- 博客(82)
- 收藏
- 关注
RSS订阅原创 vue 八股
view-modal通过双向数据绑定把view和model层连接起来，view和model之间的同步工作是完全自动的，无需人为干涉，因此开发者只需关注业务逻辑，不需要手动操作dom，不需要关注数据状态的同步问题，复杂的数据状态维护完全由mvvm来统一管理。audio：音频，autoplay-如果有，就续后马上播放，controls-如果有，向用户显示控件，loop-如果有，结束时重新播放，preload-如果有，在页面加载时进行加载，并预备播放，src-音频url。
2023-08-31 19:47:23
573
原创 vue深入组件
和透传属性的区别：props是 需要定义的，使用对象形式进行声明时，需要声明类型，父组件向子组件传递的props，子组件可以在根元素和根元素内的元素中使用props，而透传的属性不需要定义，当一个组件以单个元素为根作渲染时，透传的 attribute 会自动被添加到根元素上。局部注册的组件需要在使用它的父组件中显示导入，并且只能在该父组件中使用，能使组件之间依赖关系更明确，对打包时的自动移除也更友好。对于domponents对象里面的属性，key是注册的组件名，值是相应组件的实现。使用字符串数组或者对象。
2023-08-31 19:46:40
624
1
原创 react 大杂烩
1.跳过组件的重新渲染：当一个组件重新渲染时，React 会递归地重新渲染它的所有子组件，通过useCallback包装的function，可以保证它在重新渲染是相同的function。useState的唯一参数是state变量的初始值，state变量保存上次渲染的值，state setter函数更新state并触发react重新渲染组件。setState是异步的，虽然时间很短，但不足以在上一行代码设置，下一行代码就使用，即state 的值始终”固定“在一次渲染的各个事件处理函数内部。可以是任意类型的值。
2023-08-31 11:18:55
1397
原创 hooks练习
如果使用changeText1，每次ispress改变，就会执行useeffect里面的操作，然后就会调用changText1函数，如果不用usecallback的话，每次调用的changeText1都是新的函数，又会执行useeffect里面的操作，又调用新的changeText1。7.实现一个自定义组件，这个组件没啥功能，但可以添加子组件，使用方式如下：希望实现的功能时，在你的页面中嵌套使用5个该组件（涉及到children的使用），并在每一层组件中都读取最外面页面中的一个值并打印出来。
2023-08-31 11:15:36
150
原创 React和Redux中的不变性
通过.map遍历每个item，找到要修改的对象，复制这个对象并对副本进行修改，作为一个新的对象返回，最后map返回一个新的数组，需要筛选则使用.filter。通过.map来遍历每个item，找到要修改的item，使用返回值作为这个item新的值，最后map返回一个新的数组，需要筛选则使用.filter。对象和数组存储在内存中，当重新分配变量时，变量会指向新的内存地址，但如果仅改变变量的内部结构，变量仍指向相同的地址，地址里面的内容发生变化。（2）更新对象最顶层的属性时，需要复制现有的state，通过…
2023-08-31 11:11:59
812
原创 npm、yarn、pnpm
它是 yarn 在安装依赖包时，自动生成的一个文件，作用是记录 yarn 安装的每个 package 的版本，保证"package.json"依赖安装的版本和实际的版本是一致。（3）由于使用了符号链接和硬链接，pnpm可以规避windows操作系统路径过长的问题，因此，它选择使用树形的依赖结果，有着几乎完美的依赖管理。当x.y.z的情况下：表示是一个明确的版本号当^x.y.z的情况下：表示是x版本保持不变，y和z永远是最新的当~x.y.z的情况下：表示的是x和y是保持不变的,z永远是最新的。
2023-08-31 11:09:52
1045
原创 javascript
在函数func1中定义了函数func2，内部函数func2可以引用外部函数func1的参数和局部变量，当func1返回函数func2时，相关参数和变量都保存在返回的函数中，当func2在func1外被调用时，就会形成闭包。表示0个或1个字符，{n}表示n个字符，{n,m}表示n-m个字符，[] 表示范围，()表示要提取的分组。（2）setInterval在制定的时间内，重复执行一段代码，也不是百分百准时的，当与某些耗时的代码配合使用，会存在执行累计的问题，会等耗时结束以后，一起一个或者多个执行定时器。
2023-08-31 11:08:49
132
原创 vue基础
修改了响应式state时，dom会自动更新，但不是同步的，会在nexttick更新周期中缓冲所有状态的修改，确保不管进行了多少次状态的修改，每个组件都只被更新一次。在组件的props列表中声明要传递的值，当这个值被传递给props时，将成为该组件实例的一个属性，可以像其他组件属性一样，在模版和组件的this上下文中访问。要使用一个子组件，需要在父组件中导入它，同时要将导入的组件暴露给模版，需要在components上注册这个组件，这个组件会以注册时的名字作为模版中的标签名。
2023-08-30 20:03:16
516
原创 Virtual ChIP-seq: predicting transcription factor binding by learning from the transcriptome
本文开发了虚拟chip-seq，整合了基因表达和结合的关联信息，使用了来自其他细胞类型的TF结合位点，以及新细胞类型中染色质可及性数据，能够预测新细胞类型中单个TF的结合。该方法优于仅基于序列偏好预测TF结合的方法，预测了36个TF的结合(MCC > 0.3)。
2022-10-30 22:34:46
259
1
原创 Cost-effectiveness of paclitaxel-coated balloon angioplasty and paclitaxel-eluting stent implantatio
药物涂层球囊（DCB）血管成形术治疗冠状动脉支架内再狭窄（ISR）具有安全性和有效性，但成本效益是未知的。
2022-09-16 11:38:54
679
原创 Cost-Effectiveness of Paclitaxel-Coated Balloon Angioplasty in Patients With Drug-Eluting Stent Rest
药物洗脱支架 (DES) 支架内再狭窄 (ISR) 具有重大经济影响，突出了对具有成本效益的治疗策略的需求。
2022-09-16 11:24:32
358
原创 Cross-species regulatory sequence activity prediction
文章使用深度神经网络来学习人类和小鼠极影数据的序列，并提高了对保留序列的基因表达预测准确性。同时使用迁移学习，使得小鼠调节模型能够分析与分子表型、疾病相关的人类遗传变异。
2022-08-01 18:53:12
341
原创 Basset: learning the regulatory code of the accessible genome with deep convolutional neural network
文章介绍了一个开源软件包Basset，使用CNN网络，从基因组数据中学习DNA序列的功能性活动。该软件包提供了一种计算方法来注释和解释非编码基因组，可以对感兴趣的细胞类型中进行单个测序分析，了解细胞染色质的可访问性编码，注释基因组中的每个突变，以及这个突变对当前可访问性和潜在可访问性的影响。...
2022-07-17 21:16:46
990
原创 LanceOtron: a deep learning peak caller for ATAC-seq, ChIP-seq, and DNase-seq
ATAC-seq、ChIP-seq 和 DNase-seq 是基因组识别中重要的DNA编码元素，这些元素在分析覆盖轨迹的模拟信号中表现为峰值。本文提出了一个基于深度学习的峰值调⽤框架 LanceOtron，使用深度学习图像识别的方法来识别峰值形状，来进行富集测量。...
2022-07-10 19:55:09
526
1
原创 Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and
文章首先从双层优化的角度统一表示了超参数优化、多任务和元学习等复杂学习和视觉问题，建立了一个基于最佳响应的单层重构和一个统一的算法框架，来制定一个基于梯度的双层优化方法，最后讨论了该框架的潜力和未来研究方向。...
2022-06-15 16:58:19
718
原创 AdaBins: Depth Estimation using Adaptive Bins
文章的核心思想是，对传统的编码器—解码器体系结构的输出进行全局统计分析，并使用以最高分辨率运行的学习后处理构建块来细化输出。对于处理模块的构建，引入了transformer结构，并通过与cnn的结合，提出了Adabins模型，在单目深度估计上具有一定的优越性。...
2022-06-14 19:39:45
1179
原创 Joint Extraction of Retinal Vessels and Centerlines Based on Deep Semantics and Multi-Scaled Cross-T
本文提出了一种深层语义和多尺度的跨任务聚合网络，能够关联视网膜血管分割和中心线的提取两个任务，以此来共同提高两个任务的性能。网络有两个子网络。前端是一个深层语义聚合子网络，聚合了强大的语义信息，为两个任务生成了更强大的特征，而尾部是一个多尺度跨任务聚合子网络，探索互补信息以优化结果。...
2022-06-12 15:21:01
321
原创 Towards Open World Object Detection
作者提出了一个新的领域：Open World Object Detection，该任务定义为：1. 测试集中可能出现未知类别的物体，网络需将其识别为unknown类别 ；2. 如果之后给出某个未知的标签，需要网络能够增量学习新的类别。...
2022-06-11 14:55:01
1236
原创 Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
摘要过去的目标检测都严重依赖设置密集的目标候选框（如Faster R-CNN），比如对特征图（HW）每个像素设置k个anchor boxes，这样就会有成千上万个acnhors（HW*k），这样过于低效。因此作者提出一种稀疏的anchor设置方法，设置N个可学习的object proposals，用于检测头的分类和位置检测。Sparse RCNN避免了人工设置候选框的大量超参数以及多对一的正负样本分配。更重要的是，最终的预测结果可以直接输出而不需要NMS(非极大抑制)。论文地址：Sparse R-CNN
2022-05-22 20:09:28
899
原创 Swin Transformer V2: Scaling Up Capacity and Resolution
摘要在本文中，作者提出了将Swin Transformer缩放到30亿个参数的技术 ，并使其能够使用高达1536×1536分辨率的图像进行训练。通过扩大容量和分辨率，Swin Transformer在四个具有代表性的视觉基准上创造了新的记录：ImageNet-V2图像分类的84.0%top-1 准确度，COCO目标检测上的63.1/54.4box / mask mAP ，ADE20K语义分割的59.9 mIoU ，以及Kinetics-400视频动作分类的86.8%top-1 准确度。论文地址：Swin
2022-05-17 16:57:09
1153
原创 PolyLoss: A Polynomial Expansion Perspective of Classification Loss Functions
摘要在分类问题中，常使用Cross-entropy loss和Focal loss。通过泰勒展开来逼近函数，作者提出了一个简单的框架，称为PolyLoss，将损失函数设计为多项式函数的线性组合。PolyLoss可以让Polynomial bases（多项式基）根据目标任务和数据集进行调整，同时也可以将上述Cross-entropy loss和Focal loss作为PolyLoss的特殊情况。PolyLoss在二维图像分类、实例分割、目标检测和三维目标检测任务上都明显优于Cross-entropy los
2022-05-08 17:14:27
2120
2
原创 Path Aggregation Network for Instance Segmentation
摘要论文提出了一种称为PANet（Path Aggregation Network）的能够提升基于proposal的实例分割框架中的信息流的模型。具体通过自下而上的路径增强，在下层用精确的位置信息增强整个特征层次，从而缩短下层和最上层特征之间的信息路径。同时提出了adaptive feature pooling，将feature grid和所有特征层联系起来，使每个特征层的有用信息直接传播到下面的proposal subnetworks。为进一步提高mask prediction能力，创建了一个捕捉每个p
2022-04-24 16:30:04
2247
原创 CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN
摘要本文从网络体系结构的角度出发，提出了跨阶段局部网络（CSPNet）来解决以往工作中需要大量推理计算的问题。本文将问题归结为网络优化中的重复梯度信息。所提出的网络通过从网络阶段的开始和结束集成特征映射来注重梯度的可变性。CSPNet易于实现，并且足够通用，可以处理基于ResNet、ResNeXt和DenseNet的体系结构。网络结构DenseNet图1 DenseNetDenseNet的每个阶段包含一个dense block和一个transition layers（放在两个Dense Bl
2022-04-17 16:03:46
3617
1
原创 Yolov5
摘要Yolov5是一个基于pytorch的在在COCO数据集上进行预训练的目标检测体系结构和模型，是目前一个比较常用的目标检测模型，在现在很多实际项目中，有很好的效果，实用性较强，有模型尺寸小、部署成本低、灵活度高和检测速度快的特点。网络结构Focus：首先将多个slice结果Concat起来，然后将其送入CBL模块中（6.0版本以后替换成6×6卷积层）。CSP1_X：借鉴CSPNet网络结构，该模块由CBL模块、Res unint模块以及卷积层、Concate组成。CSP2_X：借鉴CSPNet
2022-04-10 16:22:57
9341
原创 Genetic determinants of co-accessible chromatin regions in activated T cells across humans
摘要基因变异能够影响顺式调控元件（如启动子）的活动，导致特定细胞类型中的基因表达变异，可能造成疾病。论文研究了天然遗传变异如何单独条件或者协同调节顺式调控元件，从而影响基因表达。一些名词启动子：基因的一部分，控制基因表达（转录）的起始时间和表达的程度，启动基因转录。终止子：终止转录。外显子：真核细胞的基因在表达过程中能编码蛋白质的核苷酸序列，在蛋白质生物合成过程中被表达为蛋白质。SNP：在基因组水平上由单个核苷酸的变异所引起的DNA序列多态性。可由单个碱基的转换(transition)或颠换(t
2022-04-02 17:15:14
303
原创 DNABERT: pre-trained Bidirectional Encoder Representations from Transformers model for DNA-language
摘要为了解决传统语言难以捕捉DNA语义之间信息的问题，文章提出了一个新颖的预训练双向编码表示DNABERT，通过上下文信息对DNA序列进行全局或者迁移分析。通过实验表明，模型能够在众多下游任务上达到SOTA水平，并且，DNABERT可以直接对核苷酸分子的重要性进行排名，分析输入序列上下文之间的关系，从而获得更好的可视化信息和精确的motifs提取。方法输入将序列转化成k-mer的token表示作为输入，token还包含一个CLS标记（表示整个句子含义的标记）、一个SEP标记（句子分隔符）和MASK
2022-03-27 16:16:31
3557
原创 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
摘要BERT的全称为Bidirectional Encoder Representation from Transformers，是一个预训练的语言表征模型。它采用新的masked language model（MLM），能生成深度的双向语言表征。预训练后，只需要添加一个额外的输出层进行fine-tune，就可以在各种各样的下游任务中取得state-of-the-art的表现。在这过程中并不需要对BERT进行任务特定的结构修改。模型结构BERT利用MLM进行预训练并且采用深层的双向Transforme
2022-03-20 17:13:17
4468
原创 A Survey on Vision Transformer(2/2)
视频处理高级视频动作：Action Transformer、I3D。视频检索：Shao等人提出借助transformer来学习长程的语义信息关联。Gebeur用多模态的Transformer学习不同特征来表示视频内容。视频模板识别：MEGA有效的增强了局部和全局信息的聚合用于捕获更多内容信息；Yin等人则是提出一个时-空Transformer有效聚合了时间和空间的信息有效进行3D视频中的目标检测任务。多任务学习：借助两个在ImageNet上预训练后的网络提取场景特征和目标特征，然后将不同任务的Tr
2022-03-13 20:56:11
4671
原创 A Survey on Vision Transformer(1/2)
摘要Transformer是一种基于自注意力机制的深度神经网络，最初被用于NLP，后逐步被应用于计算机视觉任务中去。论文探讨了Transformer的主干网络、高/中级视觉处理、低级视觉处理及视频处理，对高效Transformer、实际部署和其核心机制self-attention进行了探讨。最后对Transformer存在的挑战和未来方向进行了展望。论文地址：A Survey on Vision Transformer介绍Transformer的主要特点是使用了自注意力机制，最先用于NLP领域的机器
2022-03-06 19:09:27
834
原创 Attention Pooling-based Convolutional Neural Network for Sentence Modeling
摘要文章提出了一种基于注意力机制的池化方法，解决了最大池化会丢失信息的问题。同时提出了一种基于该池化方法的，结合了BLSTM和CNN的模型APCNN，使句子向量同时包括前向，后向，和局部信息。文章地址：Attention Pooling-based Convolutional Neural Network for Sentence Modeling方法模型的总体结构如图1。图1 APCNN 的架构。BLSTM 用于在池化阶段获得注意力权重，用于将局部表示组成句子表示。虚线表示中间句子表示也将在
2022-02-25 18:33:51
3356
4
原创 Predicting mRNA Abundance Directly from Genomic Sequence Using Deep Convolutional Neural Networks
摘要文章提出了一种优化的卷积神经网络，可以通过mRNA levels来预测蛋白质levels，证明了基因之间较大比例的变异，相对于它们的稳态 mRNA 表达水平来说，是可以通过基因组序列的特征中预测的。模型结构网络结构：如图1。由两个顺序卷积层和最大池化层组成，然后是输出神经元之前的两个全连接层，总共包含 112,485 个参数。超参数如图2。图1 网络结构图2 超参数输入：TSS （转录起始点）上游 7 kb 到下游 3.5 kb 的区域。输出：mRNA水平超参数搜素：使用了
2022-02-20 18:34:47
786
原创 Dynamic Convolution: Attention over Convolution Kernels
摘要文章提出的动态卷积能够根据输入，动态地集成多个并行的卷积核为一个动态核，可以提升模型表达能力而无需提升网络深度与宽度。通过简单替换成动态卷积，MobileNetV3-small取得了2.3%的性能提升且仅增加了4%的FLOPS，在COCO关键点检测任务中取得了2.9MAP性能提升。文章地址：Dynamic Convolution: Attention over Convolution Kernels方法动态卷积的目标是在在网络性能与计算负载中寻求均衡，主要是通过多卷积核融合提升模型表达能力。所得
2022-02-13 15:50:50
1998
原创 Cross-stitch Networks for Multi-task Learning
摘要对于使用多任务学习模型来学习不同的任务时，每个任务最适合的共享层数不完全一样。因此针对不同的多任务学习，我们需要根据任务需求设计不同的共享层。故文章提出了一种称为“十字绣”单元的共享单元，使用多任务学习来学习卷积网络中的共享表示，通过端对端的学习来自动决定共享层。方法文章提出了十字绣单元，主要用于卷积网络，该单元主要是试图找到用于多任务学习的最好的共享表示。为了限制文章范围，故此处只讨论相同单一输入的任务，如输入一张图片。考虑一个输入同一张图像、有A和B两个任务，和两个单独训练的网络，然后使用十
2022-01-23 15:28:11
2770
原创 SNR: Sub-Network Routing for Flexible Parameter Sharing in Multi-Task Learning
摘要当任务相关性较低时，经典的多任务神经网络的准确性可能会显着下降。但手动调优的方法是不可扩展的，软参数共享模型要么不够灵活要么计算成本高。因此论文提出了一种称为子网络路由 (SNR) 的新框架，以实现更灵活的参数共享，同时保持经典多任务神经网络模型的计算优势。SNR 将共享的低级隐藏层模块化为多层子网络，并控制子网络与可学习的潜在变量的连接，以实现灵活的参数共享。方法子网模块化将整个神经网络模型拆分成某种形式的子网络，允许不同的任务利用不同的子网络。提出了图1中的两种分子网及互相routing的方
2022-01-16 13:17:09
1224
原创 Pale Transformer: A General Vision Transformer Backbone with Pale-Shaped Attention
摘要为了降低全局自注意力引起的二次计算复杂度，各种方法将注意力范围限制在局部区域内以提高其效率。因此，它们在单个注意力层中的感受野不够大，导致上下文建模不足。为了解决这个问题，文章提出了一种Pale-Shaped的自注意力（PS-Attention），它在pale-shaped的区域内执行自注意力。与全局自注意力相比，PS-Attention 可以显著降低计算和内存成本。同时，它可以在与以前的局部自注意力机制相似的计算复杂度下捕获更丰富的上下文信息。基于 PS-Attention，文章提出了一个具有层次结
2022-01-09 19:50:27
1157
3
原创 SwinIR: Image Restoration Using Swin Transformer
摘要图像复原的主要任务是根据低质量图像还原高质量图像。文章提出了一种基于swin Transformer的模型来对图像进行复原，该模型主要包含三个部分：浅层特征提取、深层特征提取和高质量图像重建。该模型具有更少的参数和更优的性能。论文地址：SwinIR: Image Restoration Using Swin Transformer模型方法模型结构如图1。主要由三个部分组成：层特征提取、深层特征提取以及高质量图像重建模块。对于不同任务而言，所提方案的区别主要在于重建模块。图1 网络模型结构
2022-01-02 13:34:13
3645
2
原创 Differential expression analysis for sequence count data
摘要高通量测序分析以计数数据的形式提供定量读数。为了正确推断此类数据中的差分信号并具有良好的统计能力，需要估计整个动态范围内的数据可变性和合适的误差模型。文章提出了一种基于负二项分布的、方差和均值通过局部回归联系起来的方法。研究背景DNA 片段的高通量测序用于一系列定量分析。这些检测的一个共同特征是它们对大量 DNA 片段进行测序，这些片段反映了例如生物系统的 RNA 分子库（RNA-Seq [ 1 , 2 ]）或核苷酸结合分子的 DNA 或 RNA 相互作用区域。通常，这些reads会根据它们与目标
2021-12-19 22:06:27
668
原创 YOLOX: Exceeding YOLO Series in 2021
摘要该文章主要是对YOLO系列进行了构建了一种新的高性能检测器YOLOX。本文将YOLO检测器调整为了Anchor-Free形式并集成了其他先进检测技术(decoupled head、label assignment SimOTA)取得了SOTA性能。论文地址：YOLOX: Exceeding YOLO Series in 2021方法文章选择了YOLOv3、Darknet53作为出发点，对模型进行了改进。基线模型采用了DarkNet53骨干+SPP层(YOLOv3-SPP)。Decoupled
2021-12-12 16:38:38
3114
原创 MetaFormer is Actually What You Need for Vision
摘要在Transformer中，早期人们发现是其中的注意力机制起了很重要的作用，但后续其他的研究发现除了注意力模块，其他模块也能起到一定的作用。所以文章提出了：其实这些具体的模块并不重要，Transformer的成功来自于其整体架构。论文地址：MetaFormer is Actually What You Need for Vision方法论文提出了叫PoolFormer的模型，整体结构和其他模型类似，只是将token mixer的部分替换为pool池化层。如图1。图1池化算子的描述如下：
2021-12-05 20:13:43
767
原创 Masked Autoencoders Are Scalable Vision Learners
摘要添加链接描述本文提出了一种用于计算机视觉的可扩展自监督学习方法：MAE（Masked Autoencoders，掩膜自编码器）：掩蔽输入图像的随机区块并重建丢失的像素。两个核心理念为：非对称的编码-解码架构：编码器的输入为没有被mask的子块；解码器为轻量级（解码器仅在图像重建的预训练中起作用，因此解码器设计可以独立于编码器，且灵活和轻量级），输入为编码器的输入和被mask部分的位置信息，输出为待重建的丢失像素的值。高比例mask情况下的自监督：高比例指75%；作者认为这对计算机而言不容易，但
2021-11-28 20:55:44
2555
1
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