python 内置函数方法名字用法__init__构造函数X=Class()__del__析构函数对象销毁__add__+...

jetcache是阿里开源的基于java开发的缓存框架，支持多种缓存类型：本地缓存、分布式缓存、多级缓存。能够满足不同业务场景的缓存需求。jetcache具有上手简单、性能高效、拓展性强的特点。支持缓存预热 、缓存key前缀等功能。结合spring-cache使用，可以实现十分优雅的缓存类型切换。

CVPR22最新论文，RepVGG作者提出RepLKNet：采用31×31大kernel的CNN网络，性能超过Swin，作者在论文中提出了大kernel size卷积的4个设计准则，并设计了31x32的纯CNN结构，在图像分类和下游检测分割上超过Swin！在图像分类、特征学习等前置任务(pretext task)以及目标检测、语义分割等下游任务(downstream task)上，卷积网络的性能不

M4竞赛延续了前三届M竞赛，其目的是从经验证据中学习如何提高预测精度，以及如何利用这种学习来推进预测的理论和实践。M4的目的是通过以下方式复制和扩展前三届比赛：(a)显著增加系列的数量，(b)扩大预测方法的数量，©在评估过程中包括预测间隔和点预测。本文详细介绍了M4的各个方面，包括它的组织和运行、结果的介绍、总体上和按类别划分的最优秀的方法、它的主要发现及其含义，以及各种方法的计算要求。最后，总结

高质量的伪标签对于半监督语义分割是必不可少的。一致性正则化和基于伪标记的半监督方法利用来自多视图输入的伪标记进行协同训练。然而，这种协同训练模型往往在训练过程中早期收敛到一致，从而导致模型退化到自我训练模型。另外，多视点输入是通过对原始图像的扰动或增强而产生的，这不可避免地会在输入中引入噪声，导致低置信度的伪标签。针对这些问题，我们提出了一种基于不确定性指导的协同均值教师(UCMT)算法，用于具有

MIM:MIM 是 OpenMMlab 项目、算法、模型的统一入口: OpenMMLab 图像分类工具箱: OpenMMLab 目标检测工具箱: OpenMMLab 新一代通用 3D 目标检测平台MMRotate: OpenMMLab 旋转框检测工具箱与测试基准: OpenMMLab 语义分割工具箱MMOCR: OpenMMLab 全流程文字检测识别理解工具箱MMPose: OpenMMLab 姿

基于卷积神经网络的医学图像分割方法以其优异的性能得到越来越多的应用。然而，它们很难捕获远程依赖关系，而远程依赖关系对于准确建模全局上下文相关性至关重要。由于能够通过扩展接受域来建立长期依赖关系的模型，基于转换器的方法已经获得了突出的地位。受此启发，我们提出了一种结合卷积神经网络和Transformer架构的先进二维特征提取方法。更具体地说，我们引入了一个并行编码器结构，其中一个分支使用ResNet

半监督学习(SSL)由于基于伪标记和一致性正则化的各种方法所带来的优异性能而取得了巨大的成功。然而，我们认为，现有的方法要么采用预先定义/固定的门限，要么采用自适应门限调整方案，可能无法更有效地利用未标记数据，从而导致性能低下和收敛速度慢。我们首先分析了一个激励示例，以获得关于期望阈值与模型学习状态之间关系的直观性。在此基础上，我们提出了FreeMatch模型，根据模型的学习状态自适应地调整置信度

分割任意模型(SAM)是图像分割的基本框架。虽然它在典型场景中表现出显著的零射击泛化，但当应用于医学图像和遥感等专业领域时，其优势就会减弱。为了解决这一限制，本文介绍了一种简单而有效的参数高效微调方法——卷积- lora。通过将超轻量级卷积参数集成到低秩自适应(Low-Rank Adaptation, LoRA)中，卷积LoRA可以将图像相关的归纳偏差注入到普通的ViT编码器中，进一步强化SAM的

尽管最近在半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习鉴别性表征的任务在医学图像中一直是一个公开的问题。对比学习（CL）框架使用相似性测量的概念，这对分类问题是有用的，然而，他们未能将这些高质量的表示转移到准确的像素级分割中。为此，我们提出了一个新颖的基于patch的半监督医学图像分割框架，而不使用任何明确的前提任务。