深度学习论文: SFPN: Synthetic FPN for Object Detection及其PyTorch实现SFPN: Synthetic FPN for Object DetectionPDF: https://arxiv.org/pdf/2203.02445.pdfPyTorch代码: https://github.com/shanglianlm0525/CvPytorchPyTor

Anomalib是一个专注于异常检测的深度学习库。它的目标是收集最新的异常检测算法，并提供用于在公共和私有数据集上进行基准测试的工具。该库提供了一系列已实现的异常检测算法，这些算法在最近的文献中有所描述。此外，Anomalib还提供了一套工具，方便开发人员开发和实现自定义模型。该库特别注重基于图像的异常检测，旨在识别数据集中的异常图像或图像中的异常像素区域。通过使用Anomalib，用户可以快速构

Anomalib支持多种图像扩展名，如".jpg"、“.jpeg”、“.png”、“.ppm”、“.bmp”、“.pgm”、“.tif”、“.tiff"和”.webp"。可以从具有任何这些扩展名的图像中收集数据集。

WinCLIP是一种基于CLIP（Contrastive Language-Image Pretraining）模型的方法，用于零样本和少样本的异常分类和分割任务。该方法结合了文本编码器和图像编码器，利用CLIP模型的文本-图像关联能力来实现准确的异常识别和定位。WinCLIP的核心思想是通过将不同状态和模板转换为文本嵌入，然后与图像编码器生成的图像嵌入进行关联，学习到异常和正常样本之间的关系。为

ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices论文链接：https://arxiv.org/pdf/1707.01083.pdfPyTorch：https://github.com/shanglianlm0525/Lightweight-networkimport torch...

LiteSeg: A Novel Lightweight ConvNet for Semantic SegmentationPDF: https://arxiv.org/pdf/1912.06683.pdfPyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

RGPNET: A REAL-TIME GENERAL PURPOSE SEMANTIC SEGMENTATIONPDF: https://arxiv.org/pdf/1912.01394.pdfPyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

Focal Loss for Dense Object DetectionPDF: https://arxiv.org/pdf/1708.02002.pdfPyTorch代码: https://github.com/shanglianlm0525/PyTorch-NetworksPyTroch代码:

ESPNet:ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation (ECCV2018)https://arxiv.org/pdf/1803.06815.pdfPyTorch: https://github.com/sacmehta/ESPNet

DANDual Attention Network for Scene Segmentation (CVPR2019)https://arxiv.org/pdf/1809.02983.pdf[Pytorch] https://github.com/junfu1115/DANet特点：提出了Dual Attention Networks (DANet)在spatial和channle维度...