<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ghost_him的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/ghost_him</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; ghost_him]]></copyright><item><title><![CDATA[C++中线程安全的对多个锁同时加锁]]></title><link>https://blog.csdn.net/ghost_him/article/details/147854782</link><guid>https://blog.csdn.net/ghost_him/article/details/147854782</guid><author>ghost_him</author><pubDate>Sat, 10 May 2025 16:05:38 +0800</pubDate><description><![CDATA[在C++中，线程安全地同时加锁多个锁是一个常见的需求，尤其是在操作多个需要互斥访问的资源时。本文通过一个big_object类的例子，展示了如何在多线程环境中安全地交换两个对象。首先，danger_swap函数展示了非线程安全的加锁方式，可能导致死锁。随后，safe_swap函数通过使用std::lock和std::lock_guard结合std::adopt_lock，实现了对两个锁的同时加锁，避免了死锁问题。进一步，C++17引入的std::scoped_lock简化了这一过程，能够自动管理多个锁的加锁]]></description><category></category></item><item><title><![CDATA[ZeroLaunch：专为 Windows 打造的极简应用启动器]]></title><link>https://blog.csdn.net/ghost_him/article/details/145963344</link><guid>https://blog.csdn.net/ghost_him/article/details/145963344</guid><author>ghost_him</author><pubDate>Sun, 02 Mar 2025 14:32:57 +0800</pubDate><description><![CDATA[ZeroLaunch 是一款专为 Windows 平台精心打造的应用程序启动器，致力于提供极致高效、快捷的搜索体验，让您瞬间找到并启动所需应用。该软件使用 Rust + Tauri + Vue.js 构建。外观设置支持自定义背景图片，搜索栏的字体大小与颜色，结果栏的字体大小与颜色，结果栏中选中项的颜色等如果设置好背景图片以后，不知道应该给搜索栏的选中项什么颜色，可以直接点击计算图片主题色的按钮，让程序计算出目标图片的主题色，然后再微调一下即可。]]></description><category></category></item><item><title><![CDATA[论文阅读：LDA-AQU：Adaptive Query-guided Upsampling via Local Deformable Attention]]></title><link>https://blog.csdn.net/ghost_him/article/details/144987494</link><guid>https://blog.csdn.net/ghost_him/article/details/144987494</guid><author>ghost_him</author><pubDate>Tue, 07 Jan 2025 15:57:10 +0800</pubDate><description><![CDATA[提出了一种上采样的模块，有着较好的效果。]]></description><category></category></item><item><title><![CDATA[论文阅读：Omnidirectional Image Super-resolution via Bi-projection Fusion]]></title><link>https://blog.csdn.net/ghost_him/article/details/144231732</link><guid>https://blog.csdn.net/ghost_him/article/details/144231732</guid><author>ghost_him</author><pubDate>Wed, 04 Dec 2024 10:19:53 +0800</pubDate><description><![CDATA[对于全景图像（ODIs）的超分辨率的技术有：等矩投影（ERP）但是这个没有利用 ODIs 的独特任何特性。ERP提供了完整的视场但引入了显著的失真，而立方体映射投影（CMP）可以减少失真但视场有限。作者提出了一种新颖的双投影全景图像超分辨率（BPOSR）网络，以利用上述两种投影的几何特性。然后，为这两种投影设计了两种定制的注意力方法：用于ERP的水平条纹变换块（HSTB）和用于CMP的视角变换变换块（PSTB）。此外，作者提出了一种融合模块，使这些投影相互补充。]]></description><category></category></item><item><title><![CDATA[论文阅读：Forecasting Citywide Crowd Transition Process via Convolutional Recurrent Neural Networks]]></title><link>https://blog.csdn.net/ghost_him/article/details/144028086</link><guid>https://blog.csdn.net/ghost_him/article/details/144028086</guid><author>ghost_him</author><pubDate>Mon, 25 Nov 2024 15:07:49 +0800</pubDate><description><![CDATA[作者认为大多数先前关于城市人群建模的研究未能描述人类移动性的动态性和连续性，导致在处理多个同质预测任务时结果不一致且不相关，因为这些任务只能独立建模。改进：提出从新的角度对人类移动性进行建模，即使用由一系列从低阶到高阶的转移矩阵构成的全市人群转移过程，帮助我们理解人群动态如何逐步演变。细节：提出了一个深度转移过程网络来处理和预测这种新的高维数据，其中设计了新颖的网格嵌入与图卷积网络、参数共享卷积LSTM和高维注意力机制，以学习空间、时间和序数特征方面的复杂依赖关系。]]></description><category></category></item><item><title><![CDATA[论文阅读：(tpami2024) Probing Synergistic High-Order Interaction for Multi-modal Image Fusion]]></title><link>https://blog.csdn.net/ghost_him/article/details/143486874</link><guid>https://blog.csdn.net/ghost_him/article/details/143486874</guid><author>ghost_him</author><pubDate>Mon, 04 Nov 2024 16:00:59 +0800</pubDate><description><![CDATA[多模态图像融合旨在通过整合和区分来自多个源图像的跨模态互补信息生成融合图像。虽然具有全球空间交互的跨注意力机制看起来很有前景，但它仅捕获二阶空间交互，忽略了空间和通道维度的高阶交互。作者进一步引入了SHIP模型的增强版本，称为SHIP++，它通过跨阶注意力演变机制、跨阶信息集成和残差信息记忆机制增强跨模态信息交互表示。]]></description><category></category></item><item><title><![CDATA[论文阅读：Memtis: Efficient Memory Tiering with Dynamic Page Classification and Page Size Determination]]></title><link>https://blog.csdn.net/ghost_him/article/details/143182014</link><guid>https://blog.csdn.net/ghost_him/article/details/143182014</guid><author>ghost_him</author><pubDate>Wed, 23 Oct 2024 13:42:26 +0800</pubDate><description><![CDATA[数据中心工作负载推动的不断填筑的内存需求是新型内存技术创新的驱动力。而分层内存是一种有前景的解决方案，它利用具有不同容量、延迟和成本特性的多种内存类型，以在满足内存需求的同时降低服务器硬件成本。以往关于内存分层的研究往往做出次优（通常是有问题的）页面放置决策，因为它们依赖于各种启发式方法和静态阈值，而没有考虑整体内存访问分布。此外，由于大页面内的访问倾斜，决定应用程序的适当页面大小也很困难，因为大页面并不总是有益的。]]></description><category></category></item><item><title><![CDATA[论文阅读：OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning]]></title><link>https://blog.csdn.net/ghost_him/article/details/142816892</link><guid>https://blog.csdn.net/ghost_him/article/details/142816892</guid><author>ghost_him</author><pubDate>Thu, 10 Oct 2024 11:23:51 +0800</pubDate><description><![CDATA[由于时空预测没有标准化的比较，所以为了解决这个问题，作者提出了 OpenSTL，这是一个全面的时空预测学习基准。它将流行的方法分为基于循环和非循环模型两类。OpenSTL提供了一个模块化且可扩展的框架，实现了各种最先进的方法。给定一系列视频帧XtTxit−T1tXtT​xi​t−T1t​，涵盖了过去TTT帧，从时间t−T1t-T+1t−T1到时间ttt，目标是预测随后的T′T'T′帽Yt1T′xit1t1T。]]></description><category></category></item><item><title><![CDATA[xLSTM模型学习笔记]]></title><link>https://blog.csdn.net/ghost_him/article/details/142131014</link><guid>https://blog.csdn.net/ghost_him/article/details/142131014</guid><author>ghost_him</author><pubDate>Wed, 11 Sep 2024 10:03:30 +0800</pubDate><description><![CDATA[首先，LSTM 被设计为解决 RNN 中的梯度消失和爆炸问题，通过门控机制实现时序上的注意力控制。然后，sLSTM 通过改进激活函数和引入额外状态来增强模型的记忆和选择能力。接着，mLSTM 通过矩阵化记忆单元和引入键值对机制提升了长序列处理效率和并行能力。最后，xLSTM 结合sLSTM和mLSTM的优势，通过非线性变换和高维空间映射提高模型表现，并在大模型设计中提供更高的效率和适应性。]]></description><category></category></item><item><title><![CDATA[Mamba模型学习笔记]]></title><link>https://blog.csdn.net/ghost_him/article/details/142053046</link><guid>https://blog.csdn.net/ghost_him/article/details/142053046</guid><author>ghost_him</author><pubDate>Mon, 09 Sep 2024 10:47:22 +0800</pubDate><description><![CDATA[Transformer的自注意力机制在处理长序列时计算复杂度高。时序状态空间模型(SSM)通过空间化建模实现并行计算。Mamba作为SSM的改进版，引入选择性机制，放松了线性和时不变假设，能高效处理超长序列。

Mamba将SSM的固定参数改为可变，使用LSTM式门控，构建非线性时变系统。它采用液体运动模型和李指数映射，更好地描述记忆系统的连续性和关联性。相比Transformer的粒子运动模型，Mamba在长序列处理上更高效。]]></description><category></category></item><item><title><![CDATA[论文阅读：A Spatiotemporal Multiscale Deep Learning Model for Subseasonal Prediction of Arctic Sea Ice]]></title><link>https://blog.csdn.net/ghost_him/article/details/142031060</link><guid>https://blog.csdn.net/ghost_him/article/details/142031060</guid><author>ghost_him</author><pubDate>Sun, 08 Sep 2024 18:47:33 +0800</pubDate><description><![CDATA[基于物理的动力学模型可以成功的预测短期海冰趋势，但是在较短时间内提供可靠的次季节海冰预测方面存在困难，并且缺乏足够的灵活性来提供实时、准实时预测。作者提出了一个纯粹基于数据驱动的北极海冰预测系统，叫 IceFormer。它通过高质量的北极再分析数据和遥感观测数据进行训练。通过实验可以证明：在北极海冰的级多变量预测方面取得了进展。在遥感数据的驱动下，其预测性能远优于传统基线模型和机器学习模型。]]></description><category></category></item><item><title><![CDATA[论文阅读：A Data-Driven Deep Learning Model for Weekly Sea Ice Concentration Prediction of the 。。。]]></title><link>https://blog.csdn.net/ghost_him/article/details/141931332</link><guid>https://blog.csdn.net/ghost_him/article/details/141931332</guid><author>ghost_him</author><pubDate>Thu, 05 Sep 2024 14:59:51 +0800</pubDate><description><![CDATA[作者提出了一个名叫 SICNet 的网络，采用编码器-解码器框架，结合全卷积网络（FCNs），可以以高精度预测未来一周的 SIC。同时，设计了一个时空注意力模块（TSAM）以帮助 SICNet 从 SIC 序列中捕捉时空依赖性。模型的预测方法为递归预测，同时采用二进制准确性（BACC）指标来衡量预测的海冰范围（SIE）的准确性。现有的模型中很不有用于泛北极每日 SIC 的像素级预测模型。预测的准确性可以进一步提高纯粹的卫星衍生 SIC 能否支持泛北极每日 SIC 的每周预测。]]></description><category></category></item><item><title><![CDATA[论文阅读：MambaVision: A Hybrid Mamba-Transformer Vision Backbone]]></title><link>https://blog.csdn.net/ghost_him/article/details/141847993</link><guid>https://blog.csdn.net/ghost_him/article/details/141847993</guid><author>ghost_him</author><pubDate>Tue, 03 Sep 2024 09:16:31 +0800</pubDate><description><![CDATA[作者提出了一种新型的混合 Mamba-Transformer 主干网络。通过重新设计 Mamba 公式，增强了其高效建模视觉特征的能力。此外，作者还通过对 ViT 与 Mamba 消融研究，实验结果表明了：在最后几层为 Mamba 架构配备几个自注意力模块，可以极大地提高捕获长程空间依赖关系的建模能力。最后，作者根据他们的发现，设计了一系列具有层次结构的 MambaVision 模型，最终取得了最佳的性能。]]></description><category></category></item><item><title><![CDATA[论文阅读：VideoMamba: State Space Model for Efficient Video Understanding]]></title><link>https://blog.csdn.net/ghost_him/article/details/141713714</link><guid>https://blog.csdn.net/ghost_him/article/details/141713714</guid><author>ghost_him</author><pubDate>Fri, 30 Aug 2024 11:30:44 +0800</pubDate><description><![CDATA[为了解决视频理解中的局部冗余与全局依赖性的双重挑战。作者将 Mamba 模型应用于视频领域。所提出的 VideoMamba 克服了现有的3D卷积神经网络与视频 Transformer 的局限性。在视觉领域有可扩展性，无需大规模数据集来预训练。对于短期动作也有敏感性，即使是细微的动作差异也可以识别到在长期视频理解方面有优越性，相比基于特征的模式，有显著的进步。与其他的模态有兼容性，在多模态环境中表现出色。]]></description><category></category></item><item><title><![CDATA[论文阅读：SimVP: Simpler yet Better Video Prediction]]></title><link>https://blog.csdn.net/ghost_him/article/details/141641241</link><guid>https://blog.csdn.net/ghost_him/article/details/141641241</guid><author>ghost_him</author><pubDate>Wed, 28 Aug 2024 15:08:53 +0800</pubDate><description><![CDATA[作者认为，现有的CNN，RNN，Transformer 之类的视频预测领域的模型都过于复杂了，作者想要找到一个简单的方式，同时可以达到与之相当的效果。作者提出了 SimVP，这是一个简单的视频预测模型，完全基于 CNN 构建，通过均方误差（MSE）损失函数以端到端的方式进行训练。在不引入任何额外技巧与复杂策略的情况下，就可以实现最先进的性能。]]></description><category></category></item><item><title><![CDATA[C++20三向比较运算符详解]]></title><link>https://blog.csdn.net/ghost_him/article/details/140880209</link><guid>https://blog.csdn.net/ghost_him/article/details/140880209</guid><author>ghost_him</author><pubDate>Fri, 02 Aug 2024 20:59:14 +0800</pubDate><description><![CDATA[三向比较运算符可以用于确定两个值的大小顺序，也被称为太空飞船操作符。使用单个表达式，它可以告诉一个值是否等于，小于或大于另一个值。more它返回的是类枚举（enumeration-like）类型，定义在与std名称空间中。]]></description><category></category></item><item><title><![CDATA[Datawhale AI夏令营-task03]]></title><link>https://blog.csdn.net/ghost_him/article/details/140578191</link><guid>https://blog.csdn.net/ghost_him/article/details/140578191</guid><author>ghost_him</author><pubDate>Sat, 20 Jul 2024 21:52:42 +0800</pubDate><description><![CDATA[*数据增强的目的是通过人工方式增加训练数据的多样性，从而提高模型的泛化能力，使其能够在未见过的数据上表现得更好。如果数据增强的变换操作与目标任务的实际场景不符，比如在不需要旋转的图像任务中过度使用旋转，那么这些变换可能会引入无关的噪音。此外过度的数据增强，比如极端的亮度调整、对比度变化或大量的噪声添加，可能会导致图像失真，使得模型难以学习到有效的特征。MixUp是一种数据增强技术，其原理是通过将两个不同的图像及其标签按照一定的比例混合，从而创建一个新的训练样本。是一个在0到1之间的值，表示混合的比例。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营-task2]]></title><link>https://blog.csdn.net/ghost_him/article/details/140578110</link><guid>https://blog.csdn.net/ghost_him/article/details/140578110</guid><author>ghost_him</author><pubDate>Sat, 20 Jul 2024 21:47:09 +0800</pubDate><description><![CDATA[ImageNet 包含超过1400万张注释过的图像，这些图像分布在超过2.2万个类别中。它的规模之大使得它成为深度学习模型训练和评估的理想数据集。ImageNet 数据集中的图像包含了各种场景、物体、背景和遮挡情况，这为算法提供了极大的挑战。这种多样性使得在 ImageNet 上训练的模型能够学习到鲁棒的特征，从而在现实世界应用中表现良好。ImageNet 提供了一个标准的性能基准，研究者可以通过在 ImageNet 上的表现来比较不同模型的性能。]]></description><category></category></item><item><title><![CDATA[C++20使用“复制和交换”方法实现安全处理异常的赋值运算符]]></title><link>https://blog.csdn.net/ghost_him/article/details/140478414</link><guid>https://blog.csdn.net/ghost_him/article/details/140478414</guid><author>ghost_him</author><pubDate>Tue, 16 Jul 2024 22:15:56 +0800</pubDate><description><![CDATA[使用 复制和交换 的方法实现安全处理异常的赋值运算符]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营-task1]]></title><link>https://blog.csdn.net/ghost_him/article/details/140425696</link><guid>https://blog.csdn.net/ghost_him/article/details/140425696</guid><author>ghost_him</author><pubDate>Sun, 14 Jul 2024 23:45:06 +0800</pubDate><description><![CDATA[Deepfake是一种使用人工智能技术生成的伪造媒体，特别是视频和音频，它们看起来或听起来非常真实，但实际上是由计算机生成的。这种技术通常涉及到深度学习算法，特别是生成对抗网络（GANs），它们能够学习真实数据的特征，并生成新的、逼真的数据。Deepfake技术虽然在多个领域展现出其创新潜力，但其滥用也带来了一系列严重的危害。在政治领域，Deepfake可能被用来制造假新闻或操纵舆论，影响选举结果和政治稳定。经济上，它可能破坏企业形象，引发市场恐慌，甚至操纵股市。]]></description><category></category></item></channel></rss>