深度学习是一个"黑盒"系统。它通过“end-to-end”的方式来工作，中间过程是不可知的，通过中间特征可视化可以对模型的数据进行一定的解释。最早的特征可视化是通过在模型最后一个conv层的Global average pooling实现，并将分类层设置为单个全连接层。通过Global average pooling的值来确定各个feature map的权重，然后累加到一起实现可视化。后来有衍生出

gradio是一款基于python的算法快速部署工具，本博文主要介绍使用gradio部署目标检测、图像分类、语义分割模型的部署。相比于flask，使用gradio不需要自己构造前端代码，只需要将后端接口写好即可。此外，基于gradio实现的项目，可以托管到huggingface。

论文地址：https://arxiv.org/pdf/2303.14726项目地址：https://github.com/csxmli2016/MARCONet发布时间：2023年4月22日盲文本图像超分辨率（SR）是一个挑战，因为人们需要应对不同的字体风格和未知的退化。为了解决这一问题，。尽管如此，。这个问题进一步复杂化了复杂结构的汉字，例如，。在这部工作中，我们提出了一个新颖的模型，更关注文字

超分辨率（Super-Resolution），简称超分（SR）。是指利用光学及其相关光学知识，根据已知图像信息恢复图像细节和其他数据信息的过程，简单来说就是增大图像的分辨率，使图像更加“清晰”，尽可能保证图像质量不下降。超分辨率的方法包括传统方法和深度学习的方法，有关超分辨率方法分类如下图所示。深度学习方法在性能上远远领先于传统方法，有着更好的图像超分辨率表现。知乎用户 阿布的足迹​https:/

torch-pruning库是一个开源的模型剪枝库，yolov8是是一个2年前较为先进的目标检测模型。在torch-pruning库中有很多模型剪枝案例，本文以yolov8剪枝代码为案例进行分析，代码路径在torch-pruning项目下examples\yolov8\yolov8_pruning.py。本博文基于官方代码对coco128数据进行剪枝尝试，发现剪枝后的map有6个点的下降，这主要是

项目地址：https://github.com/Kolkir/Coarse_LoFTR_TRT创建时间：2022年相关训练数据：BlendedMVSLoFTR [19]是一种有效的深度学习方法，可以在图像对上寻找合适的局部特征匹配。本文报道了该方法在低计算性能和有限内存条件下的设备上的优化工作。原来的LoFTR方法是基于一个ResNet [6]backbone和两个基于线性transformer[

软件依赖：mediamtx、ffmpegpython包依赖：deffcodemediamtx下载地址：https://github.com/bluenviron/mediamtx/releasesffmeg下载地址：https://ffmpeg.org/download.htmldeffcode安装命令：pip install deffcode。

博主在这个机器上做过很多个启动盘，最终只有ubuntu23.04是安装成功的。其他的centos系统，ubuntu18.04均由于显示器分辨率太大（34寸屏幕），而镜像支持的分辨率较低，导致一涉及图形界面就黑屏，最终导致系统安装失败。先找到Boot选项卡，然后展开Hard Drive选项，按+将最后一个SCSI Hard Drive选项移动到前面，最后按F10保存退出。启动ultraiso，点击文

从MoblieNetV1、MoblieNetV2、MoblieNetV3到MoblieNetVit，模型系列经过了4次的迭代发展，但不离本质就是对conv的近似替代。先对conv的功能进行定义和拆分，然后对每一个子功能进行实现。试图以一个低参数高flop的block来替换掉原来的cnn层；在MoblieNet中，都是使用conv进行下采样，并没有使用池化层。MoblieNetV1提出了conv可以

项目依赖：onnxruntime-gpu、opencv-python、imread-from-url、cap-from-youtube、ultralytics。