深度学习

仿生学突破：SILD模型如何让无人机在电力线迷宫中发现“隐形威胁”在智能电网巡检中，无人机已成为标配。然而，一个致命问题始终困扰着行业：返航途中的撞线事故。纤细的电力线在传统视觉系统中如同“隐形”。本文解读一种受生物启发的创新方案——尺度不变逼近检测器（SILD）。该模型模拟蝗虫的“逃逸神经元”，在计算资源有限的小型无人机上，实现了对电力线及多尺度障碍物的实时、精准检测，为无人机避障开辟了新的仿生路径。

从春晚机器人到零样本革命：YOLO26-Pose姿态估计实战指南春晚舞台上，机器人群体的整齐划一令人惊叹——但如果想让机器人真正理解并模仿人类的复杂动作，我们需要怎样的视觉技术？

Le-DETR：省80%预训练数据，这个实时检测Transformer刷新SOTA｜Georgia Tech & 北交大训练一个顶级的实时目标检测模型，要花多少钱？这个问题，放在几年前，答案可能是“天价”。你得准备海量的数据，堆上成百上千张显卡，跑上几周甚至几个月。到了今天，虽然技术成熟了不少，但一些顶会论文里的模型，依然像娇贵的兰花——它们在特定的、昂贵且不公开的“温室”（超大规模的预训练数据集）里长大，旁人想复现？门都没有。

强化学习凭什么比监督学习更聪明？RL的“聪明”并非来自算法，而是因为它学会了“挑食”想象一下，你同时用两种方法教导两个学生解数学题。一个学生（SFT）只是死记硬背你做过的每一道例题，连你的笔迹都想模仿。另一个学生（RL）呢，你只告诉他答案是对是错，让他自己琢磨规律。考试的时候，遇到没讲过的题，谁更可能答对？

YOLO-IOD深度解析：打破实时增量目标检测的三重知识冲突增量目标检测（Incremental Object Detection, IOD）旨在让检测模型能够持续学习新类别，同时不遗忘已学类别的知识。这一能力对于部署在动态环境中的视觉系统至关重要——试想一个自动驾驶系统，它需要不断适应新出现的道路目标类型，却又不能忘记之前学会的行人、车辆等基础类别。

用户147485307974

AI-动手深度学习环境搭建-d2l本文档完整记录从d2l环境搭建到实现电商产品数据可视化的全流程，所有命令/操作均可直接复用，适配Windows系统+Anaconda环境。

OpenBayes贝式计算

解决视频模型痛点，TurboDiffusion 高效视频扩散生成系统；Google Streetview 涵盖多个国家的街景图像数据集公共资源速递9 个公共数据集：THINGS-EEG 脑电图数据集THINGS-MEG 脑磁图数据集RoVid-X 机器人视频生成数据集

OpenBayes贝式计算

OCR教程汇总丨DeepSeek/百度飞桨/华中科大等开源创新技术，实现OCR高精度、本地化部署在数字化浪潮席卷各行各业的今天，大量信息仍然以图片、扫描件、PDF 甚至手写文稿的形式存在。如何让机器「读懂」这些非结构化的视觉内容，并将其转化为可编辑、可检索、可分析的文本数据？这正是 OCR（Optical Character Recognition，光学字符识别）技术要解决的问题。

在人间耕耘

HarmonyOS Vision Kit 视觉AI实战：把官方 Demo 改造成一套能长期复用的组件库很多同学问过我：「我照着官方文档敲，功能能跑，为啥一发帖就像在贴文档？」这篇就试着不再逐条翻接口，而是聊聊我在一个真实项目里，怎么一步一步把 Vision Kit 变成团队都敢用、愿意用的那套“视觉 AI 组件库”。

Transformer与电池管理系统(BMS)的结合是当前智能电池管理的前沿研究方向基于最新研究，Transformer与电池管理系统(BMS)的结合主要体现在状态估计(SOC/SOH预测)、故障诊断和智能均衡控制等核心功能上。以下是详细的技术结合方式：

强化学习·导论在基于价值的方法中，我们不是学习策略函数，而是学习一个价值函数，将状态映射到处于该状态的期望值。状态的价值是代理人在该状态开始并按照我们的策略行动时，能获得的预期贴现回报。

Transformer架构深度解析：从翻译模型到大语言模型的核心技术1. Transformer的起源与核心架构2017年，谷歌在论文《Attention Is All You Need》中首次提出Transformer架构，彻底改变了自然语言处理（NLP）领域。其核心创新包括：

【强化学习】第十章：连续动作空间强化学习：随机高斯策略、DPG算法之前我们学的算法，不管是确定性最优策略还是随机性最优策略，其输出都是有限个动作的最优策略。本篇讲连续动作空间的强化学习，重点讲两个算法：随机高斯策略和DPG。其中，随机高斯策略输出的是连续动作空间的随机性最优策略，DPG是连续动作空间的确定性最优策略。

【课题推荐】深度学习驱动的交通流量预测系统（基于LSTM的交通流量预测系统），MATLAB实现我给你整理这套LSTM交通流量预测代码里真正用到的核心公式，只保留最关键、能直接对应代码的部分，方便写论文/报告。

Project_Observer

工时日志在项目进度管理中扮演着怎样的角色？工时表是一种数字化工具，可以帮助员工记录他们在项目中不同任务上花费的时间。员工无需在纸上记录时间，只需将每日工作时间输入系统即可。这有助于企业清晰地了解每项任务、问题或活动所花费的时间。通过查看这些记录，企业可以更好地规划未来项目、估算预算并确保工作按时完成。无论员工一次只处理一项任务，还是一天处理多项任务，工时表都能轻松追踪并提交每项活动的具体工时。工时表和工时日志在项目管理中至关重要，因为它们能帮助所有人清晰地了解工作时间的分配情况。工时表用于记录员工的总工时，而工时日志则记录每项任务或活动所花费的

粒子群算法(PSO)优化BP神经网络：从原理到实战关键词：粒子群优化、BP神经网络、元启发式算法、权重优化、Python实现BP（Back Propagation）神经网络是应用最广泛的神经网络模型之一，但其基于梯度下降的训练方式存在明显缺陷：

基于深度学习的违章停车检测系统的设计与实现本系统是一套基于YOLOv11n深度学习模型的违章停车智能检测平台，支持图片、视频和摄像头实时检测6类违停行为，并集成风险预警、处罚提示、语音报警和数据分析功能。

RethinkFun深度学习笔记

Learning Personalized Agents from Human Feedback：用人类反馈训练可持续个性化智能体很多 AI 助手在初次见面和用户偏好变化时会掉链子。传统方法依赖历史数据或静态用户画像，一旦用户换了口味、场景变了，系统就会“自信但错误”。这篇论文提出 PAHF（Personalized Agents from Human Feedback），把互动本身当作学习信号，让智能体在行动前问清楚、行动后及时纠错，并把这些信息写入显式记忆，从而实现持续个性化。

PyTorch实战（30）——使用TorchScript和ONNX导出通用PyTorch模型我们已经深入探讨了 PyTorch 模型部署，这可能是将 PyTorch 模型投入生产系统中最关键的一环。在本节中，我们将聚焦另一个重要维度：模型导出。我们已经学习了如何在经典的 Python 脚本环境中保存和加载 PyTorch 模型。但是我们还需要更多的方式来导出 PyTorch 模型，主要是出于以下考虑：