虽然本周 GitHub 热榜都是一些熟悉的面孔，但还是有不少新开源的项目，比如受启发于 Stripe IDs 的 UUIDv7 扩展 typeid，相信有了它，数据标识问题就迎刃而解了。此外，还有刚开源就获得近 2k star 的抠背景项目 background-removal-js，一键就能去掉图片背景。
索引虽然能加速查询，但是会降低写操作的性能，以及耗费更多的磁盘空间。所以建立索引之前需要考虑是不是必要的。
被 GPT 和 OpenAI 刷屏了一个多月，现在 GitHub Trending 已经没有什么和 gpt 无关的项目了，但是好在总有优秀的开源项目拯救我的项目疲惫。像是贴心好用的
每次看着别人操作 shell 的时候，快捷键用得飞起，尤其是那个快速搜索历史命令，避免低效的↑↓键切换历史命令，很装逼有木有。。 废话不多说，下面是我整理的常用快捷键，真的可以提高自己的工作效率的，很不错！~ 一、常用快捷键小技巧 以下快捷键，都是一些常用的，记住这些命令，你的工作效率就会大大提升。
NVIDIA ® TensorRT ™ 是一款用于高性能深度学习推理的 SDK，包含深度学习推理优化器和运行时，可为推理应用程序提供低延迟和高吞吐量。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销...
论文提出了多尺度视觉Transformer模型MViT，将多尺度层级特征的基本概念与Transformer模型联系起来，在逐层扩展特征复杂度同时降低特征的分辨率。在视频识别和图像分类的任务中，MViT均优于单尺度的ViT。 来源：晓飞的算法工程笔记 公众号 论文: Multiscale Vision
文档：https://www.xfyun.cn/doc/spark/PPTGeneration.html 价格方面提供了免费1000点的额度，生成一次是10点，正好100次，如果要购买的话最低要购买1344元的，没有按量付费的模式，个人小开发者可买不起。 让我们跑起来玩玩，官方提供了python的s
https://bbs.huaweicloud.com/forum/thread-144146-1-1.html 发表于 2021-07-29 20:07:087037查看 作者：宋尧飞 编者按：笔者在AArch64中遇到一个G1 GC挂起，CPU利用率高达300%的案例。经过分析发现问题是由JVM
[toc] # 简介 flutter中自带了drawer组件，可以实现通用的菜单功能，那么有没有一种可能，我们可以通过自定义动画来实现一个别样的菜单呢？ 答案是肯定的，一起来看看吧。 # 定义一个菜单项目 因为这里的主要目的是实现菜单的动画，所以这里的菜单比较简单，我们的menu是一个Statefu
开心一刻 出门扔垃圾，看到一大爷摔地上了 过去问大爷：我账户余额 0.8，能扶你起来不 大爷往旁边挪了挪 跟我说到：孩子，快，你也躺下，这个来钱快！ 我没理大爷，径直去扔了垃圾 然后飞速的躺在了大爷旁边，说道：感谢大爷带飞！ 书接上回 通过 异构数据源同步之数据同步 → DataX 使用细节，相信大
随着预训练视觉模型的兴起，目前流行的视觉微调方法是完全微调。由于微调只专注于拟合下游训练集，因此存在知识遗忘的问题。论文提出了基于权值回滚的微调方法OLOR（One step Learning, One step Review），把权值回滚项合并到优化器的权值更新项中。这保证了上下游模型权值范围的一
论文提出了一种可扩展的多数据集目标检测器(ScaleDet)，可通过增加训练数据集来扩大其跨数据集的泛化能力。与现有的主要依靠手动重新标记或复杂的优化来统一跨数据集标签的多数据集学习器不同，论文引入简单且可扩展的公式来为多数据集训练产生语义统一的标签空间，通过视觉文本对齐进行训练，能够学习跨数据集的
论文重新审视了深度神经网络中的不确定性估计技术，并整合了一套技术以增强其可靠性。论文的研究表明，多种技术（包括模型正则化、分类器改造和优化策略）的综合应用显着提高了图像分类任务中不确定性预测的准确性 来源：晓飞的算法工程笔记 公众号 论文: SURE: SUrvey REcipes for buil
论文将Multiscale Vision Transformers (MViTv2) 作为图像和视频分类以及对象检测的统一架构进行研究，结合分解的相对位置编码和残差池化连接提出了MViT的改进版本 来源：晓飞的算法工程笔记 公众号 论文: MViTv2: Improved Multiscale Vi
论文提出了用于快速图像分类推理的混合神经网络LeVIT，在不同的硬件平台上进行不同的效率衡量标准的测试。总体而言，LeViT在速度/准确性权衡方面明显优于现有的卷积神经网络和ViT，比如在80%的ImageNet top-1精度下，LeViT在CPU上比EfficientNet快5倍 来源：晓飞的算
CaiT通过LayerScale层来保证深度ViT训练的稳定性，加上将特征学习和分类信息提取隔离的class-attention层达到了很不错的性能，值得看看 来源：晓飞的算法工程笔记 公众号 论文: Going deeper with Image Transformers 论文地址：https:/
论文基于实验验证，为数据需求预测这一问题提供了比较有用的建议，详情可以直接看看Conclusion部分。 来源：晓飞的算法工程笔记 公众号 论文: How Much More Data Do I Need? Estimating Requirements for Downstream Tasks 论
CvT将Transformer与CNN在图像识别任务中的优势相结合，从CNN中借鉴了多阶段的层级结构设计，同时引入了Convolutional Token Embedding和Convolutional Projection操作增强局部建模能力，在保持计算效率的同时实现了卓越的性能。此外，由于卷积的
作者发现深层ViT出现的注意力崩溃问题，提出了新颖的Re-attention机制来解决，计算量和内存开销都很少，在增加ViT深度时能够保持性能不断提高 来源：晓飞的算法工程笔记 公众号 论文: DeepViT: Towards Deeper Vision Transformer 论文地址：https
DPP能够对目标检测proposal进行非统一处理，根据proposal选择不同复杂度的算子，加速整体推理过程。从实验结果来看，效果非常不错 来源：晓飞的算法工程笔记 公众号 论文: Should All Proposals be Treated Equally in Object Detectio
