weixin_42432619的博客

原创 LoadMap9：C++的Template模板函数

模板Template和函数重载是实现静态多态的两种重要途径。对于模板而言，其通常用于模板函数和模板类中。

原创 RoadMap8：C++中类的封装、继承、多态与构造函数

在封装中，我们讲解了类和结构体的相似性；在继承中，我们讲解了一般的继承方式和多重继承，进一步地，我们讨论了如何通过虚继承的方式避免继承过程中产生的钻石继承问题；在多态中，我们解释为什么吧多态分为静态多态和动态多态，针对静态多态，我们讲解了函数重载和模板函数两种实现方式，在动态多态中，我们讲解了虚函数的概念；最后，我们就构造函数来讲解类的内存管理问题，具体地，我们主要讲解了：构造函数、拷贝构造函数、拷贝赋值构造函数、移动构造函数、移动赋值构造函数五种类型，在什么情况下会被调用和如何编写这五种构造函数。

原创 RoadMap7：C++构建代码库（命名空间与头文件）

在编写一个项目工程时，显然你大可把所有的代码都写在一个main函数里面，但是这对后续的修改和维护、代码功能的理解会造成很大的不便。构建代码库（Structuring Codebase）是围绕着软件工程处理 **如何清晰地实现代码组织** 和 **如何实现功能模块化需求提出的处理方法。围绕着这个需求，本章内容将着重讲解如何通过命名空间和头文件的方法进行代码组织。

原创 RoadMap6：C++的引用与指针

在本博客中，为了讲述 智能指针这一个概念，我们首先铺垫了一些基础知识，例如变量的声明周期和C++的内存模型，这对于理解内存的释放和局部作用域等概念非常有用。接着我们快速地介绍了引用和原始指针，针对原始指针的内存管理（释放和泄漏问题），我们进一步解释了智能指针，这包括 unique, shared 和 weak指针。其中，我们着重地介绍了shared因为循环引用导致的内存泄漏问题，以及如何使用weak指针避免这个循环引用，使得智能指针能够正确释放！

原创 Python 的多进程与多线程编程（进阶）

本文主要讲解了多线程和多进程的常用方法或者利用进程池、线程池来实现自动管理，也着重讨论了进程间数据共享以及其会导致的数据紊乱的问题，进而我们介绍 进程锁、线程锁、死锁、 等概念来解决这个问题。

原创 Python 的多进程与多线程编程（简单入门）

简单介绍在python环境下多线程和多进程的使用方法。

原创 RoadMap5：C++的数据类型

本文主要C++的基本数据类型如 int, float 等静态数据类型，然后进一步探讨C++中的动态数据类型以及运行时类型辨识（Run-Time Type Identification, RTTI机制）

原创 RoadMap4：C++的函数与lambda函数

本文内容主要学习C++的标准库函数、自定义函数方法以及lambda函数的使用方法。

原创 RoadMap3：C++的基本运算

本文主要介绍C++语言里的几种基本运算，包括：算数运算、逻辑运算、循环与位运算。

原创 RoadMap2：认识C++

本文主要阐述了C/C++的一些特点和差异，里面涉及不少专有名词，现在看不懂没关系，先记一下有这么一回事，后面继续详细展开！

原创 RoadMap1：Windows环境下配置VS Code的C++环境

VSCode只是一款文本编辑器，不仅需要安装对应编程语言的扩展，还需要安装相应的编译器或者解释器。故而需要下载安装MinGW编译器并添加到环境变量。下载地址：https://github.com/Vuniverse0/mingwInstaller/releases参考方法：https://blog.csdn.net/B11050729/article/details/132176767。

原创 从手撸机器翻译 学习原味Transformer

项目目标：目前Transformer凭借着其强大的性能成为机器翻译的主流方法之一。因此，本项目旨在调研综述目前基于Transformer的机器翻译的现状。然后基于Pytorch框架搭建一个Transformer的Baseline网络，同时在数据方面基于CMN中英文口语双语句对数据集进行汉语分词与词典建立，最后对Transformer进行训练。（由于可以计算资源仅有GTX1050Ti，算力有限，仅能抽取少量数据进行训练，故其泛化能力有限，故本报告更多强调实现原理及其可行性）基于Encode-Dec

原创 低科研水平的怪圈

身边的同学发完 ECCV 后又发了 CVPR ，在感叹他人牛逼的同时。其实也反思为什么你我他一天24小时，几乎相同的工作时间都同坐在电脑前。为何 “科研水平” 差距如此之大呢？

原创 通过CVPR21 1650篇文章 快速解读CV大佬们都在做什么！

通过CVPR21 1650篇文章 快速解读CV大佬们都在做什么！

原创 ＜4＞高效解读Swin Transformer

Abstract：ViT(Vision Transformer)在图像大模型领域取得了突破性的进展，然而高昂的计算代价与单一的尺度信息限制了其的推广。Swin Transformer则借鉴了卷积神经网络归纳配置，建立了层级式架构移动窗口的Transformer框架，极大地减少了计算代价并能够完成视觉中稠密预测的任务。Swin Transformer在图像分类(ImageNet-1K),目标检测(COCO)和实例分割(ADE20K)任务上均取得了SOTA的结果。1. Problem and contrib

原创 ＜3＞LSTM(Long Short-Term Memory)原文解读

原文：Long Short-T erm Memory，1997作者：Sepp Hochreiter, Jürgen Schmidhuber1.核心问题：通过循环神经网络学习较长时间间隔的任务通常需要很长的时间，这是因为误差在反传的过程中表现了严重的不充分与衰减（常见就是误差爆炸或者消失，对应的训练结果就是出现严重的权重震荡或者需要很长时间也无法完成训练）。LSTM提出就是为了解决上述问题。2.时变输入循环神经网络的相关研究（这部分描述的较为简略，细节难以把握）：2.1 Gradient-

原创 ＜2＞ BP(Backprop) Algorithm 原文解读

原文：Learning representations by back-propagating errors, 1986作者：David E. Rumelhart*, Geoffrey E. Hintont & Ronald J. Williams*1.目标：使得网络的输出尽可能地接近理想的输出，因此需要调整代表着特征表示的隐藏节点的权重。但是，对于特定的任务哪些隐藏节点所表示的特征才是所希望的很难直接了解。为了在端对端中实现自动的特征选择，因此提出了BP算法。2.算...

原创 ＜1＞ 深度学习文献导读 Overview

上述经典文献快速链接：链接：https://pan.baidu.com/s/19tWkxq2QWLddV-j-FmC9hw提取码：nrb8

原创 基于高斯分布的贝叶斯判别函数对手写数据集分类-python

import numpy as npimport structimport matplotlib.pyplot as pltimport mathfrom sklearn.decomposition import PCA# 训练集文件train_images_idx3_ubyte_file = 'MNIST_data/train-images.idx3-ubyte'# 训练集标签文件train_labels_idx1_ubyte_file = 'MNIST_data/train-labe.

原创 归并排序算法、快速排序算法、插入排序、二分插入排序的C++实现

#include <QCoreApplication>int Rand[1000];int Rank[1000];int Tn = 0;void Merge(int low, int mid, int high){ //主要用于比较[low, mid]-[mid+1, high]两个数组的内容的大小并进行排列 int i = low, j = mid+1, k = low; while (i<=mid && j<=high) {.

翻译 每天一篇小文章 --- 基于边缘引导的图像拼接网络

原文：Edge-guided Composition Network for Image Stitching，2021作者 ：华东师范大学，Qinyan Dai，Faming Fang ∗发表期刊：PATTERN RECOGNITION热身部分：主要介绍一下相关的研究，包括图像拼接的传统方法和基于深度学习的边缘检测方法。传统的图像拼接方法：略基于深度学习的边缘检测： 用于图像超分辨率（image super-resolution）： SeaNet：提出一种...

翻译 每天一篇小文章 --- 基于单应性估计的图像拼接

翻译 每天一篇小文章 --- 使用双编码-解码进行图像拼接

原文：Panoramic Image Stitching Using Double Encoder–Decoders

翻译 每天一篇小文章---交互式小样本学习：有限的监督，更好的医疗图像分割

原文：Interactive Few-shot Learning: Limited Supervision, Better Medical Image Segmentation作者：Ruiwei Feng*, Xiangshang Zheng*, Tianxiang Gao*, Jintai Chen, Wenzhe Wang, Student Member, IEEE, Danny Z. Chen, Fellow, IEEE, and Jian Wu B, Member, IEEE背景：...

翻译 每天一篇小文章---判别器集成学习用于小样本X光胸片诊断

原文：Discriminative ensemble learning for few-shot chest x-ray diagnosis作者：Angshuman Paul ∗, Yu-Xing Tang , Thomas C. Shen , Ronald M. Summers背景：由于医疗影像中，只给出了每种新疾病或新模式的几个样本，这就要求诊断能够从已有的先验知识泛化到类似的少样本任务中。整体解决思路：第一步，使用一个基于CNN的初略学习器（coarse learner）去学习和提取X光胸

原创 环境配置--解决torch.cuda.is_available()返回：False

在网上很多都说是因为pytorch版本和CUDA不匹配造成的，但对于我的情况并不是，而是因为在官网默认下载到了的pytorch是cpu版本（真坑！另外在pycharm默认下载到的pytorch == 1.9.0也是cpu版本，用不了cuda）1. 首先查看CUDA是否安装成功：在终端输入：ncvv --version有CUDA版本返回，证明是安装成功的；2.查看pytorch是否安装成功在终端输入python进入python环境：python然后import...

原创 few-shot learning 基本概念及其网络模型

文章标题：Semi-supervised few-shot learning for medical image segmentation

原创 GANs1-Controllable Generation 可控制生成人脸图像

前述：GANs根据其生成对象的不同可大致分为以下三类：Controllable Generation，Randon Generation和Condition Generation。随机生成不能保证生成对象的方向，而条件生成和可控制生成可以做到（如指定生成一个长毛、黑猫等）。条件生成通常通过可通过热编码的形式，将指定类型加入到噪声中进行训练，并通过指定热编码序列来控制其生成对象。可控制生成是基于随机生成，通过观察生成样本的特征对噪音进行插值或者添加一个分类器进行筛选。 本案例目标：通过训练一个分类器来控..

翻译 每天一篇小文章---基于图像的数据增强方法发展现状综述

原文链接：https://www.hanspub.org/journal/paperinformation.aspx?paperid=40410#f1数据增强，也叫数据增广。数据增强方法的本质实际上是在现有的有限数据的基础上，在不实际收集更多数据的前提下，而让数据产生等价于更大数据量的价值，即根据现有数据样本按照规则生成增量数据的过程。数据增强方法不仅是数据样本量的增多，更多的是数据本身特征的“增强”。 增强方法的使用方式主要被分为两种：离线增强和在线增强。离线增强是指对数据集执行一次性转换，该操作可