天道哥哥的博客

本文介绍了一个基于Pytorch的票据识别项目，包含完整处理流程和核心实现。项目采用YOLO进行票据类型分类和文本框检测，结合PaddleOCR完成文本识别。重点展示了图像预处理技术，包括Deblur去模糊、对比度增强和文本框预处理等关键步骤，提供了完整的代码实现。项目结构清晰，支持自定义数据集标注，并分析了影响识别准确率的主要因素。该方案可作为票据识别的基础框架，后续可通过学习率优化、模型剪枝等技术进一步提升性能。

摘要： 本文介绍了一个基于FastAPI的本地人脸识别项目，采用RetinaFace+ArcFace预训练模型方案，实现了高效准确的人脸检测与识别。项目通过五点仿射变换（Affine Transformation）对齐人脸，相比透视变换更稳定可靠。核心功能包括：人脸检测、特征提取（112×112标准图像）、向量化存储（FAISS索引），支持戴眼镜、侧脸等复杂场景识别。文章详细分析了仿射变换的优越性，并提供了完整的代码实现方案，包括模型初始化、图像处理流程和特征匹配逻辑。该项目可直接部署使用，并建议未来可增加

摘要： 本项目基于Flask框架实现了一个本地化人脸识别系统，采用Facenet预训练模型（MTCNN+InceptionResnetV1）进行人脸检测与特征提取。系统支持万人规模内的人脸考勤，通过图像预处理（亮度/对比度调整）提升识别效果。项目包含完整的数据处理流程：原始图像存储→MTCNN人脸裁剪→特征向量提取→相似度匹配。针对遮挡问题（如眼镜）建议采集多角度样本，未来可通过人脸关键点进行仿射变换优化。核心模块包含模型加载、特征提取和向量匹配功能，采用PyTorch实现，支持CPU/GPU运行。项目结构

本文介绍了一个基于PyTorch的前期模型验证框架，用于实例分割任务。该框架采用Swin Transformer作为骨干网络，结合FPN进行多尺度特征提取，并针对COCO数据集进行了适配优化。文章详细说明了模型设计的关键点：1）使用K-Means算法优化Anchor参数；2）可选择冻结预训练Swin参数；3）保留纯背景图片作为负样本；4）处理不连续类别ID映射问题。核心代码展示了Swin-FPN主干网络和COCO数据集加载器的实现，支持多实例掩码合并。模型在训练初期收敛较慢，但特征学习后mAP提升显著，为后