摘要： 除了CIFAR系列，长尾图像分类用的最多的就是这三个数据集：Place365、iNaturalist2018、ImageNet（2012） 分别给出需要下载的 item 以及下载地址： Place365: Small images (256 * 256) with easy directory st 阅读全文

摘要： KMP算法 一个人能走的多远不在于他在顺境时能走的多快，而在于他在逆境时多久能找到曾经的自己！ #include <iostream> #include <vector> using namespace std; vector<int> get_next(string p) { int i = 1, 阅读全文

摘要： TensorRT （Tensor Runtime）是一款用于高性能深度学习推理的 SDK。它旨在与 TensorFlow、PyTorch 和 MXNet 等训练框架互补工作。它专注于在 NVIDIA 硬件上快速高效地运行已训练好的网络。 TensorRT 包含一个深度学习推理优化器和运行时，可为深度 阅读全文

摘要： safetensors Header: 文件的元数据（大小、版本） Meta data: 列表，每个元素表示文件里存的张量的类型、形状、偏移量 Tensor data: 列表元素对应的张量数据 gguf gguf不依赖外部的配置文件，它可以把配置文件、词表、tokenizer、template等存入 阅读全文

摘要： 这篇论文提出使用超网络生成专家模型的参数，实现可控的、能根据用户偏好预测的专家模型。 Related works 长尾学习（long-tailed learning）的方法包括重采样、设计损失函数，旨在提高尾部类的表现。然而，这类方法往往假设测试集是类别平衡的，在训练时的操作也是希望学到一个均衡预测 阅读全文

摘要： 有时候服务器只能访问大陆的网站，因此下载 cuda(gpu) 版的 pytorch非常慢。简单的方法是更换镜像源，网上的方法比较乱，实际上换源后直接安装即可。这里使用清华源。 设置全局 pip 源： pip config set global.index-url https://mirrors.tu 阅读全文

摘要： Background Agent（智能体）指某一个实体，能根据外部的环境，自主做出决策和行动。一个简单的agent示例是一个温度控制器，它能根据环境的温度，自动调节加热器的开关。 \[\begin{aligned}(\text{temperature}>70^{\circ})\wedge(\text 阅读全文

摘要： 前言 模型中常见的可训练层包括卷积层和线性层，这里将给出计算公式并在pytorch下进行验证。 计算模型的参数： import torch.nn as nn def cal_params(model: nn.Module): num_learnable_params = sum(p.numel() 阅读全文

摘要： 这篇文章基于样本选择的噪声标签学习（Learning with Noisy labels）方法，通过引入CLIP帮助过滤噪声样本。 Introduction 噪声标签的方法包括： 开发鲁棒的损失函数 使用标签噪声转移矩阵对噪声标签进行建模 然而这些方法在处理高噪声比和复杂的噪声模式（两个图片很相近但 阅读全文

摘要： SimCLR Chen, Ting, et al. "A simple framework for contrastive learning of visual representations." International conference on machine learning. PMLR, 阅读全文

摘要： 在工业异常检测任务中，引入并改进扩散模型，通过重建比较实现异常检测。 Background 异常检测（anomaly detection，AD）旨在检测和定位工业产品物体的异常模式，然而： 在某些情况下，为所有异常类型收集足够的异常样本具有挑战性。 由于产品设计和生产流程不断变化，不可能提前收集所有 阅读全文

摘要： 介绍 利用PyQt5搭建一个透明、置顶的画布，根据提供的信息绘制结果。信息包括：边框坐标、检测类别名称、置信度。 屏幕的信息通过mss库实时截屏获取，通过cv2库处理后输入模型进行处理，得到结果。 这里的YOLO v11模型的checkpoints由ultralytics提供，首次使用会自动下载.p 阅读全文

摘要： 相对于R-CNN、Fast RCNN的two-stage目标检测方式，即先在图像中提取候选框，再逐一对图像进行分类。候选框的生成可以是滑动窗口或选择性搜索，再对候选框进行非极大值抑制（一般只在推理时做非极大值抑制，训练时需要这些重复的框）。而YOLO则是one-stage的端到端形式：输入图片，经过 阅读全文

摘要： 本篇论文将大语言模型应用在工业异常检测（Industrial Anomaly Detection，IAD）任务。 引言 IAD任务旨在检测和定位工业产品图像中的异常。由于现实世界样本的稀有性和不可预测性，要求模型仅在正常样本上进行训练，并实现对测试时异常样本的检测。 如图1，现有的IAD方法给出异常 阅读全文

摘要： 基本原理 样本的干净标签后验概率\(P(\mathbf{Y}|X=\mathbf{x})\)，可通过噪声标签的后验概率\(P(\bar{\mathbf{Y}}|X = \mathbf{x})\)和噪声转移矩阵\(T(\mathbf{x})\)得到，即： \[P(\bar{\mathbf{Y}}|X= 阅读全文