墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
542平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
人群计数是一个经典的计算机视觉问题，相关研究论文数量庞大，为了系统掌握该领域发展脉络和现有的研究问题，特整理共享表格：
【腾讯文档】 Crowd Counting Paper Note
【github】Crowd-Counting-Paper-Note & Awesome-Class-Agnostic-Counting
表格中对所有的人群计数方法按基于检测的方法、基于总人数的方法、基于密度图的方法、基于点的方法和其他方法进行了初步分类，对于针对的特殊问题（如半监督，多尺度，多模态，多任务，跨域，噪声标签）也在tag一列进行了初步标注。
comment是本人略读文章后给予的短评，欢迎有不同意见的研究者在“反馈”表中提出。有最新的文章也欢迎在反馈表提出，我会定期更新的到总表方便大家查阅。
深度学习之Encoder-Only原理与实战
【代码】深度学习之Encoder-Only原理与实战。
【CrowdCLIP: Unsupervised Crowd Counting via Vision-Language Model】论文笔记
有监督的人群计数严重依赖于人工标记，但人工标记密集场景下的人数非常困难。因此，作者提出CrowdCLIP。1.最近的对比预训练视觉语言模型(CLIP)在各种下游任务上表现出色.2.人群补丁和计数文本之间存在自然映射。，作者通过构建*“ranking text prompts”*(排序文本提示)来匹配大小排序的人群patches，从而利用多模态排序损失来指导图像编码器学习。,我们提出了一种简单而有效的渐进滤波策略，首先选择高潜力的人群斑块，然后以不同的计数间隔将其映射到语言空间中。
深度学习之Seq2Seq原理与实战
【代码】深度学习之Seq2Seq原理与实战。
Crowd Counting近期研究(附代码资源)
近期一些比较新的人群计数算法汇总，文中有代码资源
深度学习之TF-IDF原理与实战
【代码】深度学习之TF_IDF原理与实战。
深度学习之LoRA(低秩适配)原理与实战
【代码】深度学习之LoRA(低秩适配)原理与实战。
人群计数论文阅读：Leveraging Self-Supervision for Cross-Domain Crowd Counting
基于uncertainty及翻转分类的跨域自监督
深度学习之词袋(Bag-of-Words, BoW)原理与实战
【代码】深度学习之词袋(Bag-of-Words, BoW)原理与实战。
人群计数Taste More, Taste Better: Diverse Data and Strong Model Boost Semi-Supervised Crowd Counting
4）方法：本文提出一种新型的半监督人群计数框架TMTB，旨在通过结合数据和模型两个方面，提升在人群密集场景中的半监督学习效果，减少标注成本。具体来说，首先提出了一种适合人群计数任务的数据增强技术，通过填补背景区域有效增强数据多样性，同时保持场景的整体一致性。5）结果：在四个基准数据集上的大量实验表明，TMTB方法显著超越了现有最先进的方法，展示了其在半监督人群计数任务中的优越性能。（Anti-Noise classification head），该分类头提供更准确的监督信息，以应对手工标注中的噪声问题。
20个闭环渗透测试项目：从漏洞发现到简历突围
渗透测试不仅是工具使用，更是对系统设计缺陷与实现偏差的深度推演。理解OWASP Top 10、Burp Suite等基础能力只是起点，真正具备工程价值的是能复现、可验证、可协作的完整攻击链。本文聚焦真实业务场景下的SSRF协议绕过、JWT签名机制缺陷、Redis未授权利用、Kong网关配置风险及etcd存储结构分析等核心热词，揭示漏洞本质在于架构决策与配置偏差的叠加态。适用于红队实战、甲方安全建设与乙方渗透审计等多类岗位，帮助从业者将技术动作升维为技术叙事。
卡诺图化简法
目录 1.学前需要了解知识点 2.卡诺图（karnaugh map） 3.逻辑函数的卡诺图化简法 4.总结 1.学前需要了解知识点 最小项的定义 最小项的表示方法 最小项的相邻性 最小项的定义：一个函数的某个乘积项包含了函数的全部变量，其中每个变量都以原变量或反变量的形式出现，且仅出现一次，则这个乘积项称为该函数的一个标准积项，通常称为最小项。 最小项的表示方法：通常用来表...
人群计数北航最新综述论文阅读：CNN-based Density Estimation and Crowd Counting: A Survey
针对220项工作，讨论了现有主流方法（主要基于CNN）在各任务中有效的原因，对基本开放问题、挑战和未来方向的见解。 对模型设计、数据集收集以及一些推广到其他领域的重要问题进行了展望，包括领域适应或迁移学习，并探索了未来一些有前途的研究方向。 按网络结构，监督形式（有监督（常用）、半监督、若监督、无监督、自监督），学习范式（多任务（热点）/单任务），跨场景、跨域表现分类 基于单列网络的方法比基于多列网络的方法表现更好，即更深的网络比更广的网络要好。 最近的（2020年）Sota方法多采用了注意力机制，膨胀卷.
OGG工具实现MySQL同步到Oracle数据库
OGG工具实现MySQL同步数据到Oracle
深度学习0:数学知识:正态分布1
步骤内容结果1引入e−x2e^{-x^2}e−x2钟形曲线2算它的面积I∫−∞∞e−x2dxI∫−∞∞e−x2dx3平方变成二重积分I2I^2I24换极坐标简化计算5算出I2πI^2 = \piI2πIπIπ6代入σ\sigmaσ和μ\muμ做变量替换得到σ2πσ2π7除以它归一化得到正态分布公式2π2π不是随便写的，它来自高斯积分∫−∞∞e−x2。
sdc时钟约束2——多驱动时钟
sdc 多驱动时钟 master_clock
如何用Python分析20年投资者情绪数据（附ISI和CICSI完整数据集）
本文提供了一份利用Python分析2003-2023年投资者情绪数据的实战指南。文章详细介绍了如何获取并清洗ISI和CICSI数据集，运用Pandas、Matplotlib等工具进行数据探索、可视化与深度分析，包括趋势分解、成分关联及情绪状态划分，旨在帮助读者掌握从数据到洞察的完整流程，为量化金融研究提供方法论支持。
AlexNet技术剖析：2012年那场ImageNet比赛如何引爆深度学习
2012年，AlexNet在ImageNet竞赛中将图像识别错误率从26.2%降至15.3%，开启深度学习革命。其成功源于三大创新：ReLU激活函数缓解梯度消失、Dropout防止过拟合、GPU并行加速训练。结合大规模标注数据（ImageNet）与数据增强策略，AlexNet突破传统特征工程瓶颈，推动计算机视觉进入“
YOLOv8改进 | 细节涨点篇 | DySample一种超级轻量的动态上采样算子（效果完爆CARAFE）
本文给大家带来的改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比，DySample采用了一种基于点采样的方法，相比于以前的基于内核的动态上采样器，DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外，DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中，性能均优于其他上采样器（截至目前最有效的上采样算子）。
计算机毕设：基于深度学习的狗狗品种图像分类
本课题研究基于深度学习的狗狗品种图像分类方法，面向 120 个犬种、20580 张图像构建细粒度分类模型。数据处理采用分层划分并固化清单，模型以 ImageNet 预训练网络做迁移学习，配合标签平滑与数据增强应对标注噪声，评估以 Macro-F1 为主指标并分析易混品种。系统使用 Python 与 Django 实现上传识别、批量识别、资料浏览与记录查询，验证了方法在实际使用场景中的可行性。
攻克反光难题！YOLOv9工业缺陷检测实战：高反光件、微小划痕精准识别（附抗反光代码+产线数据）
文章摘要：本文针对不锈钢、铝合金等高反光工业件的缺陷检测难题，提出了一套“硬件抗反光+YOLOv9小目标增强”的解决方案。通过分析反光干扰（镜面/漫反射）和微小划痕（0.1mm级）两大核心问题，详细介绍了500万像素工业相机+偏振光源的硬件配置方案，以及基于偏振图像融合和超分辨率放大的预处理方法。最终实现误检率1.2%、微小划痕检出率99.3%的工业级检测效果，并提供了可落地的代码实现和车间实测数据。（148字）
设计智能化的企业并购目标筛选多维度评估模型
企业并购是企业扩张和战略调整的重要手段，其目的在于实现资源的整合、优势互补和效率提升。评估指标单一：传统评估方法主要依赖财务指标，如净利润、市场份额等，忽视了企业其他重要的非财务指标，如品牌价值、客户满意度等。主观性较强：评估过程中，往往依赖于评估人员的经验和直觉，缺乏客观性，导致评估结果可能存在偏差。评估效率低：传统的评估方法通常需要大量的人力和时间，效率较低，难以应对大规模并购项目的需求。因此，设计一种智能化的企业并购目标筛选多维度评估模型，显得尤为必要。
基于深度学习的垃圾分类系统的设计与实现
本系统是一个基于 Flask Web 框架与 PyTorch 深度学习模型的垃圾分类智能识别平台。系统面向垃圾图像分类场景，能够对上传图片中的玻璃、纸张、纸板、塑料、金属、其他垃圾等六类垃圾进行自动识别与置信度评估，并提供识别历史、数据统计、模型在线训练与记录导出等完整功能。系统使用 TrashNet 公开垃圾分类数据集进行模型训练，管理员可手动发起模型训练，训练完成后自动加载新权重。启动服务不会自动训练。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
【人工智能驱动的电催化研究-01】人工智能是什么？AI、机器学习、深度学习和神经网络之间有什么区别？
介绍人工智能、机器学习、神经网络和深度学习的基本概念及相互关系。围绕催化剂性能预测，解释样本、特征、标签、模型、参数、训练、预测与验证的含义。结合二硫化钼边缘位点与析氢活性的研究案例，说明科学问题如何指导特征选择。利用真实文献中的析氢数据，通过手算和Python实践，对比人工规则与均值模型，理解参数学习和误差评价。强调数据学习不保证预测更优，相关性不能直接证明反应机理，文献数据还须核查实验条件与适用范围，为后续编程、数学和电催化机器学习课程建立基础。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
深度学习34:卷积神经网络:池化层(基本概念和代码)
除了 Max 池化（计算窗口内的最大值），还有 Average 池化（平均池化，计算窗口内的平均值）等。一般会将池化的大小窗口和步幅设置为相同的值，比如 2×2 的窗口大小，步幅会设置为 2。池化同样也可以设置填充。3.池化的另一个特点是对微小偏差具有鲁棒性，数据发生微小偏差时，池化可能会返回相同的结果。例如，数据在宽度方向上偏离 1 个元素，返回的结果不变。1.池化层缩小长、宽方向上的空间来进行降维，能够缩减模型的大小并提高计算速度。2.和卷积层不同，池化层没有要学习的参数，并且。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
深度学习中检测、识别、感知区别
项目识别（Recognition）、检测（Detection）与感知（Perception）的核心区别在于任务目标与输出信息。识别仅关注“是什么”（类别/身份），不关心位置；检测需定位“在哪里”，输出带坐标的目标框；感知则是系统级综合，融合多传感器数据，输出环境的三维状态、语义与动态信息，包含检测、识别等子任务。典型应用如自动驾驶中，感知系统通过检测行人、识别车牌、融合激光雷达数据，构建完整的环境认知。
证件阅读机如何用多光谱光学成像、端到端深度学习 OCR 与 MRZ 解析、13.56MHz 射频芯片认证三层能力，把单证核验压缩到 1–2 秒
"说走就走"的外国游客多了，酒店前台的压力也就跟着一起"入境"了。复印件在红外图里会丢掉层次，屏幕翻拍件在紫外图里会暴露像素网格和屏幕的摩尔纹，PS 改过的资料页在红外和可见光的交叉比对下常常"对不上"。客人只觉得"这家酒店办入住挺快"，前台只觉得"今天没被催"，店长只觉得"这个月没收到整改通知"。三只眼睛和一个 AI 大脑在 1–2 秒里跑完的一整套核验，被压缩成了体验里那句轻飘飘的"好的，您的房卡"。有意思的是，真正在缓解这个压力的，不是多招几个前台，而是柜台上多了一台巴掌大的小设备——证件阅读机。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
249
扫一扫
