王了了哇-优快云博客

原创【MLP多层感知机】

MLP（多层感知机，Multilayer Perceptron）是一种前馈人工神经网络（Feedforward Artificial Neural Network），是深度学习中的基础模型之一，主要用于分类和回归任务。

2025-03-22 19:11:54 247

原创【DETR】训练自己的数据集以及YOLO数据集格式(txt)转化成COCO格式（json）

DETR(Detection with TRansformers)是基于transformer的端对端目标检测，无NMS后处理步骤，无anchor。

2025-03-22 19:08:07 1042

原创【产品经理的三大文档】

这三类文档有时候会结合实际情况进行调整，比如在互联网公司，MRD 和 BRD 可能会合并成一份商业需求文档，而 PRD 则会细化到不同模块。但无论如何，它们的核心作用都是帮助团队高效协作、确保产品落地。

2025-03-16 22:26:37 768

原创【Kaggle Tutorial的使用】

什么是Kaggle?Kaggle允许你在线编写和执行Python代码无需配置免费使用GPU(每周30小时)轻松共享更强的GPU资源上传数据集，举办竞赛…

2025-03-13 20:21:30 525

原创【Colab Tutorial的使用】

什么是Colab 或者 Colaboratory？Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。

2025-03-13 15:09:23 1207

通过试错（Trial & Error）进行学习，智能体（Agent）与环境交互，并基于奖励或惩罚调整策略，以实现目标最大化。降维（Dimensionality Reduction）：用 PCA（主成分分析）减少数据维度，提高计算效率。分类（Classification）：识别邮件是否为垃圾邮件（Spam/Not Spam）。训练数据有输入（特征）和正确的输出（标签），模型通过学习映射关系来进行预测。奖励（Reward）：智能体的反馈信号，鼓励好的行为。回归（Regression）：预测房价。

2025-03-11 11:49:17 407

原创【Mamba和Transformer的关系】

Mamba 和 Transformer 都是深度学习模型架构，用于处理序列数据（如自然语言、时间序列等），但它们的核心机制和计算方式有所不同。KV 缓存（Key-Value Cache）：为了优化推理时的计算量，Transformer 会缓存已计算的 key 和 value，但仍然受到存储和计算限制。计算复杂度 O(N²)：注意力机制的计算量随着序列长度 N 的增加呈二次增长，因此在处理超长序列时成本高昂。Mamba 不是 Transformer 的直接替代，而是对长序列任务的一种更高效的架构选择。

2025-02-21 19:34:13 434

原创 DeepSeek最新论文精读：【Native Sparse Attention 一种硬件对齐且可训练的稀疏注意力机制】

我们提出NSA（原生可训练稀疏注意力，Natively trainable Sparse Attention），该机制结合了算法创新与硬件对齐优化，实现了高效的长上下文建模。NSA 采用 **动态分层稀疏策略，结合粗粒度的 token 压缩和细粒度的 token 选择，在保持全局上下文感知的同时确保局部精确性。

2025-02-21 19:30:50 973

原创李宏毅机器学习笔记：【6.Optimization、Adaptive Learning Rate】

critical point不一定是你在训练一个network时候遇到的最大的障碍。

2025-02-15 19:58:48 1338

原创李宏毅机器学习笔记：【5.Batch和Momentum的训练技巧】

每次训练一个batch计算一次Loss所有的Batch看过一遍叫做一个epoch。

2025-02-14 11:54:03 846

原创【科研人必备：全面查找文献，查作者研究的所有文献】

如何快速查全、查准文献

2025-02-12 11:47:51 232

原创数据增强方法：【Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation】

在本研究中，我们系统地研究了实例分割中的 Copy-Paste 数据增强，其中我们随机将物体粘贴到图像上。先前关于 Copy-Paste 的研究依赖于对周围视觉上下文的建模来粘贴物体。然而，我们发现简单的随机粘贴物体机制已经足够有效，并且在强基线上可以提供显著提升。此外，我们表明 Copy-Paste 可以与利用伪标签（如自训练）额外数据的半监督方法结合使用，从而进一步提升性能。

2025-02-12 11:47:05 1188

原创【iSAID：用于航空影像实例分割的大规模数据集】

我们的大规模、高密度标注的航空影像实例分割数据集（iSAID）包含 655,451 个目标实例，涵盖 15 个类别，分布在 2,806 张高分辨率图像中。

2025-02-11 21:39:44 1350

原创【煤矿井下数据集】

本文开发了一个地下长壁采矿工作面的图像数据集（DsLMF+），该数据集包含138004张图像，标注了6类目标，分别是矿工、液压支架护板、大块煤、拖缆、矿工行为以及矿用安全帽。所有数据集标签均以YOLO格式和COCO格式公开提供。

2025-02-11 14:45:59 1452 1

原创精度论文：【Focaler-IoU: More Focused Intersection over Union Loss】

现有研究通过利用边界框之间的几何关系来提升回归性能，但忽略了困难样本与易样本分布对边界框回归的影响。在本文中，我们分析了困难样本与易样本分布对回归结果的影响，并提出了Focaler-IoU，该方法通过聚焦不同的回归样本，能够在不同的检测任务中提高检测器的性能。

2025-01-16 21:37:40 1173

原创精度论文：【Coordinate Attention for Efficient Mobile Network Design】

我们提出了一种新颖且高效的注意力机制，通过将位置信息嵌入通道注意力，使移动网络能够关注更大的区域，同时避免显著增加计算开销。

2025-01-08 22:30:48 1228

原创【通俗理解RNN】

首先要了解一下最基本的单层网络，它的结构如下图所示：输入是x，经过变换Wx+b和激活函数f，得到输出y。在实际应用中，我们还会遇到很多序列形的数据：而其中，就不太好用原始的神经网络处理了。为了建模序列问题，RNN引入了隐状态h（hidden state）的概念，隐状态h可以对序列形的数据提取特征，接着再转换为输出。先从h1的计算开始看：图示中记号的含义是：a）圆圈或方块表示的是向量。b）一个箭头就表示对该向量做一次变换。如上图中h0和x1。

2024-12-07 18:17:20 1071 2

原创 Lightweight Object Detection： A Study Based on YOLOv7 Integrated with ShuffleNetv2 and ViT

随着计算机视觉领域的快速发展，目标检测已经成为多个应用领域的关键组成部分，涉及安全监控、自动驾驶和智能医疗等领域。尽管传统的目标检测方法在计算复杂度和实时性方面存在不足，但基于深度学习的算法在准确性和实时性能方面取得了显著突破。在这些算法中，YOLO（You Only Look Once）[1, 3, 4, 6, 8, 10, 12]已成为经典的实时目标检测算法，成功地在计算速度和检测精度之间达到了平衡。然而，移动设备通常面临计算能力、内存容量和能耗的限制，这使得深度学习模型的部署变得复杂。

2024-11-29 22:19:12 741

原创精读论文：【Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising】

这篇论文提出了一种新的混合卷积和注意力网络（HCANet），用于高光谱图像（HSI）去噪。HCANet结合了卷积神经网络（CNNs）和Transformer的优势，以同时增强全局和局部特征的建模。为了捕获长距离依赖性和邻域光谱相关性，作者设计了一个卷积和注意力融合模块（CAFM）。此外，为了改善多尺度信息聚合，作者设计了一个多尺度前馈网络（MSFN），通过提取不同尺度的特征来增强去噪性能。

2024-11-25 20:56:43 2659 1

原创【高光谱图像解释】

高光谱图像（Hyperspectral Image, HSI）是一种包含丰富光谱信息的图像类型，能够记录每个像素在多个连续光谱波段上的反射或辐射强度。与普通彩色图像（如RGB图像）只包含红、绿、蓝三个波段的光谱信息不同，高光谱图像的光谱分辨率更高，可以涵盖数百甚至上千个窄波段。这使得高光谱图像能够捕获物质的细微光谱特征，实现传统成像无法达到的精细分析。

2024-11-25 17:14:07 1908

原创 YOLO-FaceV2: A Scale and Occlusion Aware Face Detector

我们设计了一个称为RFE的感受野增强模块来增强小人脸的感受野，并使用NWD Loss来弥补loU对小物体位置偏差的敏感性。针对人脸遮挡问题我们提出了一种称为SEAM的注意力模块，并引入了排斥损失(Repulsion Loss) 来解决它。此外我们使用滑动权重函数(Slide) 来解决简单样本和困难样本之间的不平衡问题，并利用有效感受野的信息来设计锚框。

2024-11-23 18:02:04 1536 1

原创 SAM：Segment Anything

我们推出了“分割万物”（Segment Anything，简称SA）项目：这是一个全新的图像分割任务、模型及数据集。我们利用高效的模型构建了一个数据收集循环，从而创建了迄今为止（遥遥领先）规模最大的分割数据集，该数据集包含1100万张获得授权且尊重隐私的图像，这些图像上共有超过10亿个分割掩码。该模型经过专门设计和训练，具备可提示性，因此能够实现零样本迁移，适应新的图像分布和任务。我们在众多任务上评估了该模型的能力，发现其零样本表现十分出色——通常能与先前的全监督结果相媲美，甚至更胜一筹。

2024-10-24 22:32:53 979

原创【SAM+YOLOv8实现图像批量分割提取分割掩码】

本文主要根据xml标签信息作为提示，将目标检测框框选的内容进行实例分割，提取分割掩码。

2024-10-24 22:23:07 1978 1

原创 GroupMamba: Parameter-Efficient and Accurate Group Visual State Space Model

在语言和视觉理解领域，出现了各种上下文建模方法。这些方法包括卷积、注意力机制，以及最近的状态空间模型。具有多头自注意力机制的Transformer一直是语言模型（如GPT-3）和视觉模型（如Vision Transformers）的核心。然而，由于注意力机制的计算复杂度是二次方的，特别是在处理较长序列时，这导致了计算复杂度的挑战，进而催生了像S4这样的状态空间模型的出现。

2024-09-20 22:12:08 1116

原创 LSM-YOLO: A Compact and Effective ROI Detector for Medical Detection

提出了一种名为轻量级旁路匹配Lightweight Shunt Matching-YOLO（LSM-YOLO）的新型模型，该模型包含轻量级自适应提取（LAE）和多路径旁路特征匹配（MSFM）。首先，通过使用LAE 来精细化特征提取，模型可以从多尺度特征图中获得更多的上下文信息和高分辨率细节，从而在减少噪声影响的同时提取医学图像中ROI的详细特征。其次，MSFM 被用来进一步细化高级语义特征和低级视觉特征的融合，使得ROI特征与邻近特征之间的融合更好，从而提高检测率，以更好地辅助诊断.

2024-09-20 16:38:49 1597 1

原创压缩图片大小脚本

【代码】压缩图片大小脚本。

2024-09-16 22:42:07 215

原创【Window11 不同cuda版本切换】

总结来说，手动切换 CUDA 版本的核心是更新系统环境变量。但是，有时候你基于当前的cuda版本建立了一个虚拟环境，这个时候在虚拟环境里面切换cuda,虚拟环境里面的cuda 没有变，是因为你的虚拟环境中已经安装了一些依赖于该 CUDA 版本的库，虚拟环境本身并不会“锁定” CUDA 版本，而是这些库通常会与特定版本的 CUDA 绑定在一起。所以在虚拟环境中，CUDA 版本一旦安装好后，通常不能直接在同一个虚拟环境中切换到不同的版本。因为 CUDA 的库和驱动与硬件以及软件的兼容性密切相关.。

2024-09-16 22:07:46 1203

原创 Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation

受以处理长序列和全局上下文信息并增强计算效率为特点的Mamba架构（作为状态空间模型SSM）的启发，我们提出了Mamba-UNet，这是一种将医学图像分割中的U-Net与Mamba能力相结合的新型架构。

2024-09-07 15:40:46 2887 4

原创 Vision GNN: An Image is Worth Graph of Nodes

网络架构在基于深度学习的计算机视觉系统中起着关键作用。广泛使用的卷积神经网络（CNN）和Transformer将图像视为网格或序列结构，但这在捕捉不规则和复杂对象时并不灵活。为了解决这一问题，本文提出了一种将图像表示为图结构的方法，并引入了一种新的视觉图神经网络（Vision GNN，简称ViG）架构，用于在视觉任务中提取图级特征。

2024-09-02 21:46:11 1552