红外小目标检测：基于深度学习
本文介绍了红外小目标检测技术的优势、基本原理及常用方法，包括背景抑制、滤波、模型和深度学习等，并探讨了多传感器融合的应用。通过一个基于深度学习的实战案例，展示了从数据准备到模型训练的全过程。最后，文章展望了该技术在军事、安防、交通等领域的广泛应用及未来发展趋势。
Transformer、RNN和SSM的相似性探究：揭示看似不相关的LLM架构之间的联系
通过探索大语言模型（LLM）架构之间的潜在联系，我们可能开辟新途径，促进不同模型间的知识交流并提高整体效率。尽管Transformer仍是主流，但Mamba等线性循环神经网络（RNN）和状态空间模型（SSM）展现出巨大潜力。近期研究揭示了Transformer、RNN、SSM和矩阵混合器之间的深层联系，为跨架构的思想迁移提供了可能。本文深入探讨了这些架构间的相似性和差异，包括Transformer与RNN的关系、状态空间模型在自注意力机制中的隐含作用以及Mamba在特定条件下的重写方式。
图像处理神经网络数据预处理方法
图像预处理步骤对于图像处理神经网络至关重要。这些步骤不仅保证了数据的一致性和质量，还可以通过数据增强等技术提高模型的泛化能力，从而提升模型的整体性能。每一步骤的选择和应用都基于具体任务和数据集的特性，并在模型训练和测试过程中起到关键作用。
AI计算机视觉笔记十五：编写检测的yolov5测试代码
该文为原创文章，如需转载，请注明出处。本文作者在成功运行 `detect.py` 后，因代码难以理解而编写了一个简易测试程序，用于加载YOLOv5模型并检测图像中的对象，特别是“人”类目标。代码实现了从摄像头或图片读取帧、进行颜色转换，并利用YOLOv5进行推理，最后将检测框和置信度绘制在输出图像上，并保存为 `result.jpg`。如果缺少某些模块，可使用 `pip install` 安装。如涉及版权问题或需获取完整代码，请联系作者。
AI计算机视觉笔记二十 九：yolov10竹签模型，自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境，安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件，使用`yolo detect train`命令或Python代码进行训练。最后，通过命令行或API调用测试训练结果，并展示竹签计数功能。如需转载，请注明原文出处。
AI计算机视觉笔记十八：Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始，逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置，并解决了安装过程中遇到的各种问题，如cython版本冲突等。最后，通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码，请联系作者。原文链接：[原文链接]（请在此处插入原文链接）。
AI计算机视觉笔记二十二：基于 LeNet5 的手写数字识别及训练
本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集，实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集，并编写训练代码。最终模型在测试集上的准确率达到0.986，满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。
AI计算机视觉笔记三十一：基于UNetMultiLane的多车道线等识别
该项目基于开源数据集 VIL100 实现了 UNetMultiLane，用于多车道线及车道线类型的识别。数据集中标注了六个车道的车道线及其类型。项目详细记录了从环境搭建到模型训练与测试的全过程，并提供了在 CPU 上进行训练和 ONNX 转换的代码示例。训练过程约需 4 小时完成 50 个 epoch。此外，还实现了视频检测功能，可在视频中实时识别车道线及其类型。
AI计算机视觉笔记二十五：ResNet50训练部署教程
该项目旨在训练ResNet50模型并将其部署到RK3568开发板上。首先介绍了ResNet50网络，该网络由何恺明等人于2015年提出，解决了传统卷积神经网络中的退化问题。项目使用车辆分类数据集进行训练，并提供了数据集下载链接。环境搭建部分详细描述了虚拟环境的创建和所需库的安装。训练过程中，通过`train.py`脚本进行了15轮训练，并可视化了训练和测试结果。最后，项目提供了将模型转换为ONNX和PT格式的方法，以便在RK3568上部署。