使用深度学习模型推理，即使使用gpu，前几个批次也会格外的慢，使用预热来解决

为了在保留优势的同时克服当前SAM方法的局限性，我们提出了用于通用细胞核分割的域自适应自提示SAM框架（UN - SAM），通过提供一种在不同领域都具有卓越性能的全自动解决方案。此外，为了在各种细胞核图像中发挥SAM的能力，我们设计了一个域自适应调谐编码器（DT - Encoder），将视觉特征与领域通用和领域特定知识无缝融合，并进一步设计了一个域查询增强解码器（DQ - Decoder），通过利

使用深度学习模型推理，即使使用gpu，前几个批次也会格外的慢，使用预热来解决

使用深度学习模型推理，即使使用gpu，前几个批次也会格外的慢，使用预热来解决

onnx转tensorRT加速，使用tensorrt API实现时，使用config进行精度配置以及更多其他功能

CCVPR2024异常检测新方法-RealNet学习

参考：

工业质检领域，尤其是基于图像的工业缺陷检测领域，缺陷样本的收集可能非常困难，也就促生了无监督异常检测与zero-shot检测的研究方向，他们都不需要目标场景下的缺陷样本，因此大家可能会对他们的概念和具体使用场景存在疑问。因此本文重点对这两个任务进行介绍和对比。

EfficientAD 是一种高效的视觉异常检测模型，其核心由三个模块构成：高效的补丁描述网络（PDN）、轻量级学生-教师模型和自动编码器。最近使用异常检测方法efficientAD在自己的工业数据集上应用，发现效果不太好，因此回到论文中，重新学习下其结构，寻找在自有数据集上效果不好的原因。通过轻量设计、损失函数优化和多模块协同，EfficientAD在异常检测性能和计算效率间实现了最佳平衡，为工

文章的核心在于原始的CLIP由于关注通用能力，缺乏对异常的感知，所以作者通过提升了文本分支对normal和abnormal的区分，提升了CLIP对异常的识别能力