上官网查询 https://developer.nvidia.com/cuda-gpus#collapseOne

【代码】在麒麟系统上装opencv和opencv_contrib。

code: https://github.com/obss/sahi概要：这篇论文提出了一种名为切片辅助超推理（SAHI） 的通用框架，通过切片辅助微调 和切片辅助推理 两种方法，显著提升了小目标检测的性能。其核心贡献在于：无需修改现有检测器结构，即可通过图像切片与重叠推理策略有效增强小目标的检测能力，并在VisDrone和xView数据集上实现了最高达14.5%的平均精度提升。该方法已集成至主流

遇到的问题在利用pycocotools库中的评估函数cocoeval时，遇到bug:linspace object of type <class ‘numpy.float64’> cannot be safely interpreted as an integer.解决方法not use numpy 1.18, use numpy version < 1.18;modify co

【代码】PCD可视化（C++）

MedYOLO 是基于 YOLOv5 的3D医学图像目标检测模型。优点：轻量、高效，适用于医学图像中的器官和病变检测。问题：在原论文中，MedYOLO 在LIDC（肺结节检测）和BraTS（脑肿瘤检测）数据集上表现不佳，尤其是大模型配置完全无法训练。

paper: https://arxiv.org/abs/2001.04086code: https://github.com/Jia-Research-Lab/GridMask概述作者首先回顾了数据增强（Data augmentation）方法，指出当前方法有三类：spatial transformation, color distortion, 以及 information dropping。

要理解嵌入，我们必须首先了解机器学习模型的基本要求。具体来说，大多数机器学习算法只能将低维数值数据作为输入。在下面的神经网络中，每个输入特征都必须是数字。这意味着在推荐系统等领域，我们必须将非数字变量（例如项目和用户）转换为数字和向量。我们可以尝试用产品 ID 来表示商品；然而，神经网络将数字输入视为连续变量。这意味着较高的数字“大于”较低的数字。它还将相似的数字视为相似的项目。这对于“年龄”这样

mixupmixup是基于邻域风险最小化（Vicinal Risk Minimization, VRM）原则的数据增强方法，使用线性插值得到新样本数据。在邻域风险最小化原则下，根据特征向量线性插值将导致相关目标线性插值的先验知识，可得出简单且与数据无关的mixup公式：其中（xn，yn）是插值生成的新数据，(xi,yi) 和 (xj，yj)是训练集中随机选取的两个数据，λ的取值满足贝塔分布...

训练神经网络时最重要的方面之一是避免过度拟合。然而，让我们快速回顾一下：过度拟合是指神经网络对训练数据进行很好的建模但在看到来自同一问题域的新数据时失败的现象。过度拟合是由神经网络在训练过程中拾取的训练数据中的噪声引起的，并将其作为数据的基本概念进行学习。然而，这种习得的噪声对于每个训练集都是独一无二的。一旦模型看到来自同一问题域的新数据，但不包含这种噪声，神经网络的性能就会变得更差。“为什么神经