最近提出的任意分割模型（SAM）在许多计算机视觉任务中产生了重大影响。它正在成为许多高级任务的基础步骤，如图像分割、图生文和图像编辑。然而，它巨大的计算成本使它无法在行业场景中得到更广泛的应用。计算主要来自于高分辨率输入下的Transformer体系结构。

项目地址：https://github.com/VainF/Torch-PruningTorch-Pruning 是一个专用于torch的模型剪枝库，其基于DepGraph 技术分析出模型layer中的依赖关系。DepGraph 与现有的修剪方法（如 Magnitude Pruning 或 Taylor Pruning）相结合可以达到良好的剪枝效果。本博文结合项目官网案例，对信息进行结构话，抽离出

任务背景1、在恶劣天气条件下捕获的低质量图像中定位目标仍然具有挑战性2、在恶劣天气下拍摄的图像可以分解为干净的图像 及其 相应的特定天气的信息3、在恶劣天气下的图像质量下降，主要是由于特定天气信息与物体之间的相互作用，导致检测性能较差相关研究1、Huang、Le和Jaw（2020）采用了两个子网联合学习可见性增强和目标检测，通过共享特征提取层，降低了图像退化的影响。然而，在训练过程中，很难调整参数

1、传统方法的感受野有限，在大面积物体的变化检测中容易存在漏检（可见章节3.2中的实验效果2、BIT与同时期的方法相比，属于flop低、参数少的轻量化模型;且基于transformer后，模型的泛化能力更为强劲（可见章节3.3中的两个图表3、论文本质就是原始transformer在语义分割中的应用，写作较为丰富和扎实，并未针对变化检测的数据特性提出网络结构或module的设计（可见章节4中的消融实

2023年最强目标检测器re-detr论文的基本解读。前些年基于端到端transformer-based detectors（DETRs）取得了显著的性能。然而，DETRs的高计算成本的问题还没有得到有效的解决，这限制了它们的实际应用，并阻止了它们充分利用没有非最大抑制（NMS）后处理的好处。本文首先分析了现代实时目标检测器中NMS对推理速度的影响，并建立了一个端到端速度基准。为了避免NMS造成的

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

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:/

是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。随着其官方团队对ultralytics项目的不断完善，其所支持的功能在不断扩展，为此重新对ultralytics项目进行深入分析。

win10下cuda12.1 +troch2.4.1+vs2022+python3.8环境下编译的flash-attn库，同时有编译好的whl文件的下载地址

步骤二：将·/usr/local/cuda/targets/x86_64-linux/lib/添加到系统环境变量中。这个可以在/etc/profile文件中增加环境变量，将/usr/local/cuda/bin添加到path中，具体操作如下所示。在使用nvcc命令时，可能也会存在报错。，找到其路径为·/usr/local/cuda/targets/x86_64-linux/lib/