1.4 HOG特征+支持向量机实现行人检测为了把前面知识串起来，参考书籍做了以下实验。import cv2import matplotlib.pyplot as pltfrom matplotlib import patchesimport numpy as npimport randomimport osfrom numpy.lib.shape_base import take_along_ax

1.3 特征分类特征分类：最后，对上一步得到的特征进行分类，通常使用如 SVM、AdaBoost的分类器。1.3.1 支持向量机支持向量机参考视频1.3.2 python-opencv实现支持向量机对线性可分数据分类from re import Sfrom sklearn import datasetsfrom sklearn import metricsimport matplotlib.pyp

以前用Swin Transformer Tiny训练了40epoch的，官方用的Faster RCNN，这里先用Swin Transformer Tiny进行测试。

4. pre-train的时候加入Instruction data，接着在SFT上再使用Instruction Data。2. 通用Instruction data和私有 Instruction data混合，可以解决某些能力的遗忘。3. 收集大量的Finetune Data：一万到十万，高质量7K>一般质量30K。通用的Instruction data（适合我们场景的）7B、13B、33B、65

过程由于文字标注区域可以为任意四边形，为了不把文字标注区域切分成两个区域，因此首先需要得到所有标注框的最外界坐标，如下图红色框的获取过程。然后根据红色框与图像边界的距离进一步随机生成裁剪坐标，如生成蓝色虚线框的左上角与右下角坐标。随后进行区域剪裁与Bbox调整。BBox的坐标更新，只需要将原来的BBox的值减去裁剪区域的起始坐标，如减去蓝色框的起始坐标。如下：[bbox[0][0] - crop_

GFLOPsFLOPs 是浮点运算次数，可以用来衡量算法/模型复杂度GFLOPs。为十亿（1e9）次的浮点运算。Latency网络前向传播的时间，1 ms=1e-3 s，10.5ms=0.0105s。FPS每秒传输帧数，FPS=1/Latency，1/0.0105=95.2。Parameters参数量，指模型含有多少参数。测试模型参数量和Flops。

本文分享了针对多模态RAG赛题的解题思路和优化策略。作者从初识赛题的迷茫出发，通过分析评审规则明确了"可溯源"的核心要求，梳理出信息转化、精准定位、忠实回答和协同优化四大难点。基于文本RAG的Baseline方案，提出三步优化路径：首先优化Prompt和分块策略；然后引入MinerU解析引擎和VLM模型实现"伪多模态"；最后通过重排模型和多模态生成模型进行高

机器学习面试准备（一）KNN

Python读取txt文本数据，写进excel中

随着深度学习的兴起和发展，计算机视觉发生了巨大的变革和重塑。作为计算机视觉的一个重要研究领域，场景文本检测与识别不可避免地受到了这一革命浪潮的影响，从而进入了深度学习时代。这项调查旨在总结和分析深度学习时代场景文本检测和识别的主要变化和重大进展。通过本文，我们致力于：(1)介绍新的见解和想法；(2)突出最近的技术和基准；(3)展望未来的趋势。