本文针对YOLOv8sDET目标检测模型提出三版递进式轻量化优化方案：第一版通过输入分辨率压缩（1024→512）实现48.2%参数量降低和18.2%算力优化，检出率保持99.62%；第二版精简C2f模块迭代层数，参数量累计压缩58.2%，算力降低21.3%，检出率99.61%；第三版采用GhostConv替换标准卷积，在参数量减少10.2%、算力降低7.7%的同时，检出率提升至99.75%。实验

本文全面解析了传统Vision Transformer（ViT）模型，该模型由Google团队2020年提出，首次将纯Transformer架构应用于计算机视觉任务，打破了CNN在视觉领域十余年的统治地位。文章从背景、原理到实现详细介绍了ViT的创新设计：通过图像分块（Patch Embedding）、添加分类令牌（Class Token）和可学习位置编码，将二维图像适配Transformer的序

摘要： sherpa-kws是sherpa-onnx框架中的关键词检测（KWS）功能，用于本地化语音唤醒与指令识别（如“开灯/关灯”）。其核心为小型流式ASR模型，通过限制解码范围仅响应预设关键词（需转换为拼音token），并支持动态调整触发阈值（keywords_threshold）与灵敏度（keywords_score）。配置步骤包括：安装依赖、下载中文模型（如wenetspeech-3.3M

DeepSeek团队推出的两代OCR模型（2025版DeepSeek-OCR和2026版DeepSeek-OCR2）通过创新技术解决了传统OCR在复杂文档处理中的核心痛点。初代模型采用上下文光学压缩技术，将高分辨率图像压缩为极少量视觉令牌，显著降低算力需求；二代模型引入视觉因果流架构，模拟人类阅读逻辑，实现自适应令牌分配和语义化理解。两代模型在保持超高压缩比（最低64个令牌）的同时，识别精度全面领

国内外研究现状（综述）

本文针对YOLOv8sDET目标检测模型提出三版递进式轻量化优化方案：第一版通过输入分辨率压缩（1024→512）实现48.2%参数量降低和18.2%算力优化，检出率保持99.62%；第二版精简C2f模块迭代层数，参数量累计压缩58.2%，算力降低21.3%，检出率99.61%；第三版采用GhostConv替换标准卷积，在参数量减少10.2%、算力降低7.7%的同时，检出率提升至99.75%。实验

随着人工智能的兴起，身份识别以及行为识别开始逐渐发展起来了，其中特征提取就是十分关键的一步。特征提取分为传统特征提取和深度特征提取，本章着重介绍了传统特征提取。传统特征提取一般提取的是边缘特征、 角特征、颜色特征以及纹理特征等具体特征，具有提取特征具体化、提取速度快、提取效果好等优势。传统特征提取主要有Harris、SIFT、SURF、LBF、HOG、DPM、ORB等方法，这些方法各有各的优势，具

本文全面解析了传统Vision Transformer（ViT）模型，该模型由Google团队2020年提出，首次将纯Transformer架构应用于计算机视觉任务，打破了CNN在视觉领域十余年的统治地位。文章从背景、原理到实现详细介绍了ViT的创新设计：通过图像分块（Patch Embedding）、添加分类令牌（Class Token）和可学习位置编码，将二维图像适配Transformer的序

DeepSeek团队推出的两代OCR模型（2025版DeepSeek-OCR和2026版DeepSeek-OCR2）通过创新技术解决了传统OCR在复杂文档处理中的核心痛点。初代模型采用上下文光学压缩技术，将高分辨率图像压缩为极少量视觉令牌，显著降低算力需求；二代模型引入视觉因果流架构，模拟人类阅读逻辑，实现自适应令牌分配和语义化理解。两代模型在保持超高压缩比（最低64个令牌）的同时，识别精度全面领

本文针对YOLOv8sDET目标检测模型提出三版递进式轻量化优化方案：第一版通过输入分辨率压缩（1024→512）实现48.2%参数量降低和18.2%算力优化，检出率保持99.62%；第二版精简C2f模块迭代层数，参数量累计压缩58.2%，算力降低21.3%，检出率99.61%；第三版采用GhostConv替换标准卷积，在参数量减少10.2%、算力降低7.7%的同时，检出率提升至99.75%。实验