- 博客(23)
- 收藏
- 关注
RSS订阅原创 【软件测试】基本知识3
①常见项目回归：项目本次发布新增2个模块，最基本要测新增模块功能及新增模块关联的旧模块。面试题：发现缺陷后，首先应该怎么办？----确定缺陷可复现，确定是bug。回归bug：上一个版本发现的缺陷，开发修复完毕，在下一个版本进行重新验证。缺陷的定义：软件在使用过程中存在的任何问题都叫软件的缺陷，简称bug。1、项目管理工具-管理缺陷（禅道, JIRA, TFS）②非常规项目（银行、部队、航天）：新增功能，必须全部复测。提示：知道测试喝开发流程中设计的工作即可。提交时，要检查缺陷是否已存在。
2024-10-12 21:29:06
392
原创 【软件测试】基本知识2
由多个输入条件，多个输出结果，输入条件之间有组合关系，输入条件和输出结果之间。3、如果条件超过4个，就不适合覆盖所有条件，应采用（正交法）来解决。说明：在所有测试数据中，具有某种共同特征的数据集合进行划分。判定表一般适用于条件组合数量较少的情况（比如4个条件以下）针对：需要有大量数据测试输入，但是没法穷举测试的地方。1、多条件之间有依赖关系，使用判定表来进行测试覆盖。- 判定表中贯穿条件项和动作项的一类就是一条规则。2、判定表一般适合4个以内条件依赖关系。典型代表：页面的输入框类测试。
2024-10-12 17:37:59
991
原创 【Linux】常见命令的基本使用2
正则表达式时对字符串操作的一种逻辑公式，就是用实现定义好的一些特定字符及这些特定字符的组合，组成一个‘规则字符串’，这个“规则字符串”用来表达对字符串的一种过滤逻辑。选项 表示建立一个硬链接文件，两个文件占用相同大小的磁盘空间，即使删除了源文件，链接文件还是存在，所以。命令功能非常强大，通常用来在特定的目录下搜索符合条件的文件，也可以用来搜索特定用户属主的文件。查看内容时，在信息过长无法在一屏上显示时，是的用户无法看清文件的内容，此时可以使用。这个命令并没有压缩的功能，它只是一个打包的命令，但是在。
2024-10-09 12:06:34
840
原创 【Linux】常见命令的基本使用1
ls > test.txt ( test.txt 如果不存在，则创建，存在，则覆盖其内容 )Linux允许将命令执行结果重定向到一个文件，本应显示在终端上的内容保存到指定文件中。mv 1.txt 2.txt -> 将文件名为1.txt的文件重命名为2.txt。② Linux系统中没有严格的后缀格式，所以创建文件时可以命名为任意的文件名。注意：>输出重定向回覆盖原来的内容，>>输出重定向则会追加到文件的尾部。ls -a 显示所有文件，包含隐藏文件，隐藏文件是.开头的文件。参数以逐个确认要删除的文件。
2024-10-08 22:33:38
877
原创 【Linux】vim编辑器
vi是的简称，它在Linux上的地位就仿佛Edit程序在DOS上一样。它可以执行输出、删除、查找、替换、块操作等众多文本操作，而且用户可以根据自己的需要对其进行定制。Vi不是一个排版程序，它不像Word或WPS那样可以对字体、格式、段落等其他属性进行编排，它只是一个文本编辑程序。vi没有菜单，只有命令，且命令繁多。
2024-10-08 15:38:40
701
原创 【面试】每日力扣 Day 7 —— 动态规划 1
递归方法通过自顶向下的方式解决问题，而记忆化搜索可以避免重复计算，从而提高效率。这个递归方法虽然直观，但由于时间复杂度较高，不适合大规模问题。对于大规模问题，可以考虑使用动态规划或迭代方法来优化。结尾的最长严格递增子序列的长度。通过迭代计算每个位置的最长递增子序列长度，最终得到结果。使用动态规划的思想，但通过优化空间复杂度，只使用了两个变量来存储中间结果。通过迭代计算每个金额的最少硬币个数，最终得到结果。递归方法的思路是，每次爬楼梯时，可以选择爬。阶的方法数，然后通过迭代计算到达第。阶的方法数等于到达第。
2024-09-17 18:46:09
676
原创 【面试】每日力扣题 Day5——二分法 1
这种方法利用了矩阵的有序性，从右上角开始搜索。如果当前元素小于目标值，则向下移动。函数：用于在有序列表中查找插入位置。它返回一个位置，使得插入元素后列表仍然保持有序。如果元素已经存在于列表中，返回它的左侧位置。由于矩阵的每一行是递增的，且每行的第一个数大于前一行的最后一个数，如果把矩阵每一行拼在一起，我们可以得到一个递增数组。这种方法是最直接的，通过遍历整个数组来查找目标值。虽然简单，但时间复杂度为 O(n)，不符合题目要求。：对每一行进行二分查找，查找目标值是否在当前行中。：由于左右元素不相同，因此。
2024-09-16 22:08:24
848
原创 【面试】每日力扣 Day4
给你一个字符串 s，由若干单词组成，单词前后用一些空格字符隔开。返回字符串中最后一个单词的长度。单词是指仅由字母组成、不包含任何空格字符的最大子字符串。示例 1：输入：s = “Hello World”输出：5解释：最后一个单词是“World”，长度为 5。
2024-09-15 21:01:08
835
原创 【面试】每日力扣 Day3
给你一个整数数组 nums，返回 数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积。给定两个整数数组 gas 和 cost ，如果你可以按顺序绕环路行驶一周，则返回出发时加油站的编号，否则返回 -1。// 由于 2 是集合中唯一的数字，getRandom 总是返回 2。你无法返回 2 号加油站，因为返程需要消耗 4 升汽油，但是你的油箱只有 3 升汽油。输入: gas = [1,2,3,4,5], cost = [3,4,5,1,2]
2024-09-08 17:39:40
994
原创 【面试】每日力扣 Day2
方法1（哈希表）通过统计每个元素的出现次数来找到多数元素，适用于需要快速实现的情况，但空间复杂度较高。方法2（排序）通过排序后直接返回中间元素来找到多数元素，适用于数组较小且可以接受排序操作的情况。方法3（Boyer-Moore 投票算法）通过计数器来跟踪候选多数元素，时间和空间复杂度都较低，适用于大多数情况。在实际应用中，方法3（Boyer-Moore 投票算法）通常是最优选择，因为它在时间和空间复杂度上都表现优异。
2024-09-07 17:27:51
764
原创 【面试】每日力扣 Day1
nums 的其余元素与 nums 的大小不重要。解释：函数应返回新长度 length = 7, 并且原数组的前七个元素被修改为 0, 0, 1, 1, 2, 3, 3。输入：nums1 = [1,2,3,0,0,0], m = 3, nums2 = [2,5,6], n = 3。解释：你的函数应该返回 k = 5，并且 nums 中的前五个元素为 0,0,1,3,4。输入：nums = [0,1,2,2,3,0,4,2], val = 2。输入：nums = [0,0,1,1,1,2,2,3,3,4]
2024-09-07 13:47:01
876
原创 【论文阅读】PointVector: A Vector Representation In Point Cloud Analysis
在点云分析中，基于点的方法近年来发展迅速。这些方法最近专注于简洁的MLP结构，如PointNeXt，它已经展示出与卷积和Transformer结构的竞争力。然而，标准的MLP在有效提取局部特征方面存在限制。为了解决这个限制，我们提出了一个向量导向的点集抽象，可以通过高维向量聚合邻近特征。为了便于网络优化，我们构建了一个从标量到向量的转换，使用基于3D向量旋转的独立角度。最后，我们开发了一个遵循PointNeXt结构的PointVector模型。
2023-11-20 21:14:45
430
原创 【论文阅读】 Training Noise-Robust Deep Neural Networks via Meta-Learning
问题背景：标签噪声可能会显著降低深度神经网络的性能。为了训练噪声鲁棒的深度神经网络，损失纠正（LC）方法被引入。LC方法假设噪声标签是由一个未知的噪声转移矩阵T从干净（真实）标签中损坏的。因此，LC方法试图准确地学习这个矩阵T。方法创新：作者提出了一种新的损失纠正方法，称为元损失纠正（MLC），它可以通过元学习框架直接从数据中学习噪声转移矩阵T。MLC 不依赖于先验知识或假设，而是利用一个小的干净验证集来指导T的优化。实验结果。
2023-10-21 21:55:33
39
原创 论文阅读【Exploring Self-attention for Image Recognition】
self-attention可以作为图像识别模型的基本组成部分，本文考虑两种形式：pairwise self-attention和patchwise self-attention。
2023-06-27 18:09:31
386
原创 论文阅读【MM-PCQA: Multi-Modal Learning for No-reference Point Cloud Quality Assessment】
之前的工作，使用单模态信息进行PCQA从二维投影中提取，投影图片包含丰富的纹理和语义信息但高度依赖视点；从三维点云中提取，三维点云对几何畸变更为敏感，对视点不变性。本文提出了一种新的多模式无参考点云质量评估(NR-PCQA)度量将点云分成子模型来表示局部几何失真（基于点），将点云渲染成二维图像投影进行纹理特征提取（基于图像），最后采用对称跨模态注意融合多模态质量感知信息。
2023-06-27 10:08:38
616
原创 论文阅读【Inferring Point Cloud via Graph Similarity】
本文首先通过重采样，获得关键点，从而得到点云骨架，其次构建局部图，然后计算颜色梯度，并将其聚合，最后通过相似度池化得到最后的质量分数。本文首次采用图信号处理技术来获取点云质量，提出了颜色梯度矩阵（零阶矩，一阶矩，二阶矩）。
2023-06-25 18:19:12
185
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