DeepLearning理论和实践的一些工作

在本文里将为大家带来如何进行使用pytorch中的自带的深度网络进行训练自己的数据。本文讲解可分两部分，第一部分为大家介绍如何进行目录式的读取自己的数据；第二部分为大家介绍如何进行更改为其他

关键词：轻量化、低功耗、深度可分离卷积、通道重排、1×1卷积核 。因此我们可以在“写（水）”论文的时候更换yolo的主干网络进行实验获取实验参数。在本文中将介绍ShuffleNetV2网络以及

池化函数是深度学习中非常重要的一种操作，它可以对输入的数据进行降维，从而减小模型的复杂度，同时还能够提高模型的鲁棒性和泛化能力。

cudnn.benchmark = True这个小小的设置，可以让GPU的性能提升数倍！这个是最近在逛GITHUB时候发现的一个好用的trick，希望可以帮助到大家

FCN提出了一种基于全卷积神经网络的语义分割方法，将传统的卷积神经网络中的全连接层替换为卷积层，从而实现了端到端的像素级别的语义分割。现有网络的全卷积版本可以从任意大小的输入预测密集输出。

动作检测是计算机视觉领域中的一个重要任务，它旨在识别图像或视频中的人体动作。常见的人脸识别验证是动作检测的一个应用示例。在这里我们以支付过程中经常会使用到的人脸验证为例子向大家讲解如何进行动作检测

现在一固定场所有相机处于开启工作状态，在该场所有大量的人员的进出活动，每当人员的进出时候相机都会有较长时间持续性不断地拍到进出人员的人脸部分。人员都是逐一进出的。现在需要对该场所的进出人流量进行统计

这几天在研究如何使用opencv的dnn模块进行快速搭建以及缩减代码量进行完成图像分类任务，这篇文章中将记录我在做这个任务的过程中遇到的问题以及如何实现的逻辑，如有纰漏，还请大家批评指正！感

帧内预测是在做视频处理的基本功，大家在日常的工作以及面试中也是经常会被问到的，今天为大家带来两种模式进行帧内预测。 传统模式 帧内预测编码是指利用视频空域的相关性，使用待编码图像块的周边

本文将介绍一种新颖的卷积结构——Dynamic Region-Aware Convolution (动态区域感知卷积)，该结构采用了一种自适应的机制，能够在不同的感受野内自适应地调整卷积核的大小和形状

OctaveConv通过在不同分辨率的特征图之间进行信息交互，有效地降低了计算成本，同时保持了高精度。在本文中，我们将深入探讨OctaveConv的原理、优点和应用。

在本文中，我们将介绍 Vision Transformer 模型的基本原理和主要应用领域，包括图像分类、目标检测和图像分割等任务。

自己也是一时心血来潮，想着把自己以前的东西串以下，借用一个例子，将以往的知识点串一次。这次需要串的知识点有：目标的检测+目标测距+鼠标移动

在上篇文章中已完成实验猜想，今天要工作的核心是如何优化外挂的使用，今日工作的重点主要是优化如下功能项： 1.添加是否启动&结束按钮（指定建的输入或者关闭）； 2. 添加鼠标右键触发自动瞄准机制

在深度学习中，空洞卷积被广泛应用于图像分类、目标检测和图像分割等任务中。例如，在图像分类任务中，空洞卷积可以用于去除图像背景，从而提高分类准确率。

数据增强在深度学习中起着重要作用，并已成为训练模型的不可或缺的组成部分。通过对数据进行改变和扩充，数据增强可以提高模型的鲁棒性和泛化能力。

一时心血来潮，尝试制作一个“外挂”：用来制作FPS类游戏的AI外挂，目标需要完成的任务如下： 1. 在玩游戏时需要在游戏画面上标注出人物目标框（后期可以更换为人脸OR人头）； 2. 由于不是读取内存，

CVPR是计算机视觉领域的顶级国际会议之一，每年都吸引了来自全球各地的学者和从业人员参与，2023年的CVPR也不例外。在本文中为大家介绍今年新出炉的网络——Backbone FasterNet

GhostNet提出的主要目的是在保证模型轻量化的同时，提升网络的性能表现。GhostNet的设计思想独特，引入了ghost module这一新的网络模块，并采用了一系列的优化方法。

开水者，场景也；白菜者，算法也。在工业检测界业务视觉的应用场景往往较为单一，没有智慧城市与自动驾驶业务端场景复杂，但缺有独特的业务需求在本文中我将为大家举一简单工业检测界的业务。