本学习笔记主要包含如下内容：051-销毁流程052-生命周期总结053-对组件的理解054-非单文件组件055-组件的几个注意点056-组件的嵌套057-VueComponent058-Vue实例与组件实例059-一个重要的内置关系060-单文件组件

DEFORMABLE DETR论文精度笔记，将可变形注意力模块引入原始的DETR中实现多尺度和收敛加快。

DETR目标检测模型精读笔记

1. 提出了一种简单且容易应用的网络（SimpleNet），用于检测和定位异常；2. 在MVTecAD数据集上得到的AUROC指标为99.6%，且与性能第二的模型相比，误差降低了55.5%；3. 在单张3080ti GPU上可以实现77FPS的高帧推理速率；4. 同时，SimpleNet在one-class新颖的检测任务的性能上有了显著的改进；5. 提出了一个将在大型数据集上预训练的模型应用在目标

《Deep Learning for Computer Vision withPython》StarterBundle总结概述//2022.2.4日下午16：18开始总结第2章-什么是深度学习分层特征学习：有监督、无监督、半监督学习；深度学习由于人工神经网络（ANN）权重的庞大及网络的深度不断增加引来了一段时间的AI冬天；当网络超过10层时就可以认为是深的。第3章-图像基础像素：图像的构建块；大多

//2022.3.2日阅读笔记原文链接：基于深度学习的表面缺陷检测方法综述 (aas.net.cn)个人对本篇综述内容的大致概括论文首先介绍了表面缺陷检测中不同场景下的成像方案，主要根据表面颜色或表面反射性质来制定；接着介绍了工业界中存在的缺陷检测挑战（关键问题），例如：缺陷成像和北京差异小、缺陷尺度不一致、缺陷图片中存在大量的噪声等。接着论文对缺陷检测问题的定义、缺陷检测的定义作了详细的介绍。而

5.准备ImageNet数据集一旦你下载了ImageNet数据集，你可能会有点不知所措。你现在有超过120万的图片驻留在磁盘上,没有一个人有“人类可读”文件的名字,没有一个明显的方式提取类标签,这是完全不清楚你应该培养一个定制的这些图像卷积神经网络——你自己变成了什么?别担心，我帮你搞定。在本章中，我们将从理解ImageNet文件结构开始，包括原始图像和开发工具包(即“DevKit”)。从这里，我