算法

地平线开发者

地平线 VP 接口工程实践（一）：hbVPRoiResize 接口功能、使用约束与典型问题总结在 BPU 推理链路中，VP（Vision Pipeline）承担了大量图像前处理工作，例如裁剪、缩放、颜色格式转换等。相比普通的软件图像处理接口，VP 接口直接面向硬件，性能优势明显，但也引入了严格且隐含的使用约束。

罗西的思考

AI Agent框架探秘：拆解 OpenHands（10）--- Runtime0x00 摘要0x01 工作机制0x02 核心逻辑0x03 代码0xFF 参考对于Agent ，Google 白皮书给出一个简洁而实用的定义：Agent = 模型 + 工具 + 编排层 + 部署运行时，这里和目前大部分的 AI Agent 的定义（LLM + Tool + Memory）多了一层部署运行时。因此可见Runtime的重要性。

CART决策树基本原理分类与回归树(classification and regression tree, CART)模型由特征选择、树的生成及剪枝组成，既可以用于分类也可以用于回归。

LeetCode 210. 课程表 II 题解：Kahn算法+DFS 双解法精讲在LeetCode的图论题目中，「课程表」系列绝对是拓扑排序的经典应用，其中210. 课程表 II 相比101. 课程表，不仅要求判断是否能完成所有课程，还需要返回具体的学习顺序，难度略有提升，但核心依然围绕「拓扑排序」展开。

单调队列：滑动窗口极值问题的最优解（通用模板版）单调队列是处理滑动窗口极值问题的「最优解」，其核心价值在于能在 O(1)O(1)O(1) 时间复杂度内获取窗口的最大值/最小值，将整体问题的时间复杂度从暴力解法的 O(nk)O(nk)O(nk) 优化到 O(n)O(n)O(n) 。本文将从「通用模板设计」出发，结合经典题目实战，让你彻底掌握单调队列的使用逻辑。

解析残差网络 (ResNet)在 ResNet 诞生之前，深度学习领域普遍认为，更深的网络能拟合更复杂的函数，从而获得更好的性能。但实践表明，当网络深度增加到一定程度时，会出现一个反直觉的现象：训练准确率饱和甚至下降。

拖拉斯旋风

LeetCode 经典算法题解析：优先队列与广度优先搜索的巧妙应用算法题是检验程序员基础数据结构和算法掌握程度的重要途径。本文将深入分析 LeetCode 的两道经典题目：1046. 最后一块石头的重量和752. 打开转盘锁。这两道题分别展示了优先队列和**广度优先搜索（BFS）**这两种核心算法思想在实际问题中的精妙应用。

LeetCode 207. 课程表：两种解法（BFS+DFS）详细解析LeetCode 经典拓扑排序问题——207. 课程表。这道题是大厂面试常考的基础题，核心考察「有向图环检测」，也是拓扑排序的典型应用场景。下面会先梳理题目核心，再逐行解析两种解法（BFS Kahn算法 + DFS 状态标记法），最后对比两种解法的适用场景，帮大家吃透这道题。

Hello 算法：众里寻她千“百度”每个系列一本前端好书，帮你轻松学重点。本系列来自上海交通大学硕士，华为高级算法工程师靳宇栋的《Hello，算法》

LeetCode 130. 被围绕的区域：两种解法详解（BFS/DFS）LeetCode 中等难度题目「130. 被围绕的区域」，这道题是典型的图的连通性问题，核心考察 BFS 和 DFS 的实际应用，还能帮我们理清“边界判断”的关键逻辑，新手也能轻松上手。

一文搞懂深度学习中的通用逼近定理！推荐直接网站在线阅读：aicoting.cn在神经网络的理论基础中，有一个非常重要的结果，叫做通用逼近定理（Universal Approximation Theorem, UAT）。它是深度学习能够大放异彩的根基之一。简单来说，这个定理告诉我们：只要神经网络的隐藏层神经元足够多，它就能逼近任意复杂的函数。

单调栈：从模板到实战栈（stack）是先进后出的数据结构。单调栈在入栈时通过一定规则保持栈内元素有序（单调递增或单调递减），从而把「找左侧/右侧第一个更大/更小元素」从 O(n²) 降到 O(n)。

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。

轻松搞懂全连接神经网络结构！推荐直接网站在线阅读：aicoting.cn在神经网络的世界里，最经典、最基础的一种结构就是全连接网络（Fully Connected Network, FCN）。它的核心思想非常直白：上一层的每一个神经元，都会和下一层的每一个神经元相连。这种全连接的设计，使得网络在理论上具备了极强的表达能力，可以逼近任意复杂的函数。

一文搞懂激活函数！推荐直接网站在线阅读：aicoting.cn在深度学习中，激活函数（Activation Function）是神经网络的灵魂。它不仅赋予网络非线性能力，还决定了训练的稳定性和模型性能。那么，激活函数到底是什么？为什么我们非用不可？有哪些经典函数？又该如何选择？

董董灿是个攻城狮

AI 视觉连载7：传统 CV 之高斯滤波实战本节一起绘制一个可视化的高斯滤波器，同时对一个彩色图像增加高斯噪声，最后通过一个高斯滤波器对图像进行降噪处理。