anything segment笔记 论文
状压 DP 学习笔记
前言 2023.8.30 开始停课集训。 开始补 \(CSP-S\) 的知识点，先打算来学状压 \(DP\)。 定义 状压 \(DP\) 的全称是状态压缩动态规划，也是动态规划中的一种。但是其与普通 \(DP\) 不同的是它将某种状态（一般为二进制 \(01\) 串，\(1\) 表示选，\(0\) ......
矩阵学习笔记
前言 蒟蒻刚刚开始学矩阵，有些东西可能理解得不是特别好。 矩阵的定义 在 \(c\)++ 中，矩阵其实就是一个 \(n*m\)，可以做运算的二维数组。也是运算的中的一种基本单位。 特殊的矩阵 在矩阵的运算过程中，可能会用到一些特殊的矩阵的名称，以下是比较常见的一些特殊矩阵： 同型矩阵：两个矩阵，行数 ......
分块学习笔记
定义 分块是一种将一些东西分成若干块的一种思想，有分块，数论分块（可能不太算），树分块等等。而分块的这种思想可以优化时间复杂度，一般情况下为 \(O( \sqrt n)\)，具体取决于块长的大小。 分块 对数组是分块当中最简单一种。首先我们设块长为 \(s\)，那么数组一共就被分成了\(n/s\) ......
Tarjan 学习笔记
这里讲一下 \(tarjan\) 算法。主要包括有向图的强连通分量，无向图的边双连通分量与点双连通分量以及缩点。 有向图的强连通分量 首先我们需要了解几个定义。（以下说法均针对有向图） 连通分量：在一个块中，任意两个点之间能够互相到达。即 \(u\) 能到 \(v\)，\(v\) 也能到 \(u\) ......
Dijkstra学习笔记
模板题：P4779 Dijkstra算法 \(Dijstra\)算法是一种求解非负权图上单源最短路径的算法，这种算法不可以解决负环问题。 做法 首先要定义松弛操作。对于一条边（\(u,v\)），松弛操作对应下面的运算：\(dis_{v}\) = \(dis_{u}\) + \(w_{u,v}\)。 ......
ST表学习笔记
模板题：P3865 定义 \(ST\)表是一种解决可重复贡献的问题的数据结构。可重复贡献问题大致指，对于一种运算，重复这种运算并不影响最终的答案，比如\(max(a,a) = a\)，\(gcd(a,a) = a\)。常见的可重复贡献问题有：区间\(max\)，区间\(min\)，区间\(gcd\) ......
c#学习笔记-------------------------readonly修饰符
一、ReadOnly关键字 MSDN 官方的解释 readonly 关键字是可以在字段上使用的修饰符。当字段声明包括 readonly 修饰符时，该声明引入的字段赋值只能作为声明的一部分出现，或者出现在同一类的构造函数中. 具体意思是： readonly是一个修饰字段的关键字：被它修饰的字段只有在初 ......
rust语言_学习笔记
rust语言_学习笔记 转载注明来源: 本文链接 来自osnosn的博客，写于 2023-12-10. 安装 rust 【安装_rustup_cargo_rustc_交叉编译测试】 cargo 的 config 设置 更换 ustc 源，使用代理。设置缺省registry。见【rust cargo ......
《CLIP：Connecting text and images》论文学习
一、Abstract 尽管深度学习已经彻底改革了计算机视觉领域，但当前的深度学习视觉方案方法存在几个主要问题： 高质量的视觉数据集，制作过程耗时且成本高昂，同时只包含了有限范围的视觉概念 标准的深度学习视觉模型（例如ImageNet、ResNet）擅长完成单一任务，且只能完成一个任务，需要投入巨大的 ......
网络流学习笔记
这个必须写。 先梳理一下，到时候再整理，证明先简写或者跳过。 流网络：一个有向图，每条边有一个容量，有一个源点 \(s\) 和一个汇点 \(t\)。每条边有一个属性称为容量，如果把流网络抽象成水管的话，那么边的容量就是每根水管的每秒最大承受的进水量。每条边也有一个流量，这个值大于等于 \(0\) 且 ......
大数据实验报告 | 填坑笔记
利用Java API进行这个查找操作的时候，总是顺序输出，考虑是代码的原因 没有进行判定，所以只要不为空都输出出来了，进行条件判定指定行键之后，就可以了！ redis启动不起来，考虑换个端口 input目录的创建过程遇到一些小问题 删除不掉就用完整目录删 地址对应正确，否则拒绝连接 一直连接不上，我 ......
阅读笔记《掌握需求过程》2
这次我们从第三章开始看，项目启动有关的事项。这一章包含12小节，即icebreaker项目（就是本书中为了方便读者理解需求过程，始终贯穿的实例），产品目标——我们需要该产品的原因是什么，谁为它付钱：客户和顾客，用户——理解他们，风险承担者和顾问，需求限制条件，为您的宝宝命名，设定范围，该产品的成本是 ......
Programming Abstractions in C阅读笔记：p235-p241
《Programming Abstractions in C》学习第66天，p235-p241总结。 一、技术总结 1.backtracking algorithm(回溯算法) (1)定义 p236, For many real-world problem, the solution process ......
读程序员的README笔记15_敏捷计划
1. 行为准则 2. 敏捷开发 2.1. 软件开发应该有计划和与之相应的跟踪 2.1.1. 你的队友想知道你在做什么，这样他们就能与你有效地配合 2.2. 敏捷开发是一种软件开发模型，被广泛采用于快速交付优质软件的场景 2.3. 要理解敏捷开发实践，你必须要首先理解敏捷哲学 2.4. 敏捷开发诞生于 ......
Docker基础学习笔记
一、Docker： Docker是一个开源的应用容器引擎，可以用于创建、部署和运行应用程序。 二、Docker与传统虚拟机： 1、Docker与传统虚拟化方式的不同之处： （1）、传统虚拟机技术是虚拟出一套硬件后，在其上运行一个完整操作系统，在该系统上再运行所需应用进程； （2）、容器相较于传统虚拟 ......
[学习笔记]珂朵莉树
目录 0x00：介绍 1x00：思想 1x01：节点保存 1x02：核心操作 split 1x03：推平操作 assign 2x00：例题 2x01：CF896C 2x02：CF915E 3x00：总结 0x00 介绍 珂朵莉树（Chtholly Tree），又称 ODT（Old Driver Tr ......
《架构师之路：软件架构之美》阅读笔记三
《架构师之路：软件架构之美》是一本关于软件架构的入门书籍，作者李家智从自己的实践经验出发，结合了业内一些经典的案例和经验，系统地介绍了软件架构的基本概念、原则和方法。 本书主要分为三个部分：第一部分介绍了软件架构的基本概念和原则；第二部分详细介绍了一些常用的软件架构模式，如分层架构、微服务架构等；第 ......
LightGCL Simple Yet Effective Graph Contrastive Learning For Recommendation论文阅读笔记
Abstract 目前的图对比学习方法都存在一些问题，它们要么对用户-项目交互图执行随机增强，要么依赖于基于启发式的增强技术（例如用户聚类）来生成对比视图。这些方法都不能很好的保留内在的语义结构，而且很容易受到噪声扰动的影响。所以我们提出了一个图对比学习范式LightGCL来减轻基于CL的推荐者的通 ......
阅读笔记
第四章是需求规格的说明，在这章中作者提出需要用图形和其他形式化模型来说明需求。需求规格说明用客户的叙述性需求作为输入，用构造规格说明模型作为输出，这些模型分为3组，即状态模型，行为模型和状态变化模型。对象的状态由它的属性和关联的取值来决定，状态规格说明提供系统的静态视图，通常情况下得首先识别类，方法 ......
[Vue] vue学习笔记(11): 自定义事件 & 全局事件总线
组件的自定义事件 通过props可以将信息传递给子组件，那么当子组件需要向上传递信息的时候呢, 除了使用props传递函数类的方法，我们还可以用自定义事件 通过父组件给子组件绑定一个事件someEvent // App.vue <Student @someEvent='getStudentName' ......
《需求分析与系统设计》阅读笔记02
第四章是需求规格的说明，在这章中作者提出需要用图形和其他形式化模型来说明需求。需求规格说明用客户的叙述性需求作为输入，用构造规格说明模型作为输出，这些模型分为3组，即状态模型，行为模型和状态变化模型。对象的状态由它的属性和关联的取值来决定，状态规格说明提供系统的静态视图，通常情况下得首先识别类，方法 ......
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation * Authors: [[Meng-Hao Guo]], [[Cheng-Ze Lu]], [[Qibin Hou]], [[Zhengning ......
CCNet: Criss-Cross Attention for Semantic Segmentation
CCNet: Criss-Cross Attention for Semantic Segmentation * Authors: [[Zilong Huang]], [[Xinggang Wang]], [[Yunchao Wei]], [[Lichao Huang]], [[Humphrey S ......
Dual Attention Network for Scene Segmentation：双线并行的注意力
Dual Attention Network for Scene Segmentation * Authors: [[Jun Fu]], [[Jing Liu]], [[Haijie Tian]], [[Yong Li]], [[Yongjun Bao]], [[Zhiwei Fang]], [[H ......
Fully convolutional networks for semantic segmentation
Fully convolutional networks for semantic segmentation * Authors: [[Jonathan Long]], [[Evan Shelhamer]], [[Trevor Darrell]] DOI: 10.1109/CVPR.2015.729 ......
U-Net: Convolutional Networks for Biomedical Image Segmentation
U-Net: Convolutional Networks for Biomedical Image Segmentation * Authors: [[Olaf Ronneberger]], [[Philipp Fischer]], [[Thomas Brox]] Local library 初读 ......
SeaFormer: Squeeze-enhanced Axial Transformer for Mobile Semantic Segmentation
SeaFormer: Squeeze-enhanced Axial Transformer for Mobile Semantic Segmentation * Authors: [[Qiang Wan]], [[Zilong Huang]], [[Jiachen Lu]], [[Gang Yu]] ......
RefineNet: Multi-path Refinement Networks for High-Resolution Semantic Segmentation
RefineNet: Multi-path Refinement Networks for High-Resolution Semantic Segmentation * Authors: [[Guosheng Lin]], [[Anton Milan]], [[Chunhua Shen]], [[ ......
Expectation-Maximization Attention Networks for Semantic Segmentation 使用了EM算法的注意力
Expectation-Maximization Attention Networks for Semantic Segmentation * Authors: [[Xia Li]], [[Zhisheng Zhong]], [[Jianlong Wu]], [[Yibo Yang]], [[Zho ......
UNetFormer: A UNet-like transformer for efficient semantic segmentation of remote sensing urban scene imagery
UNetFormer: A UNet-like transformer for efficient semantic segmentation of remote sensing urban scene imagery * Authors: [[Libo Wang]], [[Rui Li]], [[ ......