ClickHouse(11)ClickHouse合并树MergeTree家族表引擎之SummingMergeTree详细解析
`SummingMergeTree`是`MergeTree`引擎的变种，它合并相同主键的行并计算数值列的总和，从而节省存储空间和加速查询。通常与`MergeTree`配合使用，存储聚合数据以避免数据丢失。创建`SummingMergeTree`表时，可选参数`columns`指定要汇总的数值列。未指定时，默认汇总所有非主键数值列。注意，聚合可能不完整，查询时需用`SUM`和`GROUP BY`。文章还介绍了建表语法、数据处理规则以及对嵌套数据结构和`AggregateFunction`列的处理。查阅更多ClickHouse相关内容可访问相关链接。
【YOLOv8改进】Polarized Self-Attention: 极化自注意力 (论文笔记+引入代码)
该专栏专注于YOLO目标检测算法的创新改进和实战应用，包括卷积、主干网络、注意力机制和检测头的改进。作者提出了一种名为极化自注意（PSA）块，结合极化过滤和增强功能，提高像素级回归任务的性能，如关键点估计和分割。PSA通过保持高分辨率和利用通道及空间注意力，减少了信息损失并适应非线性输出分布。实验证明，PSA能提升标准基线和最新技术1-4个百分点。代码示例展示了如何在YOLOv8中实现PSA模块。更多详细信息和配置可在提供的链接中找到。
【YOLOv8改进】HAT(Hybrid Attention Transformer,)混合注意力机制 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO系列的改进方法和实战应用，包括卷积、主干网络、注意力机制和检测头的创新。提出的Hybrid Attention Transformer (HAT)结合通道注意力和窗口自注意力，激活更多像素以提升图像超分辨率效果。通过交叉窗口信息聚合和同任务预训练策略，HAT优化了Transformer在低级视觉任务中的性能。实验显示，HAT在图像超分辨率任务上显著优于现有方法。模型结构包含浅层和深层特征提取以及图像重建阶段。此外，提供了HAT模型的PyTorch实现代码。更多详细配置和任务说明可参考相关链接。
【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的有效改进和实战案例，包括卷积、主干网络、注意力机制和检测头的创新。提出了一种新的边界框回归损失函数MPDIoU，它基于最小点距离，能更好地处理不同宽高比的预测框，包含重叠、中心点距离和尺寸偏差的全面考虑。MPDIoU损失函数在YOLACT和YOLOv7等模型上的实验显示了优于现有损失函数的性能。此外，还介绍了WIoU_Scale类用于计算加权IoU，以及bbox_iou函数实现不同IoU变体的计算。详细实现和配置可在相应链接中查阅。
ClickHouse(09)ClickHouse合并树MergeTree家族表引擎之MergeTree详细解析
ClickHouse的MergeTree系列引擎是其高性能大数据存储的核心，特别适合大量数据的快速插入。数据按主键排序，支持分区和数据副本，提供数据采样功能。建表时，通过`ENGINE = MergeTree()`指定引擎，`ORDER BY`指定排序键，可选`PARTITION BY`分区，`SAMPLE BY`进行采样。此外，MergeTree支持多种索引和设置，如`index_granularity`控制索引粒度。查询时，ClickHouse利用主键和索引来高效检索数据，尤其在使用等值或范围条件时。