录求学之迹，留影于凡庸之日，若有益于君，更胜琼瑶。

通用横轴墨卡托投影（UTM）是地图投影领域的重要创新，其诞生源于对高精度地理坐标表达的迫切需求。20世纪中叶，随着军事导航、资源勘探和工程测量的精度要求提升，传统投影方式在区域变形控制上的局限性日益凸显。UTM通过横轴墨卡托投影原理与分带技术的结合，巧妙地将地球划分为60个经度带（每个带宽6度），以中央经线为基准构建局部坐标系，既保留墨卡托投影保形特性，又通过分带控制变形范围，使各带内距离、角度和面积精度达到实用平衡。

本文主要讲解了从克隆Spark-TTS库到进行声音克隆的过程，包括安装依赖、下载权重、UI界面及问题解决等。

WGS-84坐标系作为全球地理空间技术的核心基准，定义了地球质心为原点的三维定位标准，通过经度、纬度和高程实现米级至厘米级精度。其技术优势在于全球统一性和动态更新机制，消除地域偏差，适应地球物理变化，支持GPS、北斗等多系统兼容。该坐标系广泛应用于导航、测绘、遥感和GIS领域，是数字地图、车辆定位、航空航天的基础框架。日常生活中，手机导航、无人机飞行均依赖其基准，推动现代空间技术发展。其不可替代性在于整合全球数据，促进跨国合作，成为人类探索地球的关键工具。

为了方便本地化部署后，异地调用本地模型进行推理，可以按照以下步骤操作：1. 基础环境：在LM Studio官网下载并运行对应的GGUF模型，以及安装对应的python包。2. Flask构建网页：Flask结合LM Studio的端口和HTML构建网页，实现网页对话。3. 内网穿透：通过花生壳将Flask所开放的端口进行映射，实现异地访问本地的模型。

本文将U-Net解码中的特征拼接修改为逐元素求和和逐元素乘积，并针对血管分割任务进行了性能评估。实验结果显示，在无激活函数时，逐元素乘积在多个关键指标上均优于逐元素求和，性能提升幅度在0.2%至3%之间，表明逐元素乘积确实能在一定程度上提供更高维度的隐式空间。从分割结果来看，逐元素乘积似乎对较大的血管具有更好的分割效果，能够更准确地捕捉血管的轮廓和细节。同时，使用逐元素乘积的分割结果也表现出更高的光滑性和一致性，减少了噪声和伪影的干扰，从而提高了分割结果的可靠性和可读性。

PSFR-GAN是一个基于深度学习的开源项目，其主要目标是实现高质量的人脸图像盲复原。PSFR-GAN的核心是生成对抗网络，包括两个部分：生成器和判别器。生成器负责从低分辨率图像生成高分辨率图像，而判别器则试图区分真实高分辨率图像与生成器产生的图像。在训练过程中，这两个网络相互竞争并共同提升，直至生成器可以产出难以被判别器识破的高分辨率图像。PSFR-GAN在图像超分辨率重建方面有以下特点：结合了几何先验，能够生成具有清晰面部形状和逼真面部细节的图像。

轻量化网络是指在保持较高性能的同时大大减少模型参数和计算量的神经网络模型。轻量化网络的出现是为了解决在移动设备和嵌入式系统等资源受限的环境中部署深度学习模型时所面临的挑战。传统的深度学习模型通常包含大量的参数和复杂的计算结构，这使得它们在移动设备上运行时需要消耗大量的内存和计算资源。而轻量化网络通过精心设计结构和参数，可以在移动端实现更加高效的部署，从而适应移动设备上的应用需求。因此轻量化网络的研究和发展是深度学习领域的一个重要方向，涉及网络结构设计、模型压缩、量化技术、剪枝等多个方面。

正则化是一种在机器学习中用于控制模型复杂度的技术，它通过在损失函数中添加一个额外项来对参数进行约束，从而避免过拟合。其中，L1正则化通过对参数的绝对值求和来实现，能够产生稀疏权重；L2正则化通过对参数的平方和求根号来实现，能够产生较为平滑的权重；实际上可以结合两者来共同约束参数。在实际应用中，正则化可以帮助模型更好地泛化数据，提高模型的鲁棒性和可靠性。同时，正则化也需要根据具体问题进行调整，不同的正则化方法和系数可能会产生不同的效果。

MobileNet是一种轻量级的深度卷积神经网络（CNN），旨在在计算资源有限的移动设备上实现高效的图像分类和目标检测。MobileNet的设计出发点是通过减少模型参数和计算量来提高模型的速度和效率，同时尽可能保持模型的准确性。MobileNet首先引入了深度可分离卷积（Depthwise Separable Convolution）结构。随后MobileNet后续由一系列的Inverted Residual Blocks组成。

一个有写博客的人，难免会遇到markdown语法不会，本博客主要记录一些常见但是不易记的内容以备查询。暂时包含的内容有：标题、字体、图片等常见的设置，如大小，颜色、排列等。

足下潇洒美少年，举觞白眼望青天，皎如玉树临风前。Mmediting是一个由开发者大力维护的开源深度学习库，它致力于提供高效和先进的图像和视频编辑工具。基于PyTorch实现，Mmediting依赖于许多常见的深度学习库，例如CUDA和CUDNN，以实现高性能的图像和视频处理。它提供了强大的超分辨率、去噪、修复、颜色转换、图像合成、视觉效果等功能，可以帮助用户在不同的应用场景下完成各种图像和视频处理任务。

超分辨率是指将低分辨率图像通过算法提升其分辨率，使其看起来更加清晰、细腻。在计算机视觉领域，超分辨率技术应用广泛，包括图像处理、视频压缩、安防监控等。为了进行超分辨率项目开发，需要配置相应的环境。一般来说，超分辨率算法需要依赖于深度学习框架和图像处理库等多个组件。GCFSR是一种无需GAN先验的生成式超分辨率方法，旨在提高人脸图像的分辨率。该方法采用了Encoder-Generator架构，并设计了样式调制模块和特征调制模块。

在本文中，我们将介绍如何使用Matplotlib和其他相关库来实现多折线绘制和局部放大，以满足数据分析和可视化的需求。

本博客仅为学习记录之用，目的在于后续若需要相关的有资可查。在言语上恐有诸多纰漏，如有错误，欢迎指出交流学习！本博客所包含的大致内容:一个简单的模型搭建流程，包括：数据加载、模型结构、训练网络、指标计算及绘图、README.md撰写等等。相关涉及内容：解析命令行的简单使用；记录日志；混淆矩阵；ROC曲线等。

本博客所包含的大致内容: 小波分解原理；基于python-opencv的RGB图像的小波分解与合成；基于PIL的RGB图像的小波分解与合成；解析命令行的简单使用。

学习记录：QT5 的简单界面设计及常见的错误解决前言Qt简介Qt Designer 简单使用Qt Designer以及PyUIC、PyRcc安装Qt Designer界面控件选择与设置界面背景以及子控件属性继承rosesakura年甲子wishUI转.py以资源转.py子窗口切换效果图总结1.QMessageBox被主窗口的背景填充2.Qlabel播放视频帧仅有最后一帧的图片致谢参考前言本博客仅为记录Pyqt5学习之用，目的在于后续若需要相关的有资可查。在排版言语上恐有诸多纰漏，此新手接触，如有不对的地

学习记录：QT5 界面设计的踩坑记录本博客所包含的大致内容：Qlabel显示视频与图片；界面关闭程序仍旧运行；常见控件的StyleSheet设置；窗口退出确认。