FCN图像分割的开山之作，全卷积化网络，模型由卷积层、池化层组成（没有全连接层），可以接受任意大小的输入。通过特征提取网络得到（_,512,7,7）的深层特征后恢复到原始尺寸的分割预测效果。作者对比三种结构，FCN32s、FCN16s、FCN8sFCN-32s: 直接上采样32倍FCN-16s: 融合1次跳跃连接 + 上采样16倍FCN-8s:融合2次跳跃连接 + 上采样8倍。

块的滑动步长为 blockStride，在 winSize 窗口内滑动，对每个块内的所有细胞直方图进行归一化处理（常用 L2 归一化），消除光照、对比度变化带来的特征偏差（比如同一目标在亮处和暗处的梯度幅值差异）。正样本：裁剪好的「仅包含目标」的图像块（尺寸和 HOG 的 winSize 一致，比如 64x64），提取 HOG 特征后，标注为「1」（是目标）。所有尺度下的窗口，都会映射回原始图片的

从前三者都是为了更好的理解数据流。适合有深度学习基础无目标检测经验的同学。（项目代码待整理完上传github）

模型会从概率最高的词汇开始选择，逐步加入次高概率的词汇，直到这些词汇的累计概率达到设定的 Top p 值。例如，若 Top p 设为 0.9，模型会挑选概率最高的词汇组合，直到它们的总概率达到 90%。：大模型节点是Coze工作流的关键模块，它整合了多种大语言模型（LLM）的功能，允许用户通过调整提示词和参数设置，高效调用AI能力以实现特定需求。，强调"用户无法修改"，“定义AI基础行为”，规定大

openclaw联合飞书机器人，配置agent

本章了解与学习RAG、Agent、AIGC的基础概念、关系、核心技术等

openclaw添加与更换服务商模型

openclaw部署与飞书接入，算是自己安装的踩坑记录了hhh。

coze平台开发工作流基础

模型会从概率最高的词汇开始选择，逐步加入次高概率的词汇，直到这些词汇的累计概率达到设定的 Top p 值。例如，若 Top p 设为 0.9，模型会挑选概率最高的词汇组合，直到它们的总概率达到 90%。：大模型节点是Coze工作流的关键模块，它整合了多种大语言模型（LLM）的功能，允许用户通过调整提示词和参数设置，高效调用AI能力以实现特定需求。，强调"用户无法修改"，“定义AI基础行为”，规定大