前言其实这个问题困扰我有一段时间，相信也有人和我一样有这个困扰，网上已有很多这种解释了，但是要么就是无图，要么就是解释的很乱，没太看懂，经过自己对git的使用，加上向同事请教，算是理解了这个问题，所以写下来分享一下，我尽量详细说明merge与rebase的区别假设我们有如下图一所示仓库，该仓库有master和develop两个分支，且develop是在（3.added merge.tx

什么是git LFSLFS是Large File Storage的缩写，用了帮助git管理大的文件原理：不同于每次保存diff，如果是模型或者一些设计大文件，改变一点，对于仓库来说会增加很大的体积，不一会就能几个G。对于git lfs来说，在使用git lfs track命令后，git push的时候，git lfs会截取要管理的大文件，并将其传至git lfs的服务器中，从而减小仓库的体积...

本文提出PowerPaint算法，基于Stable Diffusion框架，通过引入三个可学习提示（prompt）实现图像修复、物体生成和形状引导生成等多功能任务。方法扩展SD输入通道至9个，包含原始图像、掩码图像和掩码信息。三个提示分别用于背景修复（$P_{ctxt}$）、物体生成（$P_{obj}$）和形状引导生成（$P_{shape}$），其中$P_{shape}$采用膨胀掩码和比例参数α控

一切要从最近大火的Lora(）说起，该文章在ICLR2022中提出。说的是利用低秩适配(low-rank adaptation)的方法，可以在使用大模型适配下游任务时只需要训练少量的参数即可达到一个很好的效果。LoRA是怎么去微调适配下游任务的？流程很简单，LoRA利用对应下游任务的数据，只通过训练新加部分参数来适配下游任务。而当训练好新的参数后，利用重参的方式，将新参数和老的模型参数合并，这样既

图片处理特定任务上的数据集规模较小，例如LAION-5B这种数据集是特殊领域图像处理数据集（100k）的5w倍图片处理任务还是靠数据驱动的，所以想要在特定的硬件资源和时间上快速的训练一个大网络是比较难的图像处理任务非常的多样，目前还没有一个灵活的方式将不同的任务采用end-to-end方式完成，还是不同的任务用不同的方式来适配任务本文提出一种方法可以使得大模型在特定领域的小数据集上训练而不会过拟合

BLEU (bilingual evaluation understudy) ACL-2002Meteor AMTA-2004ROUGE-L ACL-2004CIDEr CVPR-2015SPICE ECCV-2016

这是两篇文章，因为这两篇文章大部分是相同的所以写一块了。TextBoxes《TextBoxes: A Fast Text Detector with a Single Deep Neural Network》发表于AAAI2017github地址：https://github.com/MhLiao/TextBoxes这篇文章是借鉴SSD的网络用于文字检测，创新也不是太大。还有一点要清楚的...

《Squeeze-and-Excitation Networks》这篇文章在17年就发布在axiv上了，最近一次修改是2019年五月，最近看用的人还是蛮多的，可能是因为效果好而且使用简单吧。该网络其实可以理解为一个网络中的插件，可以和各种网络配合，如最基础的卷积层，resnet，inception等等。下面来看看它的实现原理。一、SE块（SQUEEZE-AND-EXCITATION BLOCK..

视频时序动作检测

主流视频动作类算法任务介绍