这篇论文主要做的是多传感器融合/视觉-惯性SLAM系统，提出了ORB-SLAM3，一个支持以下配置的开源SLAM系统，而不是基于深度学习的预测模型

近年来，工业异常检测（Anomaly Detection）在智能制造、质量监控等领域扮演着越来越重要的角色。传统方法通常依赖大量正常样本进行训练，而在实际生产中，异常样本稀少甚至不存在，能否仅凭少量正

这篇论文主要解决的是基于智能手机IMU的行人定位问题，特别针对传统IMU定位中因姿态估计误差导致的轨迹漂移问题，提出了一种两阶段深度学习框架，分别进3D姿态估计和2D位置估计

提出了一种基于IMU（惯性测量单元）多变量时间序列数据的LSTM模型，用于实时预测运动员的疲劳（fatigue）和耐力（stamina）状态，从而实现个性化训练调控，避免过度训练和运动损伤

在计算机视觉的世界里，高质量数据标注是所有模型训练的基石。不管是自动驾驶识别路上的行人、医疗影像中的肿瘤分割，还是遥感影像中的小目标检测，都离不开精准的标注数据。 然而，现实却很“骨感”——标注是最耗

导读 这篇论文针对红外小目标检测提出风车形卷积 （PConv） 和尺度动态损失 （SD Loss） ，有效提升特征提取能力和检测稳定性，并在新构建数据集SIRST-UAVB上验证了显著性能提升。 近年

这篇文章解决的是仅使用IMU进行自主定位（Dead Reckoning）的问题，特别是在没有外部传感器（如GNSS、LiDAR、视觉）辅助的情况下，如何提升定位精度并减少误差累积

Ollama 是一个开源的本地化大模型运行平台，支持用户直接在个人计算机上部署、管理和交互大型语言模型（LLMs），无需依赖云端服务。而且其混合推理的特性也使得CPU和GPU的算力能够充分被使用

【导读】 在无人机拍摄的航拍图像中，目标往往只有几十个像素大小，分辨率低，容易被复杂背景淹没。如何准确识别这些小目标，是计算机视觉中最难的任务之一。传统检测模型不仅精度有限，而且在算力受限的无人机平台

本文系统拆解深度学习中模型剪枝、量化、知识蒸馏三大核心压缩技术，帮助各位实现16倍模型压缩与4倍推理加速。如果对你有所帮助，记得点个小红心。 ​​一、模型压缩的核心挑战​​ 深度学习模型规模激增带来四

导读 本文提出频率动态卷积（FDConv） ，通过在傅里叶域构建频率多样化权重，以固定参数预算显著提升模型频率适应性。该方法在目标检测、分割等任务中性能卓越，仅增加3.6M参数即可优于现有动态卷积方法

在工业质检场景中，AI 异常检测已成为“智能工厂”的必备技术。然而现实中，零部件缺陷往往细微、复杂且多变，传统方法难以在保证效率的同时做到精准识别。近期在ICML 2025上提出的 CostFilte

表面缺陷检测，是制造业质控环节的“最后一道关卡”。然而，传统人工检测效率低、成本高，AI模型虽在实验室中表现优异，但一旦落地到高速、复杂的工业产线，就暴露出三大痛点：缺陷数据稀缺、速度与精度难两全、场

人脸表情识别，采用深度模型来处理，具体采用EfficientNetV2-M预训练模型以及许多优化方案

本文针对嵌入式悬架系统对实时路况感知的需求，提出了轻量高效的SBP-YOLO****模型，用于检测减速带和坑洼。该模型以YOLOv11n为基础，通过引入P2检测层增强小目标检测能力，并采用GhostC

本研究通过超高分辨率无人机摄影测量技术对实验桥进行变形监测，实现了优于1毫米的测量精度，并首次实现了从传统点线测量到全场变形分析的跨越，揭示了桥梁在荷载下的复杂变形模式，为基础设施健康监测提供了了一种

【导读】 医学图像分割是疾病诊断和治疗规划的关键一环，尤其是在皮肤癌的早期检测中，分割的准确性直接决定诊断质量。近日，研究团队提出了一种全新模型SegDT，它结合了扩散模型 （Diffusion Mo

3D点云目标跟踪是自动驾驶、机器人等领域的关键任务，但不同类别物体的几何差异让模型难以“一招通吃”。本文介绍的 TrackAny3D，首次提出将大规模预训练3D模型迁移到点云单目标跟踪任务，实现了 类

这篇论文针对的是无人机航拍图像中的小目标检测这一极具挑战性的任务。无人机视角下的目标通常像素占比极小、尺度多变且背景复杂，导致主流检测模型性能显著下降。为此，作者在YOLOv11的基础上，提出了一种名