同时出现在图像中，为了提高识别性能，需要对标签依赖进行建模。为了捕获和探索这种重要的依赖关系，我们提出了一种基于图卷积网络(Graph Convolutional Network GCN)的多标签分类模型。该模型在对象标签上构建了一个有向图，其中每个节点(标签)用标签的单词嵌入表示，GCN学习了如何将这个标签图映射到一组相互依赖的对象分类器中,这些分类器应用于由另一子网提取出来的图像描述符，使整个网络具有

2020-08-31 20:30:13 8036 7

原创多标签分类(二)：Deep Learning with a Rethinking Structure for Multi-label Classification

深度学习与反思结构的多标签分类摘要多标签分类（MLC）是一类重要的机器学习问题，涉及广泛的应用程序，每个应用程序都可能要求不同的评估标准。在解决MLC问题时，我们通常希望学习算法能够考虑到标签之间隐藏的相关性来提高预测性能，提取标签之间隐藏的相关性通常是一项艰巨的任务。在这项工作中，我们提出了一种新颖的深度学习框架，以借助递归神经网络中的内存结构更好地提取隐藏的相关性。存储器将临时猜测存储在标签上，并有效地使框架能够在做出最终预测之前重新考虑猜测的优劣和相关性。此外，通过重新考虑（Rethinki

2020-08-10 13:21:39 2263 3

原创多标签分类（一) | CNN-RNN: A Unified Framework for Multi-label Image Classification

CNN-RNN:一种统一的多标签图像分类框架摘要虽然深度卷积神经网络(CNNs)在单标签图像分类方面取得了巨大成功，但需要注意的是，现实世界的图像通常包含多个标签，这些标签可以对应于一幅图像中不同的物体、场景、动作和属性，传统的多标签图像分类方法是对每个类别学习独立的分类器，并对分类结果进行排序或阈值设定。这些技术虽然执行的很顺利，但是不能明确的利用图像中的标签依赖关系。在本文中，我们利用递归神经网络(RNNs)来解决标签依赖关系的问题。结合CNNs，本文提出的CNN-RNN框架学习一个联合图像-标

2020-08-06 20:31:24 7312 8

weixin_43436958的博客