m0_68503034的博客

原创 java0基础第五章程序控制结构

day19程序控制结构1.介绍2.单分支2.1代码显示2.2结果显示2.3流程3.双分支3.1具体代码3.2结果显示3.3流程4.多分支4.1具体代码4.2结果显示4.3更细节的练习代码4.4结果显示5.嵌套分支5.1代码显示5.2结果显示6.switch分支介绍6.1具体代码6.2结果显示

原创 java0基础，运算符章节总结

day19运算符总结1.练习2.章节总结

原创 java0基础学习进制转换与位运算

day17进制的转换1.其他进制转10进制2.10进制转其他进制3.2进制转8进制和16进制4.8进制和16进制转2进制5.位运算day181.原码反码补码（重点重点重重点）2.位运算符2.1代码显示2..2结果显示2.3练习代码显示（算术右移除法，算数左移乘法）2.4 结果显示

原创 java0基础学习

day15赋值运算符和三元运算符赋值运算符代码细节：结果显示：三元运算符：代码细节：结果显示：代码细节：结果显示：运算符优先级：day16标识符和进制标识符键盘输入语句代码细节：结果显示：进制的学习代码细节：结果显示:进制的转换：

原创 java0基础学习运算符

具体包括：代码细节：结果显示：代码细节：结果显示：代码细节：结果显示：相关要求：代码细节：结果显示：相关细节：代码细节：结果显示：

原创 变量章节总结

原创 java0基础学习数据类型转换和练习总结

代码实现：结果显示：代码实现：结果显示：代码：结果显示：字符串转为char：代码：本章作业：Homework01代码细节：结果显示：Homework02代码细节：结果显示：Homework03代码细节：结果显示：Homework04代码细节：结果显示：

原创 java0基础学习字符类型与编码表

代码细节： 结果显示：代码细节：输出结果：

原创 java0基础学习数据类型

输出结果：

原创 java0基础学习3

作业：

原创 java0基础学习

day3编译与运行day4转义符与注释

原创 java零基础学习笔记

day1：3.28day2：3.29

原创 利用latex编辑论文出现的问题

原因是根路径没有xxx.bst文件，在一些期刊的模板中会将该文件放置于根路径下的一个文件夹中。，再用编译一遍bibTex编译一遍，最后再编译一遍pdfLatex。1.2参考文献没序号，文章中引用文献生成PDF有问号（？要求找到这样的文件，位于模版中bst文件夹中。将其复制到tex文件同一文件中。

原创 利用AutoDL跑通lite_hrnet

从mmpose config 下复制个__base__（https://github.com/open-mmlab/mmpose/tree/master/configs/_base_/）粘贴到缺失的位置即可。将models/backbones/litehrnet.py中的@BACKBONES.register_module()根据查找结果，重新安装mmcv和mmpose，将mmcv版本改为1.6.0，没有出现问题了。改为@BACKBONES.register_module(force=True)

原创 Can relearning local representation help small networks for human pose estimation?精简版

由于关键点是小目标，人体姿态变化大，关键点的局部信息点，特别是局部结构之间以及局部结构与全局结构之间的相互依赖性，对于合理推断人的结构是重要的。是一种多层特征同步学习的注意机制，它将下层的局部信息与深层的远程信息整合在一起进行学习，可以更好地引导深层骨干网络重新学习局部表示和高层特征，以关注小目标区域。在感受野的变化中可以看出，随着网络的加深，感受野变大，网络在深层卷积中更加关注图像的全局信息。的缺点，因为它们仍然仅使用来自单个卷积层的特征，并且不考虑人体的整体结构与局部结构的空间关系。

原创 Can relearning local representation help small networks for human pose estimation?

呈现出来的准确率存在差异，这是因为在输入尺寸较大的情况下，相对于输入尺寸较小的情况，相邻两个阶段之间的图像感知信息的感受野变化较小。提出了一种多层特征同步学习的注意机制，它将下层的局部信息与深层的远程信息整合在一起进行学习，可以更好地引导深层骨干网络重新学习局部表示和高层特征，以关注小目标区域。由于关键点是小目标，人体姿态变化大，关键点的局部信息点，特别是局部结构之间以及局部结构与全局结构之间的相互依赖性，对于合理推断人的结构是重要的。不同深度的通道特征，在正常的卷积学习过程中同时看到不同视场的图像。

原创 轻量化模块介绍

Mobilenet v1是Google于2017年发布的网络架构，旨在充分利用移动设备和嵌入式应用的有限的资源，有效地最大化模型的准确性，以满足有限资源下的各种应用案例。分析了ShuffleNet v1和MobileNets V2在GPU和ARM上的耗时分布，从图中可看出Conv操作占了其时间的绝大多数，但Elemwise/Data IO等内存读写密集型操作也占了相当比例的时间，因此，我们在设计网络的时候，不仅要考虑Conv的个数也要考虑其他操作。如上表所示，第一层是标准卷积，然后后面是前述的瓶颈结构。

原创 运行yolov5的总结

运行yolov5的总结