「软件推荐」Mac 平台生产力小工具推荐

最新推荐文章于 2025-05-11 12:17:28 发布
最新推荐文章于 2025-05-11 12:17:28 发布
阅读量1.1k 收藏 1
点赞数
文章标签： macos
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/White_______/article/details/126918544
版权
本文推荐了几个Mac平台上非常实用的小工具，包括Snappy-一款截图并置顶的软件；Pureref-用于管理和整理参考图片；downie4-强大的视频下载工具；以及iStatMenus-稳定的任务栏资源监视器。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

软件目录

前言

       遇到过很多有有用的小工具，怕忘记了，所以记下来推荐给大家。

Snappy - Window Snipaste 的功能替换版

       一个Mac上用来截图并且将截图置顶的小工具，和Snipaste的功能一样，推荐

https://apps.apple.com/us/app/snappy-snapshots-the-smart-way/id512617038?mt=12

Pureref - 参考图管理 - 剪报管理

       一个用来收集参考图然后以你需要的方式将图片整理拼贴到一个空间的小工具，无限延展，所以挺方便的。

https://www.pureref.com/

downie 4 - 视频下载好帮手

       付费下载小工具，支持网站以及分辨率下载上都是比较强的，尤其是支持M3U8和HLS流，以及支持分段视频的拼合，很好用。

http://www.downie.vip/

iStat Menus for Mac - 常驻资源监视器

       用来监看CPUGPU使用的任务栏小工具，很稳定。

https://apps.apple.com/us/app/istat-menus/id1319778037?mt=12

White_______
关注
YOLO11改进 | 融合改进 | C3k2融合 Context Anchor Attention 【两个版本融合-独家创新】
kay_545
11-07 1619
yolo11，yolo11改进，融合创新，独家改进
YOLOv11改进：基于小波卷积WTConv的大感受野目标检测网络-
weixin_39818775的博客
04-18 689
本文提出的WT-YOLOv11目标检测网络，通过引入小波卷积的多尺度分析能力，显著提升了模型的大感受野建模能力和多尺度目标检测性能。实验表明，该方法在保持YOLO系列高效特性的同时，在多个基准数据集上实现了明显的性能提升，特别是在小目标检测和复杂场景下的表现尤为突出。完整的技术实现和详细的部署方案，为计算机视觉领域的研究者和工程师提供了实用的技术参考。未来工作将聚焦于进一步优化计算效率，探索自适应小波变换机制，以及研究跨模态的小波表示学习。
Wavelet Neural Networks (2014)
07-03
Wavelet Neural Networks (2014)Wavelet Neural Networks (2014)
YOLO11改进-模块-引入稀疏自注意力机制Sparse Self - Attention
qq_64693987的博客
01-14 1745
Sparse Self - Attention 引入了 “稀疏率” 概念。对于输入的图像特征图，不再对整个特征图进行注意力计算，而是把它划分成一个个小的张量块。在计算注意力时，只在这些张量块内部进行，不同颜色标记的张量块之间不会进行注意力计算。通过这种方式，模型能够抑制对语义信息的关注，将更多的注意力放在提取非语义特征上。同时，由于只在张量块内计算，减少了大量不必要的计算，降低了模型的计算量，提高了运行效率。Sparse Self - Attention 是 SparseViT 模型编码器的重要部分。
YOLO即插即用---小波卷积
llz19670的博客
10-31 1990
论文地址：2407.05848。
【Block总结】WTConv，小波变换（Wavelet Transform）来扩展卷积神经网络（CNN）的感受野
m0_47867638的博客
01-20 1322
论文《WaveletConvolutionsforLargeReceptiveFields》提出了一种新型卷积层，称为WTConv（WaveletTransformConvolution），旨在通过小波变换（WaveletTransform）来扩展卷积神经网络（CNN）的感受野。该方法能够在不显著增加参数数量的情况下，获得接近全局的感受野，从而提高模型对低频信息的捕捉能力。
YOLOv11改进-卷积-引入小波卷积WTConv 解决多尺度小目标问题
qq_64693987的博客
10-18 8706
1.首先，WTConv利用二维Haar小波变换对输入图像进行多级分解。低频分量 (LL)：捕捉图像的低频信息，如整体形状或轮廓。水平高频分量 (LH)：捕捉图像中的水平边缘信息。垂直高频分量 (HL)：捕捉图像中的垂直边缘信息。对角线高频分量 (HH)：捕捉图像的对角线细节。在每一级的小波变换中，图像被下采样（空间分辨率减半），但频率信息得到了更细的分解。递归地执行小波变换（称为多级分解）可以得到不同尺度下的频率分量。
YOLO11改进|YOLO11中引入轻量级幽灵卷积GhostConv
A1983Z的博客
03-20 273
YOLO11改进|引入轻量级幽灵卷积GhostConv
Wavelet Convolutions for Large Receptive Fields
通街是密人有的博客
10-16 2495
近年来，人们一直试图增加卷积神经网络（CNN）的核大小，以模拟Vision Transformer（ViT）的全局感受野自注意块。然而，这种方法在达到全局感受野之前很快就达到了上限和饱和。在这项工作中，我们证明了通过利用小波变换（WT），实际上可以在不受过度参数化影响的情况下获得非常大的感受野，例如，对于k × k的感受野，所提出的方法中可训练参数的数量仅随k呈对数增长。所提出的层，称为WTConv，可以用作现有架构中的临时替代品，产生有效的多频响应。并随着感受野的大小优雅地缩放。
写一个小波卷积神经网络代码
weixin_42613017的博客
02-18 183
答案：import torch from torch.nn import Conv1d, MaxPool1d class smallWaveletConvNet(nn.Module): def init(self): super(smallWaveletConvNet, self).init() self.conv1 = Conv1d(1, 32, ...
[Base]WTConv-Wavelet Convolutions for Large Receptive Fields
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
08-20 1975
证明了利用小波变换( Wavelet Transform，WT )，实际上可以获得非常大的感受野而不受过参数化的影响，例如，对于一个k × k的感受野，所提出的方法中可训练参数的数量只与k成对数增长。所提出的WTConv层可以作为现有架构中的直接替换。
YOLO11改进-模块-引入频率谱动态聚合模块FSDA 去除噪声
qq_64693987的博客
10-30 2407
频谱信息聚合：首先，以特征图的幅度谱和相位谱作为输入。对其进行逐点卷积操作，然后经过激活函数处理，实现频谱信息的初步聚合。计算通道权重：接着，以聚合后的频谱信息为输入。先进行全局平均池化，再经过多次卷积和激活函数操作，最后通过特定激活函数得到通道权重映射。应用通道权重：之后，将通道权重映射与之前聚合的频谱信息进行点乘，再通过卷积操作，然后利用残差连接进行滤波，从而得到滤波后的频谱信息，包括幅度谱和相位谱。映射回空间域。
YOLOv11改进有效系列目录 - 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制 - 针对多尺度、小目标、遮挡、恶劣天气等问题
热门推荐
qq_64693987的博客
10-16 2万+
在一些特定情况下，目标检测任务由于多种因素的影响，变得更加复杂和困难。以下是几类常见的困难目标检测场景：1. 小目标检测定义：小目标检测是指当目标在图像中的占比非常小时，模型需要准确识别和定位这些目标。典型场景包括远程监控、卫星图像分析等。挑战1. 低分辨率：由于目标在图像中占据像素较少，细节缺失，特征提取难度增加。2. 特征不足：小目标缺乏明显的形状和纹理特征，容易被复杂背景淹没。3. 检测难度大：由于小目标与背景之间的对比度较低，误检的几率上升。4. 数据不平衡。
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
qq_64693987的博客
10-16 4609
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
YOLO11添加小波卷积
02-28
这涉及更改骨干网络部分，使其包含自定义的小波卷积模块。 ```yaml backbone: - [focus, [3, 64, 3]] # 原始Focus层保持不变 - [wtconv, [64, 128, 3]] # 添加WTConv替代传统Conv ... ``` 此处的 wtconv 表示...
YOLO11进化论 | 用C3k2模块缝合小波卷积，解锁边缘纹理检测新姿势【双融合策略 + 完整代码】
最新发布
weixin_43199439的博客
05-11 151
小波卷积是将图像信号进行多尺度频域分解，提取出低频结构特征 + 高频纹理细节，核心思路来源于离散小波变换（DWT）。🧠 更强的边缘建模能力（尤其在低清晰图像下）📉 特征降冗余，有效压缩无效信息⚡ 结构轻量，适合部署在轻量化目标检测模型中。
小波卷积（wavelet convolution）模型详解及代码复现
hasakie的博客
01-23 733
研究表明，小波卷积网络在处理复杂的自然图像时，能够以更少的参数数量获得与传统CNN相当甚至更好的性能。DWT能够有效分解信号的不同频率成分，而小波域卷积则充分利用了小波系数的稀疏性和局部性，使得模型可以在不显著增加参数数量的情况下，获得更大的感受野。研究表明，小波卷积网络能够在保持较小参数数量的同时，获得较大的感受野，从而更好地捕捉图像的局部特征和全局结构信息。这种设计使得WTConv在保持较小卷积核的同时，能够获得较大的感受野，从而在不显著增加参数数量的情况下，增强了模型对低频信息的捕捉能力。
【论文阅读笔记】Wavelet Convolutions for Large Receptive Fields
qq_46056318的博客
11-04 3730
大感受野的小波卷积2024 EECVPaperCode近年来，人们试图通过增加卷积神经网络（ConvolutionalNeuralNets，CNNs）的核尺寸来模拟视觉变换器（VisionTransformers，ViTs）的自我注意块的全局感受野。然而，这种方法很快就达到了上限和饱和，在实现了一个全局感受野之前。本文证明，通过利用小波变换（WT），有可能获得非常大的感受野，而不遭受过度参数化，例如，对于k × k的感受野，所提出的方法中的可训练参数的数目仅随k的对数增长。
大感受野的小波卷积
AI浩
10-24 2187
摘要。近年来，人们尝试增大卷积神经网络（CNNs）的核大小，以模仿视觉转换器（ViTs）自注意力模块的全局感受野。然而，这种方法很快便达到了上限，并且在实现全局感受野之前就饱和了。在本文中，我们证明了通过利用小波变换（WT），实际上可以在不遭受过度参数化的情况下获得非常大的感受野，例如，对于k×kk \times kk×k感受野，所提出方法中可训练参数的数量仅随kkk对数增长。所提出的层，命名为WTConv，可以作为现有架构中的即插即用替代品，产生有效的多频响应，并且随着感受野大小的增加而优雅地扩展。我们证
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值