专注大数据与人工智能技术分享，欢迎私信加群互相学习！

GoAI的学习社区知识星球是一个提供各方向资料整合的平台，致力于提供机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC各个大方向资料，对以上方向全面而有深度的**专栏内容、前沿论文解读、资料共享、行业最新动态以及实践教程。除此之外，后续会整理更多方向综述、重要论文、求职相关（简历撰写技巧、面试题总结、面经资料等）分享给大家，也会邀请更多嘉宾入驻，和大家一起分享职场工作、算法研究心得体会等等干货内容！

为方便更多CV方向学习者学习，本次新星计划活动学习内容不仅包括为本人博客专栏，还会涉及部分知识星球:CV技术指南内容 ，星球文章内容成专栏体系 ，会分享最新论文+ 部署实战+ 资源教程共享，方向很多，包括不限于2D/3D、缺陷检测、分割、Diffusion Model、AIGC、Transformer、点云、遥感图像、量化剪枝蒸馏、REID、医学图像、目标跟踪、车道线、行为、图神经网络、GAN等。

经过几个月的精心筹备，本作者推出全新系列《深入浅出OCR》专栏，**对标最全OCR教程**，具体章节如导图所示，将分别从OCR技术发展、方向、概念、算法、论文、数据集等各种角度展开详细介绍。面向对象：本篇前言知识主要介绍机器学习，方便小白或AI爱好者学习基础知识。

本作者推出全新系列《深入浅出OCR》专栏，对标最全OCR教程。将分别从OCR技术发展、方向、概念、算法、论文、数据集等各种角度展开详细介绍。本篇为该专栏的前言知识，主要介绍深度学习知识，全面总结知知识点，方便小白或AI爱好者学习基础知识。

本篇导读：在上节深度学习知识总结，本人对手写识别项目进行实战，为了进一步学习计算机视觉知识，我们本次以计算机视觉的OCR方向为例，完成中文场景识别，从头到尾帮助大家学习并完成中文文字识别实战任务，方便学习者学习计算机视觉项目流程。

《计算机视觉面试题总结系列》 主要面向计算机视觉目标检测、图像分割及OCR等领域，将对该领域面试相关问题等进行总结，主要进行资源整合！学习对象主要面向深度学习CV方向同学，本篇主要对OCR方向进行全面总结，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除。

《计算机视觉面试题总结系列》 主要面向计算机视觉目标检测、图像分割及OCR等领域，将对该领域面试相关问题等进行总结，主要进行资源整合！学习对象主要面向深度学习CV方向同学，本篇主要对图像分割方向进行全面总结，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除。

《计算机视觉面试题总结系列》：主要面向计算机视觉目标检测、图像分割及OCR等领域，将对该领域面试相关问题等进行总结，主要进行资源整合！学习对象主要面向深度学习CV方向同学，本篇主要对目标检测方向进行全面总结，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除。

本篇主要介绍OCR竞赛技巧总结，主要从OCR概念、分类、模型方法、推荐框架、常用trick、评估指标等多个方面进行总结介绍，部分内容取自本人专栏《深入浅出OCR》系列，上述内容后续会继续更新，欢迎大家订阅学习交流，感谢批评指正！

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域进行竞赛总结，本文为第二篇，主要介绍图像分割领域知识，分别从概述、开源框架、模型选择、常用Tricks等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每章将分别从最新方法、开源框架、数据、模型、常用Tricks等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域论文总结，每章将分别从最新方法、开源框架、模型、等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除

为方便更多CV方向学习者学习，本次 新星计划活动学习内容不仅包括为本人 博客专栏 ，还会涉及部分 知识星球:CV技术指南 ，星球文章内容成专栏体系 ，会分享最新论文+ 部署实战+ 资源教程共享，方向很多，包括不限于2D/3D、缺陷检测、分割、Diffusion Model、AIGC、Transformer、点云、遥感图像、量化剪枝蒸馏、REID、医学图像、目标跟踪、车道线、行为、图神经网络、GAN等。

本项目为新系列 【智慧交通项目实战】《OCR车牌检测和识别》(五)--模型部署与优化》为该系列最后一篇，着重介绍车牌识别系统的模型部署与优化，后续其他系列文章将继续更新相关实战项目。

本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(四)--项目可视化，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍。本篇为该系列第四篇，将着重介绍车牌识别项目可视化，对Pyqt可视化界面、配置进行详进行详细解读，后续将陆续更新其他项目实战文章。

本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(三)--基于改进CRNN的车牌识别，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍。本篇为该系列第三篇，将着重介绍车牌识别流程，对环境安装、训练流程、配置进行详细解读，后续该系列文章将陆续更新。

💚导读：本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(二)--基于YOLO的车牌检测，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍。本篇为该系列第二篇，将着重介绍车牌检测流程，对环境安装、训练流程、配置进行详细解读，后续该系列文章将陆续更新。

💚导读：本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(一)，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍，本篇为该系列第一篇，将着重介绍本次项目开源的CCPD车牌数据集，，用于本次车牌检测和识别模型算法开发，后续系列文章将陆续更新。

本系列主要介绍计算机视觉领域的注意力机制方法，分为注意力机制概述、通道注意力，空间注意力，混合域注意力和时域注意力、注意力机制总结等不同分类展开介绍，后续系列会对上述各种注意力机制方法进行重点讲解，重点论文会配上论文和对应代码，并简要解释，如有错误请大家在评论区指正，如有侵权联系删除。

本篇主要介绍注意力机制中的通道注意力机制，对通道注意力机制方法进行详细讲解，通道注意力机制在计算机视觉中，更关注特征图中channel之间的关系，重点对SENet、ECANe进行重点讲解。

本篇为注意力机制系列第三篇，主要介绍注意力机制中的空间注意力机制，着重详解DCN、Non-local、ViT、DETR等模型，下一篇将对混合注意力机制和时域注意力机制进行讲解。

混合注意力是机制基于通道注意力和空间注意力机制，将两者有效的结合在一起，让注意力能关注到两者，又称混合注意力机制，如CBAM,BAM,scSE等，同时基于混合注意力机制的一些关注点，如关注各种跨维度的相互作用；关注长距离的依赖；RGA关注关系感知注意力。

branch注意力机制主要是关注哪个图片的意思，如一个branch中对不同图片以不同的权重，如CondConv,Dynamic Conv 等；或者在多个branch中，对不同的branch不同的权重，如Highway Network，SKNet, ResNeSt等。

前言：本系列主要对OpenMMlab开源框架进行学习，文章分为计算机视觉基础、图像分类、图像检测、图像分割等，适合人工智能领域入门及爱好者学习，可以快速了解OpenMMlab框架，为后续实战学习打下基础。大致可以分为这么几类：图像识别、目标检测、图像分割、图像增强、图像生成、视觉感知、人脸分类识别、姿态估计、立体视觉等。

本次主要复习深度学习图像分类知识，学习图像分类最新的模型，计算机视觉框架OpenMMLab的MMClassification工具基本使用，为后续实战做铺垫。

本篇主要偏向图像分类实战部分，使用MMclassification工具进行代码应用，熟悉其框架应用，为后续处理不同场景下分类问题提供帮助。

本系列第四篇文章主要介绍目标检测知识，介绍单阶段与双阶段算法发展，并学习目标检测模型，了解计算机视觉框架OpenMMLab的MMDetection工具基本原理及使用，为后续目标检测实战做铺垫。

本篇主要偏向目标检测实战部分，使用MMDetection工具进行代码应用，最后对水果进行检测实战演示，

本系列第六篇文章主要介绍语义分割知识，了解计算机视觉框架OpenMMLab的MMSegmentation工具基本原理及使用，为后续语义分割实战做铺垫。

本文主要对OpenMMlab开源框架的图像分割方向进行学习，适合人工智能领域入门及爱好者学习，本篇介绍快速了解 MMSegmentation框架，为后续实战学习打下基础。

本文内容为英特尔计算机视觉课程，介绍OpenVINO工具，课程分为初中高级，初级课程从AI的基本概念开始，介绍人工智能与视觉应用的相关知识及应用场景。整个课程包含了视频的处理，深度学习的相关知识，人工智能应用的推理加速，以及英特尔OpenVINO工具套件的Demo演示。本课程适合了解计算机视觉应用的核心概念和开发工具套件的学员。...

本系列主要介绍计算机视觉图像处理方向，分为上中下三部分文章，本篇主要详解OpenCV基础方向知识及操作，参考开源资料对OpenCV进行总结，后续将继续更新，适合CV方向同学学习。

​本文主要介绍Transformer系列，从基础到理论，对注意力机制进行总结并解释《Attention is all you need》，提出解决sequence to sequence问题的transformer模型，用全attention的结构代替了lstm，抛弃了之前传统的encoder-decoder模型必须结合cnn或者rnn的固有模式，只用attention。文章的主要目的是在减少计算量和提高并行效率的同时不损害最终的实验结果。

本文主要参考开源资料对Attention注意力机制进行总结，注意力机制本质上与人类对外界事物的观察机制相似。以下是相关学习资料推荐：深度学习中的注意力机制_优快云大数据-优快云博客目前主流的attention方法都有哪些？ - 知乎...

本文为深度学习网络模型知识总结 ，总结常见网络模型概念及实战，并包含相关领域论文，可供深度学习者学习。1.LeNet-5神经元个数=卷积核数量X输出特征图宽度X输出特征图高度卷积层可训练参数数量=卷积核数量X（卷积核宽度X卷积核高度+1）（1表示偏置）汇聚层可训练参数数量=卷积核数量X（1+1）（两个1分别表示相加后的系数和偏置，有的汇聚层无参数）连接数=卷积核数量X（卷积核宽度X卷积核高度+1）X输出特征图宽度X输出特征图高度（1表示偏置）全连接层连接数=卷积核数量X（输

本篇主要介绍机器学习主要概念，包括不限于标签、特征、样本、训练、模型、回归模型、分类模型、泛化、过拟合、预测、平稳性、训练集、验证集、测试集。

本论文系列主要介绍深度学习主干网络，本篇介绍经典网络VGG，包括网络结构介绍、特点及对应论文讲解，VGG可以看成是加深版本的AlexNet。后续会在此基础上更新其他部分网络，仅供个人学习参考！

ResNet 网络是在 2015年 由微软实验室中的何凯明等几位大神提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。对应的论文是 2016 CVPR 最佳论文。① 提出问题：深度卷积网络难训练。② 本文方法：残差学习框架可以让深层网络更容易训练③ 本文优点：ResNet易优化，并随着层数增加精度也能提升④ 本文的工作和成果。

RepVGG是一种简单的VGG式结构,大量使用3x3卷积，BN层，Relu激活函数，利用重参数化提升性能，准确率直逼其他SOTA网络，特点是训练时使用多分支网络，推理时融合多分支为单分支。主要为了解决原始VGG网络模型较大，不便于部署以及性能较差提出的一个VGG升级版本。RepVGG主要思路（1）在VGG网络的Block块中加入了Identity和残差分支，相当于把ResNet网络中的精华应用 到VGG网络中；