坐标1-based和0-based

最新推荐文章于 2023-11-20 11:16:01 发布
最新推荐文章于 2023-11-20 11:16:01 发布
阅读量1k 收藏
点赞数
分类专栏： 生物信息 文章标签： 记录
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/geekfocus/article/details/120033533
版权
本文详细介绍了UCSC Genome Browser中1-base和0-base两种坐标系统的概念，包括它们如何定义区间（如[3,7] vs [2,7]），以及常见的文件格式如SAM、BAM和BED各自采用的坐标体系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

The UCSC Genome Browser Coordinate Counting Systems

“1-start, fully-closed” = coordinates positioned within the web-based UCSC Genome Browser.
“0-start, half-open” = coordinates stored in database tables.

1-base 系统：
序列的第一个碱基是1，区域是一个闭区间，例如第3个到第7个碱基表示为[3,7]。SAM，GFF和WIG格式用的就是1-base坐标系统。

0-base 系统：
序列的第一个碱基是0.在此系统中碱基区域是由半闭半开区间表示的，例如第3个到第7个碱基表示为[2,7）。BAM，BED和PSL格式用的是0-base坐标系统。

目标检测-Anchor-based和Anchor-free笔记
qq_53000090的博客
08-07 444
anchor point：是feature map中的每个像素点的坐标（亚像素）-->不是真的像素，比如20*20的特征图一个1*1的格子就是一个像素，但这个各自内部有点，是亚像素。80*80+40*40+20+20=8400，例如yolov8，相较于yolov5少了2/3的预测框。anchor的宽高是一个先验信息：根据经验或者聚类计算数据集的真实框的宽高。yolov5输出的是bbox的中心点坐标偏移量和bbox的宽高因子。一般说的anchor指的是只有宽高的信息。
model-based强化学习入门
小星AI
10-09 5332
参考视频：周博磊强化学习纲要 阅读本文前需要对强化学习model-free领域有一定的了解，可以查看我之前的文章：《强化学习实践教学》，《强化学习纲要（周博磊课程）》 之前介绍的算法例如DQN，DDPG，PPO都是**model-free（无模型）**的，这也是比较多人的研究领域，这些算法是智能体直接和环境互动获得数据，不需要拟合环境模型，智能体对环境的认知只能通过和环境不断大量的交互来实现。这样做的优点是通过无数次与环境的交互可以保证智能体得到最优解。往往在游戏这样的没有采样成本的环境中都可以用model
1_base.apk.1
01-16
1_base.apk.1
Chromosome coordinate systems: 0-based, 1-based
weixin_34054931的博客
05-13 207
From: https://arnaudceol.wordpress.com/2014/09/18/chromosome-coordinate-systems-0-based-1-based/   I’ve had hard time figuring out that different website and file formats are using different system...
0-based or 1-based：VB6各种index小结（持续更新中）
04-23 2281
版权声明：可以任意转载，转载时请务必以超链接形式标明如下文章原始出处和作者信息及本声明作者：xixi出处：http://blog.csdn.net/slowgrace/archive/2009/04/23/4102056.aspx总是被各种index是0-based还是1-based整得头晕，每次都得费不少时间去查，索性做个小结在这里。学到新的就添进来，遇到旧的就到这里来查:)
生物信息中坐标文件到底是0-based 还是 1-based？
zhu_si_tao的博客
02-11 1269
生物信息中坐标文件到底是0-based 还是 1-based？常见的坐标文件0-based1-based 常见的坐标文件 常见的坐标文件包括BAM，SAM，VCF, GFF, BED,等 生物信息文件UCSC参考 0-based 0起始的坐标系统，表示序列的第一个碱基的坐标是0，这类坐标的区间特点是左闭右开，例如3rd 到7th表示为[3,7)。这类文件包括BAM (SAM), BCFv2, BED和PSL格式的文件。 1-based 1-based 坐标系统序列的第一个碱基编号为1，在这个坐标系统中，一个
Remember that ordinal parameters are 1-based 问题
qihaihui的专栏
08-16 524
1. 如果PO类没有加Entity和Table的annotation，也会引发此错误， 2. 如果PO类没有放到spring配置的annotatedClasses里，也会提示此错误。
Tutorial on Event-based Camera.pdf
11-10
事件相机（Event-based Camera）是一种新兴的传感器技术，它与传统相机的工作方式截然不同。传统相机通过固定时间间隔输出图片，而事件相机则能够以微秒级的分辨率异步地输出事件。事件相机的出现是为了解决传统基于...
Coordinates-Based Disentangled Pose Network for Real-Time RGB-Based 6-DoF Object Pose Estimation笔记
hankexin1314的博客
11-11 1120
文章目录1. 摘要2. Introduction3. 方法3.1 框架rotationtranslation3.2 Dynamic Zoom In3.3 Continuous Coordinates RegressionCoordinates-Confidence MapMasked Coordinates-Confidence LossBuilding 2D-3D Correspondences...
Flow-based学习笔记
lllsy_12138的博客
05-12 1954
Flow-based 学习笔记 flow-based的生成效果虽然不如GAN，但他已经非常接近GAN，足够惊艳。 流模型是一种比较独特的生成模型——它选择直接直面生成模型的概率计算， 要知道现阶段其他较火的生成模型，要么采用优化上界（VAE）或采用对抗训练的方式（GAN）去避开概率计算，从而寻找近似逼近真实分布的方法，但是流模型选择了一条硬路（主要是通过变换Jacobian 行列式）来求解，在后文会详细介绍。 1. 生成模型 在讲述Flow-based模型之前，首先介绍一下生成模型要解决什么问题： 如上图
base.apk.1
08-08
base.apk.1
2_base.apk.1
07-01
2_base.apk.1
11_base.apk.1
05-27
11_base.apk.1
1_base.apk.1.1
09-16
1_base.apk.1.1
base(1).apk
05-29
京东贴蛋糕小助手
ansible基本用法1_base
zuopiezia的博客
09-15 368
ansible-doc 是关于查看ansible 相关命令，日常运用的非常多 相当于man help ansible-doc 相当于man help ansible-doc --help Usage: ansible-doc [options] [module...] Options: -h, --help show this help message and exit # shellcheck disable=SC2215 -l, --list
基因组坐标系统的 0-based 和 1-based（图文详解）
Baimoc
11-20 1193
基因组坐标中的 “0-based” 和 “1-based” 是两种不同的规范，用于表示基因组上的位置。它们在不同的上下文和文件格式中可能会有不同的使用方式。
漫话：如何给女朋友解释为什么计算机从0开始计数，而不是从1开始？
weixin_43167418的博客
07-13 532
当我们想要写一个循环体，期望执行10次的时候，我们会使用以下方式：for(inti=0;i<10;i++){ } 可以看到，为了保证循环10次，我们定义了一个整数变量从0...
NVMe协议详解（一）
热门推荐
zz2633105的博客
09-16 1万+
讲解NVMe协议部分内容~~~
anchor-based和anchor-free 原理
最新发布
03-21
### Anchor-based与Anchor-free目标检测方法的原理区别及实现机制 #### 1. **Anchor-based 方法** Anchor-based 是传统的目标检测框架的核心部分之一，它通过预先定义一组锚框（anchors），这些锚框覆盖图像的不同位置、尺度和宽高比例。具体来说： - 锚框是基于网格划分的方式生成的一组候选框，通常会设置多种尺寸和宽高比以适应不同大小的对象。 - 对于每个锚框，模型需要预测该框是否包含对象以及如何调整边界框的位置和形状以便更好地匹配真实对象。 - 这种方法依赖于大量的手工设计参数，比如锚框的数量、尺度和宽高比等。 这种方法的优点在于能够很好地处理多尺度和多样化的物体形态[^1]。然而，它的缺点也很明显：由于引入了大量的超参数配置，增加了调参难度，并且计算量较大，尤其是在密集采样情况下。 #### 2. **Anchor-free 方法** 相比之下，Anchor-free 方法摒弃了传统的锚框概念，转而采用更加灵活的设计思路来定位目标。以下是两种主流类型的描述： - **KeyPoint-based 方法** 此类方法首先识别出一些特定的关键点作为参考依据，再由这些关键点推导出整个包围盒的信息。例如 CornerNet 使用两个角点（左上角和右下角）表示矩形区域；ExtremeNet 利用极端点（最顶端、底端、左侧、右侧）加上中心点共同界定目标范围[^3]。 - **Center-based 方法** 另一类则是围绕着目标中心展开分析的技术路线——即把注意力集中在目标所在位置附近的像素或者特征图单元格之上。一旦确认某个地方属于某物的心脏地带，则只需额外估计四条边距即可重建完整的边界框数据结构。像 CenterNet 就采用了这种方式，在热力图中寻找峰值对应潜在实例并完成后续操作[^4]。 总体而言，Anchor-free 方案简化了许多复杂度高的环节，降低了人为干预程度的同时提升了系统的鲁棒性和效率表现[^5]。 ```python import torch.nn as nn class SimpleAnchorFreeDetector(nn.Module): def __init__(self, num_classes=80): super(SimpleAnchorFreeDetector, self).__init__() # 假设输入为C×H×W形式的feature map self.class_head = nn.Conv2d(256, num_classes, kernel_size=1) # 预测类别得分 self.reg_head = nn.Conv2d(256, 4, kernel_size=1) # 回归偏移向量 def forward(self, x): cls_pred = self.class_head(x).sigmoid() # 类别概率分布 reg_pred = self.reg_head(x) # 边界框回归值 return cls_pred, reg_pred ``` 以上代码片段展示了一个简单的 anchor-free 检测器架构雏形，其中卷积层分别负责分类任务与坐标修正工作。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值