高分辨率密集预测得到越来越多的应用，如计算摄影、自动驾驶等。然而，巨大的计算成本使得在硬件设备上部署最先进的高分辨率密集预报模型变得困难。本文提出EfficientViT，一个新的高分辨率视觉模型家族，具有新颖的多尺度线性特性。不同于现有的高分辨率密集预测模型依赖于大量的softmax注意力、硬件低效的大内核卷积或复杂的拓扑结构来获得良好的性能，多尺度线性注意力只需轻量级和硬件高效的操作就可以实现

首先，为什么需要优化器（Optimizer）这个东西呢，因为许多问题都是需要“优化”的（当然也包括未来35岁的你我🐶）。人生中，你经历的很多事都可以有一个目标函数（诸如买到房子，找到对象，生个娃，再“鸡”个娃，再买个房子，再帮他找个对象...），那么有了目标，就需要进行求解，也就是优化。如果你的目标很简单，就像一个沙盘大小，那你可以一眼就看出沙盘的最低点（或者最高点）在哪，也就是最优解；但是，如

论文论文题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION发表于：CVPR 2021论文地址：https://arxiv.org/pdf/2112.13082.pdf摘要本文提出了一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取

Yolov5-Lite，更轻更快易于部署的网络。一、YOLOV5-Lite1、Backbone与HeadYOLOv5-Lite的网络结构的Backbone主要使用的是含Shuffle channel的Shuffle block组成；检测 Head 依旧用的是 YOLOv5 head，但用的是其简化版的 YOLOv5 head。Shuffle block示意图如下：YOLOv5 backbone：在

图像恢复是从其受损版本中恢复高质量清晰图像的过程。deep-learning方法显著提升了图像恢复性能，然而，它们在不同类型和级别的退化上的泛化能力有限。这限制了它们在实际应用中的使用，因为需要针对每种具体的退化进行单独训练模型，并了解输入图像的退化类型才能应用相应的模型。本文介绍了一种基于提示的学习方法，称为PromptIR，用于全能图像恢复，可以有效地从各种类型和级别的退化中恢复图像。具体而言

图像在频域里面，频率低的地方说明它是比较平滑的，因为平滑的地方灰度值变化比较小，而频率高的地方通常是边缘或者噪声，因为这些地方往往是灰度值突变的。所谓高通滤波就是保留频率比较高的部分，即突出边缘；低通滤波就是保留频率比较低的地方，即平滑图像，弱化边缘，消除噪声。

PLE为Recsys2020最佳长论文，出自腾讯的PCG（PlatformandContentGroup）推荐视频团队。PLE是MMoE（详见MMoE）的改进版，结构简单且效果好，PLE主要是在MMoE的基础上，为每个任务增加了自己的specificexpert，仅由本任务对其梯度更新。......

空间注意力有助于保留细节信息，通道注意力有助于保留大物体的语义一致性。有效使用两种注意力可以提升性能。本文旨在记录一些常用的注意力，以及代码实现，包括两篇文章，DANet，FLA。

Anomaly Detection: The process of detectingdata instances that significantly deviate from the majority of the whole dataset.

本文讨论了开放集监督的异常检测，其中我们使用异常实例学习检测模型，目的是检测已见的异常（"灰天鹅"）和未见的异常（"黑天鹅"）。