为什么有效:选中样本在分布的"一阶矩(均值)"上代表全类 → 它们是统计上的代表点,蒸馏它们最能复刻旧决策边界。k-means可以适配长尾数据，离群数据可以成为类的簇，小簇(尾部形态)能保住。E 步(分配):固定簇心 → 每点归到最近簇(给定中心下的最优分配)M 步(更新):固定分配 → 簇心取簇内均值(给定分配下的最优中心)让每个点到自己簇心的距离平方和最小——"靠近的点归一组"的数学化。her

在深度学习应中大规模数据训练成本高昂，如何在不显著损失学习信号的前提下大幅压缩数据规模，是机器学习效率优化的核心问题。

影响函数 Influence Functions用一次微分近似 Leave-One-Out，回答一个朴素却强大的问题—— “删掉这个训练样本，模型会变好还是变差？” 在数据清洗里，它是定位错标 / 在数据清洗里，它是定位最优雅、最有理论支撑的工具之一。

深度学习EMA算法——指数滑动平均

为什么有效:选中样本在分布的"一阶矩(均值)"上代表全类 → 它们是统计上的代表点,蒸馏它们最能复刻旧决策边界。k-means可以适配长尾数据，离群数据可以成为类的簇，小簇(尾部形态)能保住。E 步(分配):固定簇心 → 每点归到最近簇(给定中心下的最优分配)M 步(更新):固定分配 → 簇心取簇内均值(给定分配下的最优中心)让每个点到自己簇心的距离平方和最小——"靠近的点归一组"的数学化。her

在深度学习应中大规模数据训练成本高昂，如何在不显著损失学习信号的前提下大幅压缩数据规模，是机器学习效率优化的核心问题。

影响函数 Influence Functions用一次微分近似 Leave-One-Out，回答一个朴素却强大的问题—— “删掉这个训练样本，模型会变好还是变差？” 在数据清洗里，它是定位错标 / 在数据清洗里，它是定位最优雅、最有理论支撑的工具之一。

核心功能• 支持加载 ONNX 分割模型• 直接对图像进行预处理、推理和掩码后处理• 可视化叠加缺陷分割结果• 支持批量图像推理和结果保存• GUI 操作友好，适合工程快速验收适用场景• 视觉缺陷检测• 工业图像分割结果展示• ONNX 模型验证与演示• 快速创建分割推理演示工具用户价值• 零代码即可运行 ONNX 模型• 图像、模型、阈值、输入尺寸可灵活配置• 支持单图浏览与批量处理• 可生成直

核心功能• 支持加载 ONNX 分割模型• 直接对图像进行预处理、推理和掩码后处理• 可视化叠加缺陷分割结果• 支持批量图像推理和结果保存• GUI 操作友好，适合工程快速验收适用场景• 视觉缺陷检测• 工业图像分割结果展示• ONNX 模型验证与演示• 快速创建分割推理演示工具用户价值• 零代码即可运行 ONNX 模型• 图像、模型、阈值、输入尺寸可灵活配置• 支持单图浏览与批量处理• 可生成直

图像处理之图像分割