机器学习

从DFL到无NMS推理：一文拆解YOLO26背后的工程取舍与数学原理近年来，目标检测模型的发展似乎陷入了一种“堆料”的趋势。为了在公开数据集上刷取更高的mAP，模型架构变得愈发复杂，例如 YOLOv12 引入了注意力机制，YOLOv13 引入了超图结构。下图是YOLO各代的优化：

罗西的思考

【GUI-Agent】阶跃星辰 GUI-MCP 解读---(1)---论文0x00 摘要0x01 GUI Agent 的核心要素0x02 阶跃星辰论文解读0x03 无MCP调用

star learning white

2.3线性代数变量是未知的标量，标量是只有一个元素的张量，标量是向量的元素或者分量aij 第i行j列的元素矩阵的转置，如果B=AT 那么Bij=Aji 对称矩阵：A=AT

V搜xhliang0246

手术机器人导航软件手术机器人导航软件与工业机器人最大的区别在于：精度要求更高（亚毫米级）、安全冗余更严（生命攸关）、必须与医学影像深度融合。基于当前国内外最新研究和临床实践，梳理出一套完整的手术机器人导航软件系统方案。一、核心架构：从医学影像到精准操作的“数字桥梁” 手术机器人导航软件的核心使命是：将术前/术中的医学影像，转化为机器人可执行的精准操作指令。其典型架构采用三层协同模式：

向量求导规则假设 x\boldsymbol xx，a\boldsymbol aa是列向量，A\boldsymbol AA是矩阵。

基于v=c空间本底光速螺旋运动的宏观力方向第一性原理推导：太阳系与地球系统的全维度观测验证经典物理与现代宇宙学中，天体系统的引力、电磁力方向规则均为观测总结的经验事实，牛顿力学无法解释天体运动的「第一推动」与力的方向本源，广义相对论未能实现引力与电磁力在宏观尺度的方向统一，标准模型无法解释行星磁场的长期稳定性与太阳系轨道同向性等核心问题。本文基于张祥前统一场论（ZUFT）的v=c空间本底光速螺旋运动公设与垂直原理，首次将微观空间几何点的螺旋运动模型拓展至宏观天体系统，以太阳系、地球的实测天文与地球物理数据为基准，完成了引力场（A\mathbf{A}A）、电场（E\mathbf{E}E）、磁场（

UTPTrack：迈向简单统一的视觉跟踪令牌剪枝作者： Hao Wu, Xudong Wang, Jialiang Zhang, Junlong Tong, Xinghao Chen, Junyan Lin, Yunpu Ma, Xiaoyu Shen 单位：东部理工学院数字孪生研究所等代码地址： https://github.com/EIT-NLP/UTPTrack https://arxiv.org/pdf/2602.23734

卷积神经网络cnn图像识别项目合集基于深度学习的小样本数据检测089基于深度学习的小样本数据检测_哔哩哔哩_bilibili基于CNN卷积神经网络的核桃品质检测

Agent学习-ReAct框架ReAct（Reasoning and Acting）是一种将**推理（Reasoning）和行动（Acting）**相结合的 AI Agent 框架。它让大语言模型能够：

LLM-Integrated Bayesian State Space Models for Multimodal Temporal Forecasting这篇论文代表了2025年贝叶斯时序模型的重大突破，其创新点主要体现在以下几个方面：多模态融合创新：首次将预训练大语言模型与贝叶斯状态空间模型统一，实现联合数值和文本预测的多模态时序推理。这意味着模型不仅能处理数值型时间序列数据，还能理解并利用文本信息进行预测，大大拓展了时序预测的应用场景。

✨陈千语✨都懂的自注意力机制大家好，我是半夏之沫 😁😁 一名金融科技领域的JAVA系统研发😊😊 我希望将自己工作和学习中的经验以最朴实，最严谨的方式分享给大家，共同进步👉💓👈 👉👉👉👉👉👉👉👉💓写作不易，期待大家的关注和点赞💓👈👈👈👈👈👈👈👈

明月照山海-

机器学习周报三十六本周阅读了一篇关于空间转换器的论文，虽然论文只是在早期的操作，但是也可以是一种轻量化的特征抽取模型。对我的实验有一定的启发。

三块可乐两块冰

机器学习笔记一摘要本周回顾了线性模型的基本概念以及训练方法，并进行代码实操。从设立模型开始并进行optimization，经过50轮的运行得到最终结果。

【宇树机器人强化学习】(三):OnPolicyRunner和VecEnv以及RolloutStorage的python实现与解析Unitree RL GYM 是一个开源的基于 Unitree 机器人强化学习（Reinforcement Learning, RL）控制示例项目，用于训练、测试和部署四足机器人控制策略。该仓库支持多种 Unitree 机器人型号，包括 Go2、H1、H1_2 和 G1。仓库地址

机器学习34：元学习（Meta Learning）本文介绍了元学习的基本概念与核心思想。元学习旨在让模型学会如何学习，通过在多任务上训练获得快速适应新任务的能力。文章阐述了元学习的三个步骤：定义待学习的算法组件、定义基于任务集的损失函数、优化得到最优学习算法。最后对比了机器学习与元学习在目标、训练资料、损失函数等方面的差异，并指出两者在过拟合等问题上的相似性。元学习为自动发现高效学习算法提供了重要途径。

哥布林学者

高光谱成像（九）光谱解混基础在之前的内容中，我们已经介绍了 LMM 的基本思想及其相关概念。根据这一模型，高光谱图像中每个像素的观测光谱都可以表示为若干端元光谱的线性组合。

（9-1）多模态融合理论与方法：低层融合在本章内容中，系统介绍了机器人与智能系统中多传感器、多数据源信息的融合技术。涵盖低层融合的原始数据与特征层处理、中层融合在SLAM、导航与避障中的应用、高层融合的决策策略及高维多模态Transformer模型，同时深入讲解了不确定性建模的知识，包括卡尔曼滤波族与贝叶斯图优化方法。通过本章学习，读者可以掌握从数据采集到特征提取再到决策优化的完整多模态融合流程，理解不同融合层次的特点与适用场景，为构建鲁棒、高效的智能系统奠定理论与方法基础。

ICML 2025 | 仅需 6.5% 显存！GS-Bias：高效视觉语言模型测试时自适应新范式最近，面向视觉语言模型的测试时间适应（Test Time Adaptation, TTA引起了越来越多的关注，特别是通过使用单个图像的多个增强视图来提升零样本泛化。不幸的是，现有方法未能在性能和效率之间取得令人满意的平衡，要么是由于调整文本提示的过高开销，要么是由于手工制作的、无训练的视觉特征增强带来的不稳定收益。本文提出了一种高效且有效的全新TTA范式——GS-Bias，在TTA过程中引入了两个可学习的偏置，分别为全局偏置和空间偏置。具体而言，全局偏置通过学习增强视图之间的一致性来捕捉测试图像的全局语

V搜xhliang0246

机器人建模（URDF）与仿真配置在我们搭建好了开发环境之后，下一步就是赋予机器人“身体”。URDF 就是这个身体的蓝图，而仿真配置则是让这个身体在虚拟世界中“活过来”的关键一步。 📝 第一部分：URDF——机器人的“骨骼”与“皮肤” URDF 的核心是描述机器人的运动学与动力学属性，它由一套 XML 标签构成。