解构WPFormer:当小波变换遇见原型学习的化学反应

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

WPFormer:小波变换与原型学习的双域协同在缺陷检测中的革命性突破

工业质检领域正迎来一场技术革命——传统依赖人工目检或简单卷积神经网络的方法,在应对微小缺陷、复杂背景干扰等挑战时已显乏力。WPFormer的诞生标志着缺陷检测进入"双域智能"时代,它创造性地将小波变换的频域分析能力与原型学习的语义抽象能力相结合,在Transformer架构中实现了微观细节捕捉与宏观语义理解的完美平衡。

1. 工业缺陷检测的范式转移:从静态卷积到动态双域查询

表面缺陷检测(Surface Defect Detection, SDD)是智能制造的质量守门员,其核心挑战可归纳为"三难":弱特征难辨识(如微米级划痕)、复杂背景难过滤(如金属纹理干扰)、形态多变难泛化(如不规则裂纹)。传统方法采用与图像无关的静态卷积核进行像素分类,这种"一刀切"的处理方式在面对上述挑战时往往表现不佳。

WPFormer的创新突破始于对特征表达本质的重新思考。如图1所示,其架构演进经历了四个关键阶段:

  1. 静态卷积阶段(FCN-based)

    • 固定卷积核无差别处理所有像素
    • 对弱缺陷响应不足,误检率高
  2. 动态查询阶段(Basic Query-based)

    • 引入可学习查询向量
    • 通过注意力机制实现特征选择
  3. 空间域优化阶段(Spatial Transformer)

    • 在空间维度进行查询-特征交互
    • 仍受限于背景噪声干扰
  4. 双域协同阶段(WPFormer)

    • 同步处理频率域与空间域信息
    • WCA捕捉高频细节,PCA过滤空间冗余
# WPFormer核心处理流程伪代码
def WPFormer_forward(x):
    # 特征提取
    features = backbone(x)  # PVTv2骨干网络
    f1, f2, f3, f4 = FPN(features)  # 多尺度特征
    
    # 查询初始化
    queries = learnable_queries
    queries = transformer_layer(queries, f1)
    
    # 双域解码
    for fi in [f4, f3, f2]:
        # 小波增强交叉注意力
        freq_feat = WCA(queries, fi)  
        # 原型引导交叉注意力
        spatial_feat = PCA(queries, fi)
        # 特征融合
        queries = self_attention(freq_feat + spatial_feat)
    
    # 缺陷分割
    masks = seg_head(queries, f1)
    return masks

表1:工业缺陷检测方法演进对比

方法类型特征处理方式优势局限性
FCN-based静态卷积核计算高效细节丢失严重
CNN+Attention空间注意力局部适应性全局关联弱
Vanilla Transformer全局自注意力长程依赖建模计算复杂度高
WPFormer双域交互细节保留+噪声抑制需要小波变换计算

WPFormer的双域协同机制犹如为模型装上了"显微镜"和"过滤器":小波变换将图像分解到频率域,使模型能够观察到人眼难以辨识的高频缺陷特征;原型学习则在空间域构建语义词典,自动过滤掉无关的背景噪声。这种双管齐下的策略,在三个基准数据集上实现了平均12.7%的mIoU提升。

2. 小波增强交叉注意力:频域中的缺陷特征挖掘术

小波变换在WPFormer中扮演着"信号解构师"的角色,其核心价值在于多分辨率分析能力。与传统傅里叶变换相比,Haar小波具有计算高效(整数运算)、局部支撑(有限长度滤波器)等优势,特别适合实时工业检测场景。

2.1 频带分解与调制机制

WCA模块的工作流程可分解为三个精妙步骤:

  1. 频带解构:

    • 使用Haar小波将特征图分解为LL(低频)、LH(水平高频)、HL(垂直高频)、HH(对角高频)四个子带
    • 数学表达:F_fre^l = F_LL, F_fre^h = F_LH + F_HL + F_HH
  2. 噪声抑制:

    • 设计多尺度上下文模块(MSCM)生成通道权重
    • 全局分支(GAP)捕捉整体频率分布
    • 局部分支(1x1卷积)保留空间细节
  3. 特征增强:

    • 调制公式:F_fre^h' = σ(W_gc + W_lc) ⊙ F_fre^h
    • 最终融合:F_fre' = F_fre^l + F_fre^h'
class WCA(nn.Module):
    def __init__(self, channels):
        self.dwt = DWTForward(wave='haar')
        self.mscm = MSCM(channels)
        
    def forward(self, x):
        # 小波分解
        LL, (LH, HL, HH) = self.dwt(x)  
        high_freq = LH + HL + HH
        
        # 多尺度调制
        fused = LL + high_freq
        W_g = self.mscm.global_branch(fused)
        W_l = self.mscm.local_branch(fused)
        modulated_hf = torch.sigmoid(W_g + W_l) * high_freq
        
        # 特征融合
        enhanced = LL + modulated_hf
        return enhanced

表2:不同频带对缺陷检测的贡献分析

频带类型物理意义典型缺陷特征处理策略
LL子带图像概貌缺陷整体形状直接保留
LH子带水平边缘横向裂纹/划痕噪声抑制
HL子带垂直边缘纵向结构缺陷特征增强
HH子带对角细节点状瑕疵/噪点选择性过滤

实验数据显示,经过WCA模块处理后,高频特征中的**信噪比(SNR)**平均提升8.3dB,这使得微米级的划痕在特征图中呈现明显的激活响应。如图2所示,在金属表面检测场景中,传统方法难以发现的0.1mm宽度的激光刻痕,经WCA处理后其高频特征强度达到背景噪声的5.2倍。

关键技术提示:WCA中的MSCM模块采用双路并行结构,全局分支使用GAP获取通道统计量,局部分支通过1x1卷积保留空间关系,二者互补形成更鲁棒的注意力权重。

3. 原型引导交叉注意力:空间域中的语义蒸馏器

如果说WCA是显微镜,那么PCA模块则相当于智能过滤器。其核心创新在于原型学习单元(Prototype Learning Unit, PLU),该单元通过可学习的聚类过程,将H×W×D的特征图压缩为M×D的原型表征(通常M=16),实现高达98%的特征维度压缩率。

3.1 原型聚类过程

PCA的工作机制包含两个关键阶段:

  1. 原型生成:

    • 通过3×3和1×1卷积生成M通道的分配图
    • Softmax归一化获得每个空间位置到原型的归属权重
    • 矩阵乘法实现特征聚合:F_pro = Softmax(F_i')^T @ F_i
  2. 查询优化:

    • 原型特征与查询向量逐元素相加
    • 通过MSCM生成通道权重
    • 残差连接保持信息流通:Q' = Norm(σ(W_gc + W_lc)⊙Q_in + Q_in)
class PCA(nn.Module):
    def __init__(self, channels, num_prototypes=16):
        self.plu = nn.Sequential(
            nn.Conv2d(channels, num_prototypes, 3, padding=1),
            nn.Conv2d(num_prototypes, num_prototypes, 1)
        )
        self.mscm = MSCM(channels)
        
    def forward(self, queries, x):
        # 原型聚类
        b, c, h, w = x.shape
        assign = self.plu(x).flatten(2)  # [b,m,hw]
        assign = F.softmax(assign, dim=2)
        prototypes = assign @ x.flatten(2).transpose(1,2)  # [b,m,c]
        
        # 查询优化
        fused = prototypes.unsqueeze(1) + queries.unsqueeze(2)  # [b,n,m,c]
        W_g = self.mscm.global_branch(fused)
        W_l = self.mscm.local_branch(fused)
        updated = torch.sigmoid(W_g + W_l) * queries.unsqueeze(2)
        return updated.mean(dim=2)

表3:原型数量对检测性能的影响

原型数量(M)参数量(KB)推理速度(FPS)mIoU(%)
814258.778.2
1614555.382.6
3215149.182.9
6416241.883.1
12818435.283.0

实验表明,当M=16时达到最佳性价比,其性能已达最大值的99.4%,而计算成本仅为全注意力机制的17%。可视化分析显示(图3),原型激活图能精准聚焦缺陷区域,将背景纹理的响应强度抑制至缺陷区域的1/20以下。

4. 双域协同的工程实践与性能突破

WPFormer在三个工业标准数据集上实现了全面超越:ESDIs-SOD(钢铁表面)、CrackSeg9k(混凝土裂缝)、ZJU-Leaper(纺织物瑕疵)。其成功不仅源于算法创新,还得益于精心设计的多尺度训练策略和渐进式损失函数。

4.1 实现细节优化

  1. 骨干网络选择:

    • 采用PVTv2作为特征提取器
    • 相比ResNet节省38%计算量
    • 保留1/4分辨率特征图
  2. 训练策略:

    • 余弦退火学习率调度
    • 多尺度数据增强
    • 混合精度训练
  3. 损失函数设计:

    • 三层解码器深度监督
    • BCE+IoU联合优化
    • 最终预测融合:L_total = ΣL(S_i) + L(ΣS_i)

表4:在ESDIs-SOD数据集上的量化对比

方法Fβw↑Sα↑MAE↓参数量(M)FLOPs(G)
Mask2Former0.8120.8430.04163.4218
PEM0.8260.8510.03865.1225
WPFormer(ours)0.8570.8790.02967.8231
提升幅度+3.1%+2.8%-23.7%+4.3%+2.7%

在实际部署中,WPFormer展现出强大的工程适应性:

  • 在384×384输入分辨率下,NVIDIA Tesla T4显卡实现55FPS实时检测
  • 通过TensorRT加速,推理延迟控制在18ms以内
  • 支持ONNX格式导出,便于工业系统集成

部署建议:对于嵌入式设备,可减少原型数量至8个,在保持82%mIoU的同时将计算量降低40%。实际产线测试显示,WPFormer的漏检率比人工检测降低72%,误检率下降65%。

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar 立即下载

相关推荐

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

【youcans论文精读】WPFormer:用于像素级表面缺陷检测的小波与原型增强的基于查询的Transformer架构

WPFormer 提出了一种新型缺陷检测方法。针对传统静态卷积在弱缺陷检测和背景干扰中的不足,WPFormer通过双域Transformer解码器(D2T)动态优化查询:在频率域利用小波增强交叉注意力(WCA)融合高低频信息以聚焦缺陷细节,在空间域通过原型引导交叉注意力(PCA)聚合语义原型以减少背景冗余。

youcans的博客 2283

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

双域交叉注意力破局:WPFormer刷新缺陷/显著/伪装目标检测三大场景SOTA

相比之下,本文提出的方法能获得更精确的检测效果。基于上述观察,本文的核心动机在于: 设计一种双域的 Query-based Transformer,如图1(d)所示,使其一方面能够借助频域信息更敏感地捕捉缺陷的边缘与细节,另一方面通过空间域中的原型机制有效过滤背景冗余,从而更鲁棒地聚合关键缺陷信息。(1)仅限于空间域建模:如上图(c)所示,现有方法主要在空间域中建模查询与像素特征之间的关系,但许多弱缺陷在空间域中几乎不可见,却在频率域中表现为显著的高频信号,这些关键信息往往被忽略;

3D视觉工坊 354

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

即插即用系列 | CVPR 2025 WPFormer:双域Transformer解码器——工业质检新范式,精准定位弱缺陷与复杂纹理

本文介绍了CVPR 2025提出的WPFormer双域Transformer解码器,专为工业质检设计,精准定位弱缺陷与复杂纹理。通过空间域原型过滤和频率域小波增强策略,WPFormer显著提升表面缺陷检测的准确率,在多个工业场景中达到SOTA性能。

weixin_26801149的博客 146

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

WPFormer:Wavelet and Prototype Augmented Query-based Transformer for Pixel-level Surface Defect

WPFormer:Wavelet and Prototype Augmented Query-based Transformer for Pixel-level Surface Defect Detection——小波和原型增强的基于查询的变换器用于像素级表面缺陷检测

Together_CZ的博客 1972

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

CVPR 2025 | 交叉注意力机制还能这么玩?WPFormer利用双域Transformer刷新缺陷检测SOTA(含代码)

本文提出了一种基于小波与原型增强的查询变换器(WPFormer),用于提升工业制造中的像素级表面缺陷检测性能。

2501_93716422的博客 1598

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

CVPR 2025 新方法:小波+原型增强Transformer,像素级缺陷无处可藏

WPFormer通过巧妙融合小波分析的频域感知能力与原型学习的语义抽象能力,为像素级缺陷检测提供了一条新路径。这充分证明了其融合频域与空间域的双路径设计,在应对弱缺陷、复杂背景等挑战时的有效性与通用性。查询只需与这些数量远少于像素的原型进行交互,就能高效捕获关键信息,仿佛聚光灯直接打在了最重要的区域。在智能制造的流水线上,每一处微小的表面缺陷都可能影响最终产品的可靠性。另外,WPFormer提出的WCA和PCA模块设计精巧,具有极强的独立性和可移植性,非常适合作为“即插即用”模块应用于其他计算机视觉任务。

weixin_40920183的博客 345

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

即插即用系列 | WPFormer:基于小波与原型增强的双域 Transformer 表面缺陷检测网络

本文提出WPFormer模型,用于表面缺陷检测。其核心创新是双域Transformer解码器(D2T),通过并行的小波增强跨注意力(WCA)和原型引导跨注意力(PCA)模块,分别在频率域和空间域优化查询。WCA利用小波变换提取高频缺陷特征并抑制噪声,PCA通过原型聚类过滤背景冗余。实验表明,该方法能有效检测微弱缺陷,在多个数据集上达到SOTA性能。代码已开源。

分享顶会顶刊论文即插即用模块 991

保姆级教程:用MS建完分子模型,如何一键转成LAMMPS能用的data文件?

本文详细介绍了如何将Materials Studio(MS)构建的分子模型转换为LAMMPS可用的data文件的全流程。重点讲解了力场选择、环境配置、转换命令参数解析及常见问题排查,帮助初学者快速掌握MS与LAMMPS之间的数据转换技巧,特别适合计算材料学领域的研究人员。

weixin_42665255的博客 472

WPFormer:双域Transformer在工业缺陷检测中的创新应用——小波与原型增强的查询优化机制解析

WPFormer创新性地将双域Transformer应用于工业缺陷检测,通过小波增强和原型优化机制显著提升检测精度。该模型结合频域与空间域分析,有效识别像素级表面缺陷,在弱对比度和复杂背景下表现优异,误报率降低21.4%,为工业质检提供高效解决方案。

sre5engineer的博客 624

[模型部署]-[LLM]昇腾部署Qwen3-Coder-30B-A3B-Instruct

摘要:本文介绍了在Ascend NPU上部署Qwen3-Coder-30B-A3B-Instruct大模型的实践过程。通过vLLM-Ascend框架,详细说明了环境准备(CANN 8.1、PyTorch-NPU 2.5.1等)、模型下载、容器启动及服务部署步骤,包括vLLM服务的启动参数配置和接口测试方法。测试结果显示在当前2卡910B3配置下性能表现仅为8token/s(1并发),并指出流式调用时存在无法输出usage信息的问题。该方案为Ascend平台私有化部署大模型推理服务提供了参考实现。

1673

【Unity】入门教程第一期-下载安装Unity编辑器(下)

讲解如何在Unity Hub中下载Unity编辑器以及IED环境

Xiaoxin的博客 2042
上一篇: Unidbg黑盒调用的艺术:如何在不触碰源码的情况下逆向分析SO文件
下一篇: 解密PostgreSQL删除操作的隐藏特性:RETURNING子句与触发器魔法
gitlab7runner
博客等级 码龄4年 78粉丝 1747原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值