m980828的博客

解决Microsoft Bing 支持 ChatGPT后加入等待队列出错问题

TensorRT加速

深度学习中一些轻量的网络模型

卷积神经网络发展历程

要求： Python>=3.7.0 PyTorch>=1.7我直接在colab上运行，直接不用管这些。数据集：可以使用自己做的数据集，我用的是kolektor数据集，下载地址https://www.vicos.si/Downloads/KolektorSDDKSDD里面只有50个缺陷数据，我做了旋转，差不多一百个缺陷数据标注数据集就用labelImg标注，效果如下：一、在colab上直接克隆源码，再下载requirements....

论文地址：https://arxiv.org/abs/1903.08536v3摘要 基于机器学习的表面异常自动检测已经成为一个有趣且有前途的研究领域，对视觉检测的应用领域有着非常直接的影响。深度学习方法已经成为完成这项任务最合适的方法。它们允许检查系统学习通过简单地显示一些样本图像来检测表面异常。本文提出了一种基于分割的深度学习体系结构，用于表面异常的检测和分割，并在表面裂纹检测的特定领域进行了演示。该体系结构的设计使模型能够使用少量样本进行训练，这是实际应用的一个重要要求。将该模型与相...

要求：Python 3.8PyTorch 1.6, 1.8CUDA 10.0, 10.1数据集：KolektorSDD ，[点此下载](https://www.vicos.si/Downloads/KolektorSDD)在colab上运行示例：先将git上源码克隆过来!git clone https://github.com/vicoslab/mixed-segdec-net-comind2021然后下载KSDD数据集% cd /content/mixed-segdec-net-

表面缺陷检测的混合监督：从弱监督学习到完全监督学习论文地址https://arxiv.org/abs/2104.06064摘要深度学习方法最近开始用于解决工业质量控制中的表面缺陷检测问题。然而，由于学习需要大量数据，通常需要高精度的标签，许多工业问题无法轻松解决，或者由于注释要求，解决方案的成本将显著增加。在这项工作中，我们放松了对完全监督学习方法的严格要求，减少了对高度详细注释的需要。通过提出深度学习体系结构，我们探索了在表面缺陷检测任务中使用不同细节的注释，从通过混合监督的弱（图像级）标签到完整（