默_silence-CSDN博客

原创春节后的初雪

我看过一把扇子全是文字，合上以后是一把空白的扇子，它只有在折的地方才有信息。平坦处被我忘记，折痕处才是人生冬天的雪是天上揉碎的云回家的那天下起了大雪，打不到车，蹒跚的走在可以盖过鞋的雪上。路上已经没有行人和车辆了，十字路口只有街灯亮着，好像是一座无人的雪城我是那种因为一点小细节就能感到很幸福的人

2024-03-02 19:39:21 104

key和value的步长为2，query的步长为1，key和value的token数量减小了4倍，所以后续的多头注意力计算花销也减小了4倍。使用步长大于1的卷积进行多头注意力的投影，减小后面注意力的计算花销。基于滑动窗口的多头注意力，是在每个窗口内计算注意力。)，使用三个标准卷积进行投影 ( 大小为。)，和三个系数矩阵相乘 ( 大小为。)相乘，得到多头注意力的结果 (个patch，通道维度为。个patch，维度是。卷积进行卷积投影，有。经过MLP投影层 (

2023-05-28 22:09:26 1281

原创 RuntimeError: CUDA error: no kernel image is available for execution on the device

RuntimeError: CUDA error: no kernel image is available for execution on the device

2023-03-07 20:02:08 613 1

原创论文解析[11] CAT: Cross Attention in Vision Transformer

使用图像patch来替换transformer中的word token所需要的计算量是巨大的。在本论文中，我们在Transformer中提出了一种新的注意机制，称为交叉注意力。在图像patch内部而不是整张图像中捕获局部信息，在单通道特征图中的图像patch之间捕获全局信息。两个操作都比Transformer中的标准自注意力有更少的计算量。通过在patch内和patch间交替应用注意力，我们实现了交叉注意力以更低的计算代价保持性能，构建了一个称为交叉注意力Transformer（CAT）的分层网络。

2023-03-05 14:02:33 1191

原创论文解析[10] Contextual Transformer Networks for Visual Recognition

论文解析[10] Contextual Transformer Networks for Visual Recognition在这项工作中，我们设计了一个新颖的Transformer风格的模块，即Contextual Transformer (CoT) block，用于视觉检测。这样的设计充分利用了输入keys之间的上下文信息来指导动态注意力矩阵的学习和增强视觉表现能力。在技术上，CoT块通过一个3×3卷

2022-12-27 14:43:47 1206 1

原创论文解析[9] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

论文解析，Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

2022-12-16 15:56:26 505

原创论文解析[8] TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

关于TransUNet论文的论文解析，《TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation》

2022-12-03 23:13:18 637

原创论文解析[7] AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE

关于vision transformer的一篇论文解析，《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》

2022-12-02 16:49:31 747

原创论文解析[6] Transformer: Attention Is All You Need

关于Transformer的一篇论文解析: Attention Is All You Need。# 摘要主要的序列转录模型是基于复杂的循环或卷积神经网络，包括一个编码器和解码器。表现最好的模型也通过一个注意力模块连接编码器和解码器。我们提出了一个新的简单网络结构，transformer，仅仅基于注意力机制，完全摒弃了循环和卷积。## 3.1 编码器和解码器编码器：包括6个一样的层，每层有两个子层，第一个子层是一个多头自注意力模块，第二个子层是一个全连接网络。每个子层的输出为LayerNorm(x

2022-11-10 21:46:48 553

原创论文解析[5] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation

提出了nnU-Net（no-new-Net），一个可以自动适应于任何数据集的框架。我们做了一个最先的尝试使必需的adaption过程自动化，例如预处理、精确的patch大小、根据数据集的性质推断设置等。nnU-Net去掉了在资料中经常提出的结构上华而不实的东西，仅依赖于嵌入在强健的训练方案中的一个简单的U-Net结构。

2022-11-05 21:54:12 430

原创 opencv PIL读取图像得到的图像格式

关于opencv基础的读取图像、显示图像、写入图像，以及对应的读取格式，rgb和bgr，还有读取的通道顺序HWC

2022-10-23 10:48:34 2733 2

原创论文解析[4] UNET 3+: A FULL-SCALE CONNECTED UNET FOR MEDICAL IMAGE SEGMENTATION

关于医学图像分割领域的模型，UNet3+，使用了全尺度的跳跃连接和深度监督。全尺度的跳跃连接包含了低水平的细节和高水平的语义。深度监督从全尺度的特征图上学习了分层表示。除了准确率的提升，还减少了网络参数来提升计算效率。作者进一步提出了一个混合损失函数和一个分类引导模块，来增强图像的边界和减少对于非器官图像的过度分割。

2022-10-22 13:23:55 2736

原创机器学习特征缩放

机器学习中用到的特征缩放

2022-10-18 22:12:20 649

原创论文解析[3] U-Net and its variants for Medical Image Segmentation : A short review

论文解析，本论文是一篇使用U-Net及其变形进行医学图像分割的简短综述，文中给出了关于医学图像分割逐步发展的俯瞰图，也讨论了深度神经网络的挑战和成功。在本文的最后我们将会看到医学图像分割（medical image segmentation，MIS）目前的挑战和未来的方向。

2022-09-24 10:48:43 962

原创论文解析[2] UNet++: A Nested U-Net Architecture for Medical Image Segmentation

UNet++：一种更有效的医学图像分割结构。它是一种深度监督的编码-解码器网络，编码器和解码目前图像分割性能最好的模型都是编码器-解码器结构的变形，像U-Net和FCN。跳跃连接，它可以将解码器的深层、语义、粗粒度特征图和编码器的浅层、低水平、细粒度特征图结合。跳跃连接在恢复目标物体细粒度细节、生成分割掩膜方面被证明是有效的。它也是instance-level分割模型成功的基础但是分割医学图像中的病变和异常需要比自然图像中更高的准确率。为了解决需求，我们提出了UNet++，一种基于嵌套和稠密跳跃连接的结构。

2022-09-17 11:02:11 2245

原创论文解析[1] U-Net: Convolutional Networks for Biomedical Image Segmentation

解析图像分割领域的经典论文，U-Net: Convolutional Networks for Biomedical Image Segmentation提出了一种网络结构：包括一条收缩路径（用于特征提取）和一条对称的扩展路径（用于获取精确的像素定位）。- 这种网络只需要很少的图像进行训练，- 在 ISBI 分割挑战上超过了先前最好的方法。- 运行速度很快，在单显卡上分割一张512*512大小的图像仅需不到一秒。

2022-09-07 22:29:50 1172

原创 acwing 第 31 场周赛

题目传送门链接：https://www.acwing.com/activity/content/competition/problem_list/86/4200. 简单问题#include <bits/stdc++.h>using namespace std;int main(void){ int t, p = 1001, a, b; for (int i = 0; i < 4; i++) { cin >> t; p

2021-12-25 21:10:10 421

原创 leetcode 11. 盛最多水的容器

题目传送门链接：https://leetcode-cn.com/problems/container-with-most-water/题干题解之前做过类似的题目，是用单调栈来解决的，后来看到题解，发现是有更简单的双指针做法，自己的脑子还是很愚钝 Orz双指针 l 和 r，此时盛水容量为 min(height[l],height[r])∗(r−l)min(height[l], height[r]) * (r-l)min(height[l],height[r])∗(r−l)假设此时，heigh

2021-12-22 19:52:49 441 2

原创 acwing 第30场周赛

题目传送门链接：https://www.acwing.com/activity/content/85/4197. 吃苹果#include <bits/stdc++.h>using namespace std;int main(void){ int n, h, t, res = 0; cin >> n >> h; for (int i = 0; i < n; i++) { cin >> t;

2021-12-19 15:22:25 400

原创 leetcode 8. 字符串转换整数 (atoi)

题目传送门链接：https://leetcode-cn.com/problems/string-to-integer-atoi/题干题解看到了题解用python正则表达式可以一行解决QAQ下面的代码是C语言的暴力做法Codeclass Solution {public: int myAtoi(string s) { long long res = 0; bool start = false; int sign = 1; // 符号位

2021-12-18 16:10:21 4153

原创 leetcode 6. Z 字形变换

题目传送门链接：https://leetcode-cn.com/problems/zigzag-conversion/题干题解自己的方法是先实现对应的Z字形数组，再对逐个字符进行连接。比较复杂，调了很长时间看到了题解的方法，才知道可以简单很多，刷完题还是要及时看题解其实不需要开一个char数组，可以开一个string数组，每次把当前字符加到当前的行即可最后答案可以直接逐行相加Code自己的方法：class Solution {public: char arr[1005][1

2021-12-18 13:19:41 396

原创 leetcode 7. 整数反转

题目传送门链接：https://leetcode-cn.com/problems/reverse-integer/题干题解我的方法是首先记录数字的正负，再把数字取绝对值按位将数字翻转，并且每次都判断数字是否大于 INT_MAX / 10，如果大于说明会溢出，此时返回0即可Codeclass Solution {public: int reverse(int x) { int f = 0; if (x < 0) f = -1;

2021-12-18 11:52:54 216

原创 leetcode 20. 有效的括号

题目传送门https://leetcode-cn.com/problems/valid-parentheses/题干题解利用栈的思想，如果栈顶元素和当前元素可以匹配，就弹出，否则入栈最后判断栈是否为空即可Codeclass Solution {public: bool isValid(string s) { stack<char> stk; int n = s.size(); for (int i = 0; i &lt

2021-12-13 12:19:24 3998

原创 leetcode 807. 保持城市天际线

题目传送门链接：https://leetcode-cn.com/problems/max-increase-to-keep-city-skyline/题干题解记录下来每行和每列的最大值x[i], y[i]最后可以增加的高度就等于 min(x[i], y[j]) - grid[i][j]Codeclass Solution {public: int maxIncreaseKeepingSkyline(vector<vector<int>>& grid

2021-12-13 11:58:25 200

原创 leetcode 911. 在线选举

题目传送门链接：https://leetcode-cn.com/problems/online-election/题干题解每个测试用例会最多调用 10410^4104 次查询，每次查询时刻 ttt 时票数最多的人可以知道，如果 t 时刻没有投票，那么时刻 t 的答案就是前一次投票时的答案如果时刻 t 投票了，那么答案就是此次投票的答案使用 upper_bound 函数查询大于 t 的时间序号 idx，times[idx-1] 时刻票数最多的人就是答案Codeclass TopVote

2021-12-11 15:00:33 3569

原创对图片进行奇异值分解（SVD）

矩阵 AAA 为一个 m×nm×nm×n 的矩阵，对于矩阵 AAA 的 SVDSVDSVD 为：A=UΣVTA=UΣV^TA=UΣVTUUU 为 m×mm×mm×m，ΣΣΣ 为 m×nm×nm×n，VVV 为 n×nn×nn×nUUU 和 VVV 是正交矩阵，ΣΣΣ 是奇异值组成的对角矩阵Σ=diag(σ1,σ2,...,σp) st.

2021-11-24 22:01:33 2272

转载超有爱的并查集~（转载）

此文章是我初学并查集时看的一篇文章，感觉写的非常好，但是原文链接好像已经打不开了作者：飘过的小牛原文：https://blog.csdn.net/niushuai666/article/details/6662911例子就是杭电上的畅通工程：http://acm.hdu.edu.cn/showproblem.php?pid=1232首先在地图上给你若干个城镇，这些城镇都可以看作点，然后告诉你哪些对城镇之间是有道路直接相连的。最后要解决的是整幅图的连通性问题。比如随意给你两个点，让你判断它们是否连通

2021-11-21 18:41:32 92

对于物理层时延的总结.txt

空空如也