<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_55908255的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/m0_55908255</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; m0_55908255]]></copyright><item><title><![CDATA[深入理解 ReAct 模式：基于Spring AI 从0到1实现一个ReAct Agent]]></title><link>https://blog.csdn.net/m0_55908255/article/details/163218941</link><guid>https://blog.csdn.net/m0_55908255/article/details/163218941</guid><author>m0_55908255</author><pubDate>Wed, 29 Jul 2026 21:43:00 +0800</pubDate><description><![CDATA[ReAct是的缩写，即思考 +  行动，是一种基于大语言模型的智能体框架。由Yao等人在2022年提出。与传统大模型“输入问题→直接输出”的黑盒模式不同，ReAct打破了这一限制，让大模型按照[思考 —> 行动 —> 观察]主动规划下一步行动调用外部工具获取实时信息根据反馈调整策略最终输出可靠答案定义一些大模型可调用的工具。这里提供几个基本的计算工具和一个模拟的天气查询工具，通过Spring AI的@Tool注解进行工具声明定义/**]]></description><category></category></item><item><title><![CDATA[Java新特性：record关键字]]></title><link>https://blog.csdn.net/m0_55908255/article/details/161853791</link><guid>https://blog.csdn.net/m0_55908255/article/details/161853791</guid><author>m0_55908255</author><pubDate>Wed, 10 Jun 2026 10:52:53 +0800</pubDate><description><![CDATA[正式推出的关键字，用来快速创建一个「只读、极简、只用来存数据」的类。它的作用：自动生成模板代码，不用写。就是干掉这些重复代码的语法糖。]]></description><category></category></item><item><title><![CDATA[Idea--如何同一个SpringBoot项目复制多次，模拟集群环境]]></title><link>https://blog.csdn.net/m0_55908255/article/details/160879432</link><guid>https://blog.csdn.net/m0_55908255/article/details/160879432</guid><author>m0_55908255</author><pubDate>Fri, 08 May 2026 09:39:16 +0800</pubDate><description><![CDATA[会变成以下界面，多了标红色框部分，在红色框内输入。窗口，选择项目，右键点击。2、弹出窗口，设置新服务名称。可以用这种方法模拟集群环境。]]></description><category></category></item><item><title><![CDATA[【Redis】缓存击穿、缓存穿透的封装]]></title><link>https://blog.csdn.net/m0_55908255/article/details/160782872</link><guid>https://blog.csdn.net/m0_55908255/article/details/160782872</guid><author>m0_55908255</author><pubDate>Tue, 05 May 2026 10:03:49 +0800</pubDate><description><![CDATA[可以使用压力测试工具。]]></description><category></category></item><item><title><![CDATA[【Redis】什么是缓存击穿？]]></title><link>https://blog.csdn.net/m0_55908255/article/details/160745940</link><guid>https://blog.csdn.net/m0_55908255/article/details/160745940</guid><author>m0_55908255</author><pubDate>Mon, 04 May 2026 17:46:13 +0800</pubDate><description><![CDATA[①发起一个查询请求时，首先判断缓存中是否有该数据；②如果缓存中存在，则直接返回数据③如果缓存中不存在，则查询数据库，然后把数据写入到缓存中，最后返回数据了解了上述过程后，下面说说缓存击穿缓存击穿（Cache Breakdown）是指某个热点数据过期失效的瞬间，大量并发请求直接穿透缓存层，同时涌入数据库进行查询的现象。这种突发的高负载可能导致数据库瞬间压力激增，引发系统崩溃其过程如下所示：线程1。]]></description><category></category></item><item><title><![CDATA[【Redis】什么是缓存穿透?]]></title><link>https://blog.csdn.net/m0_55908255/article/details/160744650</link><guid>https://blog.csdn.net/m0_55908255/article/details/160744650</guid><author>m0_55908255</author><pubDate>Sun, 03 May 2026 20:51:00 +0800</pubDate><description><![CDATA[①发起一个查询请求时，首先判断缓存中是否有该数据；]]></description><category></category></item><item><title><![CDATA[SpringBoot3中配置Knife4j]]></title><link>https://blog.csdn.net/m0_55908255/article/details/160239140</link><guid>https://blog.csdn.net/m0_55908255/article/details/160239140</guid><author>m0_55908255</author><pubDate>Sun, 19 Apr 2026 15:30:33 +0800</pubDate><description><![CDATA[Knife4j文档请求异常做项目时容易碰到的两种Knife4j本文主要讲的是依赖版本导致的请求异常。]]></description><category></category></item><item><title><![CDATA[【Java SE】反射详解]]></title><link>https://blog.csdn.net/m0_55908255/article/details/147676244</link><guid>https://blog.csdn.net/m0_55908255/article/details/147676244</guid><author>m0_55908255</author><pubDate>Tue, 17 Mar 2026 09:55:19 +0800</pubDate><description><![CDATA[反射技术中，类的每一个构造器对应一个对象，Constructor 位于类的每一个成员方法对应一个Method对象，Method 位于类的每一个成员变量对应一个Field对象，Field 位于想通过反射获取Person类的构造器（Constructor）、方法（Method）、属性（Field），都需要先获取 Perosn类 对应的Class对象，然后再通过相关API获取 Person类 的 Constructor、Method、Field想通过反射获取Person类。]]></description><category></category></item><item><title><![CDATA[【文献笔记】arXiv 2018 | PointSIFT]]></title><link>https://blog.csdn.net/m0_55908255/article/details/153834286</link><guid>https://blog.csdn.net/m0_55908255/article/details/153834286</guid><author>m0_55908255</author><pubDate>Fri, 24 Oct 2025 18:01:52 +0800</pubDate><description><![CDATA[（Tensorflow版本）本文简单概括一下PointSIFT的主要工作，不会深入讲解各个部分，因为作者给的源码和文中的描述好像是对应不上的，而且只有Tensorflow版本（我只会Pytorch啊）文章的主要亮点是邻点的搜索方法，这个倒是让我眼前一亮，缺陷是它的计算复杂度会很高。]]></description><category></category></item><item><title><![CDATA[【文献笔记】ICLR 2018 | Graph Attention Networks]]></title><link>https://blog.csdn.net/m0_55908255/article/details/153738605</link><guid>https://blog.csdn.net/m0_55908255/article/details/153738605</guid><author>m0_55908255</author><pubDate>Thu, 23 Oct 2025 16:12:45 +0800</pubDate><description><![CDATA[(pytorch版本)通过阅读和石师兄的毕业论文才了解到图注意力机制网络这篇论文，感觉挺神奇的粗读了一下这篇论文的核心贡献，Graph Attention Layer 用点云的角度去理解是非常容易的，在点云邻域的适配度非常高。]]></description><category></category></item><item><title><![CDATA[【文献笔记】CVPR 2019 | GACNet-点云上的图注意力机制网络]]></title><link>https://blog.csdn.net/m0_55908255/article/details/153644552</link><guid>https://blog.csdn.net/m0_55908255/article/details/153644552</guid><author>m0_55908255</author><pubDate>Tue, 21 Oct 2025 21:18:02 +0800</pubDate><description><![CDATA[本文介绍了一种在点云上的图注意力机制网络GACNet，其主要贡献点在于，通过建立每个点与周围点的图结构，并通过引入图注意力机制计算中心点与每一个邻接点的边缘权重，从而使得网络能在分割的边缘部分取得更好的效果左：标准卷积 右：GAC如上图，点1与5个点相邻接，因此点1上的特征由5个邻接点的特征与它自己本身的特征加权得到左图是标准卷积，标准卷积的权重只由邻点的空间位置决定，这会使得点1处学习的特征无法区分和表征其相邻点到底是table还是chair右图是本文的GAC模块。]]></description><category></category></item><item><title><![CDATA[【文献笔记】CVPR 2020 | RandLA-Net]]></title><link>https://blog.csdn.net/m0_55908255/article/details/153343630</link><guid>https://blog.csdn.net/m0_55908255/article/details/153343630</guid><author>m0_55908255</author><pubDate>Thu, 16 Oct 2025 10:08:38 +0800</pubDate><description><![CDATA[(Tensorflow版)(Pytorch版，选择gather分支)下采样方法使用随机采样。]]></description><category></category></item><item><title><![CDATA[【文献笔记】AAAI 2018 | DGCNN]]></title><link>https://blog.csdn.net/m0_55908255/article/details/152557967</link><guid>https://blog.csdn.net/m0_55908255/article/details/152557967</guid><author>m0_55908255</author><pubDate>Sun, 05 Oct 2025 23:13:32 +0800</pubDate><description><![CDATA[(原作者，Pytorch版只实现了分类模型)(更推荐，其他人实现的Pytorch版，包含分类、部件分割、语义分割)DGCNN是点云邻域比较经典的论文，引用量高达8000+。这篇论文的核心方法本身是不难的，但论文写的有点晦涩，刚开始看可能会觉得看不懂，建议粗读一遍论文然后看一遍源码，源码的实现很简洁清晰，这样理解起来会比较容易一点。]]></description><category></category></item><item><title><![CDATA[【文献笔记】NeurIPS 2022 | PointNeXt]]></title><link>https://blog.csdn.net/m0_55908255/article/details/152508562</link><guid>https://blog.csdn.net/m0_55908255/article/details/152508562</guid><author>m0_55908255</author><pubDate>Sat, 04 Oct 2025 16:43:57 +0800</pubDate><description><![CDATA[PointNet++是点云最具影响力的模型之一，其地位相当于2D中的ResNet。尽管PointNet++的精度已被PointMLP和等最近的网络在很大程度上超越，但作者作为PointNet++的潜力未被完全挖掘（确实是这样，PointNet++的模型结构简单，但又非常work）作者通过改进训练策略，即数据增强和优化技术，显著提高了PointNet++的性能。比如说，在不改变架构的情况下，PointNet++在对象分类上的整体准确率（OA）可以从原始的77.9%提高到。]]></description><category></category></item><item><title><![CDATA[【文献笔记】remote sensing 2024 | PointStack]]></title><link>https://blog.csdn.net/m0_55908255/article/details/152315504</link><guid>https://blog.csdn.net/m0_55908255/article/details/152315504</guid><author>m0_55908255</author><pubDate>Wed, 01 Oct 2025 18:26:56 +0800</pubDate><description><![CDATA[现有的点云特征学习模型的Encoder几乎都是不断作下采样邻居分组邻域特征学习特征聚合（通常是最大池化）。但是这种处理过程会出现两个问题：（1）不断下采样导致损失大量细粒度信息（2）最大池化完全抛弃了非最大值点的特征由于 (1)(2) 导致现有模型无法有效的表征点云的全局语义特征和局部上下文信息。而PointMLP为了挽救这种问题，在源码中作了以下实现（但在PointMLP的原始论文中并未提及，这不是偷偷加trick吗）：PointMLP将Encoder所有Stage。]]></description><category></category></item><item><title><![CDATA[关于在点云中应用注意力机制]]></title><link>https://blog.csdn.net/m0_55908255/article/details/152281762</link><guid>https://blog.csdn.net/m0_55908255/article/details/152281762</guid><author>m0_55908255</author><pubDate>Tue, 30 Sep 2025 10:12:31 +0800</pubDate><description><![CDATA[大多数点云分割模型的Encoder可以概括为下采样分组邻居局部特征提取特征聚合（最大池化、平均池化、求和等），而很多的模型会在局部特征提取模块中使用注意力机制，例如APES（Attention-Based Point Cloud Edge Sampling） 等等本文将用点云数据来解释注意力机制，讲解注意力机制的大致流程①置换不变性：注意力权重是基于点积计算的，与点的输入顺序无关，完美契合点云的无序性②局部上下文感知：每个点不再孤立，其新特征融入了邻域内所有点的信息③。]]></description><category></category></item><item><title><![CDATA[【文献笔记】CVPR 2023|Attention-Based Point Cloud Edge Sampling]]></title><link>https://blog.csdn.net/m0_55908255/article/details/152009988</link><guid>https://blog.csdn.net/m0_55908255/article/details/152009988</guid><author>m0_55908255</author><pubDate>Wed, 24 Sep 2025 16:03:26 +0800</pubDate><description><![CDATA[优点能够有效采出点云数据的边缘点分类任务性能优越不足没有设计出一个更好的上采样方法，导致分割任务的性能略低只考虑了边缘特征，没有利用其他几何特征。]]></description><category></category></item><item><title><![CDATA[【文献笔记】CVPR 2022 | EQ-Net]]></title><link>https://blog.csdn.net/m0_55908255/article/details/151932514</link><guid>https://blog.csdn.net/m0_55908255/article/details/151932514</guid><author>m0_55908255</author><pubDate>Wed, 24 Sep 2025 08:30:33 +0800</pubDate><description><![CDATA[这篇文章提出了一个新的点云模型的范式，之前的点云模式大多都是。但我整篇文章读下来我感觉与没有那么大的区别，而且EQ-Paradigm 参数量暴涨，训练起来非常占GPU显存。还有就是官方给的代码很难看懂，好像并没有整合出一个完整的模型代码，所以不建议复现这篇论文。]]></description><category></category></item><item><title><![CDATA[【文献笔记】ICCV 2021 | Point Transformer]]></title><link>https://blog.csdn.net/m0_55908255/article/details/151800467</link><guid>https://blog.csdn.net/m0_55908255/article/details/151800467</guid><author>m0_55908255</author><pubDate>Thu, 18 Sep 2025 17:06:51 +0800</pubDate><description><![CDATA[作者提到，特别适合点云处理，因为自注意力机制是的核心，本质上就是一个集合算子：它对输入元素具有顺序不变性和数量不变性3D点云是无序的，即使改变点云txt文件中的点顺序也不会有任何影响。自注意力机制天然具有排列不变性，因为它通过对所有"点对"的关系进行建模来处理输入，而不依赖于任何特定的输入顺序点云数据通常覆盖了3D空间中的对象或场景，理解这些数据需要捕捉点与点之间复杂的空间关系。自注意力机制能够有效的捕捉这些关系，因为它为每个"点对"赋予一个。]]></description><category></category></item><item><title><![CDATA[【文献笔记】CVPR 2019 | RS-CNN]]></title><link>https://blog.csdn.net/m0_55908255/article/details/151725234</link><guid>https://blog.csdn.net/m0_55908255/article/details/151725234</guid><author>m0_55908255</author><pubDate>Tue, 16 Sep 2025 09:47:36 +0800</pubDate><description><![CDATA[(本文的很多内容基本转载此博客)这篇文章的核心之处是使用方式提取邻点的特征，加强模型对于局部邻域特征的提取能力，和PointWeb的核心思想比较类似，当然设计强大的局部特征提取器已经是前几年点云的比较热门的研究方向了，现在点云领域的热门研究方向很多都是少样本任务嵌入语言大模型这些方面。]]></description><category></category></item></channel></rss>