Java面向对象编程高阶（三）
文章浏览阅读341次，点赞29次，收藏33次。e、发现Math类中所有的属性和方法都被static修饰，那么不能创建对象去调用，只能通过类名.属性名、类名.方法名去调用。final修饰变量：既可以修饰成员变量，也可以修饰局部变量。此时的“变量”其实就是“常量”，一旦赋值就不可更改。c、里面的属性全部被final修，方法也是被final修饰，只是省略不写，因为子类没有必要重写。b、Math类没有子类，不能被其他的类继承。final修饰的方法：表示此方法不能被重写。final可以修饰的结果：类、方法、变量。final修饰的类：表示此类不能被继承。_java nscp
web自动化测试平台开发之核心执行器
文章浏览阅读2.1k次，点赞126次，收藏93次。pytest_args是一个pytest（Python的测试框架）中的选项，用于在运行pytest命令时传递额外的命令行参数给测试运行器。它可以接受一个字符串列表，允许用户自定义pytest的配置，例如指定测试套件、过滤特定测试模块、设置环境变量等。
Java面向对象编程高级-枚举类（四）
文章浏览阅读817次，点赞82次，收藏72次。枚举类型本质上也是一种类，只不过是这个类的对象是有限的、固定的几个，不能让用户随意创建。枚举类的例子举不胜举:星期: Monday(星期-)…Sunday(星期天)性别:Man(男)、Woman(女)月份:January(1月)…December(12月)季节:Spring(春节)…Winter(冬天)三原色:red(红色)、green(绿色)、blue(蓝色)支付方式:Cash(现金)、WechatPay(微信)、Alipay(支付宝)、BankCard(银行卡)
MySQL索引、B+树相关知识总结
文章浏览阅读591次，点赞72次，收藏50次。在 B+树中，非叶子节点不存储数据，只存储键值，这意味着非叶子节点可以拥有更多的键，从而有更多的分叉。这导致树的高度更低，进一步降低了查询时磁盘 I/O 的次数，因为每一次从一个节点到另一个节点的跳转都可能涉及到磁盘 I/O 操作。
学习记录——Octave Convolution、LSK
文章浏览阅读391次。本文介绍了八度卷积的概念，它通过两个单独的路径处理高频和低频信息，优化了卷积过程。同时，文章详细阐述了Large Selective Kernel Network (LSKNet)的设计，该网络能动态调整感受野，以适应遥感物体检测中的背景信息需求。LSKNet结合了大核选择子块和前馈网络子块，用于提高检测准确性。
学习记录——TransNormerLLM、SRFormer、PLG-ViT、EfficientViT
文章浏览阅读849次。本文介绍了Transformer在多个方向的最新进展，包括TransNormerLLM的大规模参数优化，通过线性注意力和闪电注意力提升速度和效率；SRFormer在图像超分辨率中的应用，使用置换自注意力实现高效大窗口处理；PLG-ViT提出了并行局部和全局自注意力的轻量级架构；以及EfficientViT，通过级联群注意力模块实现内存高效的视觉Transformer。
我的创作纪念日——256天
文章浏览阅读320次。最终我选择了 CSDN，一来是因为 CSDN 对 Markdown 语法的支持较为全面，UI 外观也比较符合我的审美；二来是之前学习的时候也经常在 CSDN 上查找资料（CSDN 的 SEO 优化做的不错）。事实上最开始我根本不指望我的博客有多少人看，主要是想找一个好的保存 Markdown 笔记的平台。成就就是没啥成就，也不送个csdn VIP会员啥的，发了这吗多。其实我是把写博文当成了我记笔记的工具。为和我同一个学习阶段的朋友提供帮助。记录自己学习生活中学到的知识。希望以后能成为大佬！
学习记录——SegNetr、EGE-UNet、R2AU-Net、PHNet、CFNet
文章浏览阅读936次。本文探讨了U型网络的最新进展，包括SegNetr的局部-全局交互与信息保留跳跃连接，EGE-UNet的高效组增强结构，R2AU-Net的注意力循环残差机制，以及PHNet的2.5D卷积和多层置换感知器在医疗图像分割中的应用。这些创新提升了模型的性能，降低了计算复杂性，尤其在皮肤病变和医学图像分割领域表现出色。
学习记录——FLatten Transformer
文章浏览阅读779次。本文介绍了FLatten Transformer，一种在视觉Transformer中使用聚焦线性注意力的方法，旨在解决Transformer在视觉任务中计算量过大的问题。通过分析现有线性注意力的不足，提出聚焦函数和矩阵秩恢复模块，实现性能提升和更快的推理速度。
学习记录——FeatEnHancer
文章浏览阅读1.1k次。一种适用于任意低光照任务增强方法ICCV 2023 提出了FeatEnHancer，一种用于低光照视觉任务的增强型多尺度层次特征的新方法。提议的解决方案重点增强相关特征，通过提供强大的语义表示，使其优于现有的低光照图像增强方法。该方法不仅改进了单个特征的质量，而且还有效地结合了来自不同尺度的特征，确保在诸如物体检测和分割等任务上达到更好的性能。 FeatEnHancer的模块，该模块借鉴了多头注意力机制，层次性地结合多尺度特征。这种方法确保了网络能够提取更具代表性和判别行的增强特征。具体地，该方法着眼_featenhancer: enhancing hierarchical features for object detection and beyon
学习记录——Efficient MOdel轻量化主干模型（iRMB、EMO）、CATnet
文章浏览阅读1.1k次。本文介绍了结合CNN与Transformer的倒残差移动模块iRMB，以及以此构建的轻量化主干模型EMO。iRMB通过级联Expanded Window MHSA和Depth-Wise Convolution，兼顾全局与局部信息。EMO模型仅由iRMB组成，适用于移动端应用。同时，文章探讨了用于远程感知图像实例分割的CATnet，通过DenseFPN、SCP和HRoIE模块进行多尺度上下文聚合。
学习记录——关UNet、特征图add、cat、相乘、三个 注意力
文章浏览阅读685次。本文介绍了UNet网络结构及其在医学图像识别中的应用，探讨了特征图的add、cat和相乘操作在融合信息中的作用，以及各自优缺点。通道注意力、空间注意力和坐标注意力机制在捕捉图像关键信息方面的角色也被阐述。
学习记录——VAN LKA、LSKA
文章浏览阅读1.1k次。本文介绍了一种新型的大核注意力模型LKA，结合了卷积和自注意力的优点，同时解决了自注意力在通道适应性上的不足。LKA在视觉任务中展现出了高效性能，通过深度卷积、扩张卷积和点卷积实现局部结构信息和长程依赖。此外，LSKA提出将深度卷积分解为一维卷积，减少计算和内存需求，适用于大卷积核的注意力设计。
学习记录——MC-Net
文章浏览阅读370次。MC-Net是一种解决编码器-解码器卷积神经网络在医疗CT图像分割中丢失细节问题的网络，通过多尺度信息和上下文注意力模块提取目标的局部和全局语义信息。它包括MFE模块学习多尺度特征，CIE模块提取上下文信息，RA模块进行像素重加权，以及FFD模块进行快速特征解码。SPConv单元则用于处理特征冗余，提高分割准确性。
学习记录——StyleGAN2+SA-UNet
文章浏览阅读383次。文章介绍了通过StyleGAN2生成图像并结合SA-UNet模型改进视网膜图像分割的方法。作者利用DRIVE数据集训练StyleGAN2，再用生成的图像和SA-UNet进行分割，通过迭代训练提高分割精度。SA-UNet融合了U-Net、SD-UNet和空间注意力块，避免过拟合并采用DropBlock增强模型。工作流程包括用原始数据训练SA-UNet，用StyleGAN2生成图像，再次训练并微调。
BUG记录——ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.26‘ not found
文章浏览阅读122次。最后我发现我的bug定位到了导入 scipy这个包这一行了， 我就把这个包卸载了重装了个低版本的 直接解决了。网上看了很多博客都没解决。
我的创作纪念日——365天
文章浏览阅读390次。最终我选择了 CSDN，一来是因为 CSDN 对 Markdown 语法的支持较为全面，UI 外观也比较符合我的审美；二来是之前学习的时候也经常在 CSDN 上查找资料（CSDN 的 SEO 优化做的不错）。收获就是真的没啥收获啊！发了这吗多，也不送个csdn VIP会员什么的。以后可以找个出卖肉体的地方！（想歪了吧，希望以后可以找个好工作！主要还是想找一个好的保存 Markdown 笔记的平台。当记笔记了，忙的时候很多也没记，，，记录自己学习生活中学到的知识。练习自己的语言组织能力。成就当然是没啥成就。
BUG记录——drawio出现“非绘图文件 (error on line 7355 at column 83: AttValue: ‘ expected)”
文章浏览阅读1.9k次，点赞8次，收藏10次。当时突发奇想 我把后面这几行替换了 试了一下，结果真的就好了。这只是我自己摸索到的解决办法并不一定适用于所以人，对我是适用的。可以看到最后一行的代码时不完整的，具体怎么改当时我也不知道。首先用记事本打开损坏的drawio文件，如下。之后我用记事本打开了一个正常的文件，如下。把损坏文件里的最后2行替换掉。用正常文件里的最后四行，如下。_drawio非绘图文件
学习记录——BiSeNet V2
文章浏览阅读1k次，点赞18次，收藏19次。BiSeNet V2 是一种针对实时语义分割任务的高效架构，通过分离空间细节和高级语义处理以平衡精度和速度。它包括细节分支和语义分支，后者采用轻量级设计。一个引导聚合层用于融合两种类型的特征表示，提升性能。在cityscape测试集上，BiSeNet V2 达到72.6%的Mean IoU，速度为156 FPS，优于现有方法。
学习记录——BiFormer
文章浏览阅读1.1k次，点赞17次，收藏24次。BiFormer是一种新型的视觉Transformer，它引入了双电平路由注意力（BRA）机制，以动态、查询感知的方式实现内容感知的稀疏模式。BRA通过在粗粒度区域级别过滤不相关键值对，然后在细粒度的令牌级应用注意，降低了计算负担和内存占用。实验表明，BiFormer在图像分类、目标检测和语义分割等任务中表现出高性能和高计算效率。
今日推荐
周排行