<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[know_F0727的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/know_F0727</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; know_F0727]]></copyright><item><title><![CDATA[【电力AI毕设首选】基于YOLOv11的电力设备智能监控：电线、电塔、设施与人员检测全流程实战（小白指南+疑难解答）]]></title><link>https://blog.csdn.net/know_F0727/article/details/163174017</link><guid>https://blog.csdn.net/know_F0727/article/details/163174017</guid><author>know_F0727</author><pubDate>Fri, 24 Jul 2026 21:48:55 +0800</pubDate><description><![CDATA[当你完成这个项目，你已经掌握了电力智能运维中设备检测的全流程——从需求分析、数据构建，到模型训练、应用开发。硬件部署：把模型装到树莓派+摄像头的巡检设备上，实现“现场实时检测+故障预警”；多模态扩展：结合红外热成像，实现“视觉+温度”双模态电力设备检测（如过热接头识别）；学术深挖：分析YOLOv11在电力小目标检测中的性能瓶颈与优化方向，写成小论文投稿。亲爱的朋友，电力设备监控项目既有电力行业的刚需价值，又能展现你在深度学习与工程开发上的综合能力——这就是你毕设脱颖而出的“王牌项目”。]]></description><category></category></item><item><title><![CDATA[从红外相机到智能预警：野生动物入侵检测全流程实战——基于YOLOv11的生态安全监测方案（小白指南+疑难解答）]]></title><link>https://blog.csdn.net/know_F0727/article/details/163174007</link><guid>https://blog.csdn.net/know_F0727/article/details/163174007</guid><author>know_F0727</author><pubDate>Fri, 24 Jul 2026 21:47:27 +0800</pubDate><description><![CDATA[的全流程，不仅能帮你打造一个技术闭环的动物入侵检测项目，更能让你掌握计算机视觉在生态安全场景的落地逻辑。如果某个环节遇到瓶颈，不妨把步骤拆解后逐一突破——相信你最终能做出一个既“懂技术”又“懂生态”的优质系统，无论是用于毕设展示还是实际监测工作，都能展现出你的专业与担当。如果你想为生态监测或城市安防打造一套智能动物入侵预警系统，这篇从数据准备到UI开发的全流程教程，将带你完成技术落地，让你的项目成为守护生态与安全的得力工具。工具对采集的图像进行手动标注，标注格式为YOLO专用的。]]></description><category></category></item><item><title><![CDATA[手把手教你做血细胞智能检测：基于YOLOv11的红细胞、白细胞与血小板识别（全流程解析·小白友好·附疑难解答）]]></title><link>https://blog.csdn.net/know_F0727/article/details/163173969</link><guid>https://blog.csdn.net/know_F0727/article/details/163173969</guid><author>know_F0727</author><pubDate>Fri, 24 Jul 2026 21:46:07 +0800</pubDate><description><![CDATA[血细胞检测项目的每一步，都是“技术能力→医疗价值”的正向循环。当你看到自己开发的系统能在临床场景中辅助医生快速、准确地完成血细胞检测，为血液疾病诊断争取时间时，那种“技术创造医疗价值”的成就感，会让你明白深度学习不止是算法迭代，更是生命健康的技术支撑。如果过程中遇到模型对稀有细胞识别精度不足、UI报告不够专业的问题，不妨从“临床真实需求”出发拆解分析——比如与病理医生深入沟通“最关注的细胞特征”，针对性优化标注与模型；根据医院报告规范调整UI的报告格式。]]></description><category></category></item><item><title><![CDATA[GaussianBev + REVFormer：3D 高斯表示 + 可逆 Transformer BEV 分割]]></title><link>https://blog.csdn.net/know_F0727/article/details/160601023</link><guid>https://blog.csdn.net/know_F0727/article/details/160601023</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:16:34 +0800</pubDate><description><![CDATA[GaussianBev + REVFormer BEV 分割链路：多相机 RGB → CNN 特征 → 逐像素 3D 高斯生成 (M~10⁵) → 可微 Splat 到 BEV → 24 层可逆 Transformer (显存恒定 1.1 GB) → 语义分割头。nuScenes 上 mIoU=0.541 (比 BEVFormer 高 5.9 点), 显存降至 1/8, FPS=11。]]></description><category></category></item><item><title><![CDATA[3D 多类别 Tversky Loss：原理 + PyTorch 实现 + 超参数调优]]></title><link>https://blog.csdn.net/know_F0727/article/details/160601014</link><guid>https://blog.csdn.net/know_F0727/article/details/160601014</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:15:10 +0800</pubDate><description><![CDATA[Tversky Loss = TP / (TP + α·FP + β·FN)，通过 α 和 β 独立控制误检和漏检的惩罚力度。PyTorch 实现只需要注意维度顺序：logits (N, C, D, H, W) → softmax → 去掉背景 (可选) → one-hot 标签 (N, C, D, H, W) → 在 D×H×W 上求和 TP/FP/FN。肿瘤分割等漏检严重的场景推荐 α=0.3, β=0.7, include_background=False；过分割场景推荐 α=0.7, β=0.3。]]></description><category></category></item><item><title><![CDATA[3D Faster R-CNN：肺部结节检测系统完整实现]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600988</link><guid>https://blog.csdn.net/know_F0727/article/details/160600988</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:12:49 +0800</pubDate><description><![CDATA[3D Faster R-CNN 用 3D ResNet 提取体数据特征、3D RPN 生成锚点框（3D 卷积分类 + 回归）、Detection Head 做精细分类与定位。MONAI 负责 NIfTI 加载与标准化，关键超参数是锚点尺寸（覆盖 2-16 体素）和 RoI Align 的采样分辨率（7×7×7）。建议先用单例验证前向是否通，再用小数据集 (50 例) 调参数，确认 mAP 能收敛后再全量训练。]]></description><category></category></item><item><title><![CDATA[指纹细节点提取与修复：Matlab 实现]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600975</link><guid>https://blog.csdn.net/know_F0727/article/details/160600975</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:11:33 +0800</pubDate><description><![CDATA[指纹细节点提取的核心是 Gabor 增强 + Crossing Number 检测。Gabor 参数中 lambda（脊线间距）设为 5-7 像素，sigma（高斯包络宽度）设为 4-6，大部分场景通用。修复小范围缺失可以用方向插值，大范围缺失需要深度学习模型。建议先用标准数据集（如 FVC 2002/2004）测试提取准确率，确保端点和分叉点的检测正确率在 85% 以上，再切换到目标场景的指纹。]]></description><category></category></item><item><title><![CDATA[移动端 AI 部署：ONNX Runtime + Android 从模型到 App]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600957</link><guid>https://blog.csdn.net/know_F0727/article/details/160600957</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:10:35 +0800</pubDate><description><![CDATA[移动端 ONNX 部署的流程是 PC 端导出 ONNX → 放到 Android 项目 assets → ONNX Runtime AAR 加载推理。核心是OrtSession，预处理在 Java 层用 Bitmap 操作完成。建议先在 PC 上用 onnxruntime Python 验证模型正确，再集成到 Android 端，可以减少定位问题的时间。ONNX Runtime 自动调用 NNAPI，在主流芯片上不需要额外适配。]]></description><category></category></item><item><title><![CDATA[图像风格迁移原理与 PyTorch 实现]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600947</link><guid>https://blog.csdn.net/know_F0727/article/details/160600947</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:09:20 +0800</pubDate><description><![CDATA[风格迁移的核心是内容损失（深层特征差）和风格损失（Gram 矩阵差）的联合优化。用 VGG19 提取特征，LBFGS 优化生成图，50 行代码就能跑通。关键参数是风格权重（1e5 ~ 1e7）和内容层选择（conv4_2）。建议先用 256×256 快速调参，确认风格和内容平衡后，再放大分辨率做精细优化。]]></description><category></category></item><item><title><![CDATA[用 Ultralytics YOLO26 + PyQt5 打造工业缺陷检测 GUI 应用]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600935</link><guid>https://blog.csdn.net/know_F0727/article/details/160600935</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:08:05 +0800</pubDate><description><![CDATA[训练阶段 部署阶段Ultralytics YOLO26 (PyTorch) PyQt5 GUI 桌面应用YOLO26.onnx ──────────────→ onnxruntime 加载├── 图片检测├── 摄像头实时检测└── 视频文件检测用 Ultralytics 训练 YOLO26 模型，导出 ONNX 格式，在 PyQt5 界面中通过 onnxruntime 加载并推理。用户不需要安装 PyTorch，也不需要写命令行，打开 GUI 选图/开摄像头即可看到检测结果。]]></description><category></category></item><item><title><![CDATA[目标检测实战：Ultralytics YOLO26 从训练到部署]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600923</link><guid>https://blog.csdn.net/know_F0727/article/details/160600923</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:07:08 +0800</pubDate><description><![CDATA[Ultralytics YOLO26 的目标检测流程是：安装 → 准备 YOLO 格式数据 →yolo train→yolo val→→ ONNX 部署。建议先用 COCO 预训练权重跑通训练和推理链路，确认数据格式无误后，再用自定义数据 finetune。每次训练完用yolo val看 mAP 和混淆矩阵，迭代调整数据和参数。]]></description><category></category></item><item><title><![CDATA[Jetson Nano + YOLO26 + TensorRT：边缘 AI 实时目标检测]]></title><link>https://blog.csdn.net/know_F0727/article/details/160600895</link><guid>https://blog.csdn.net/know_F0727/article/details/160600895</guid><author>know_F0727</author><pubDate>Tue, 28 Apr 2026 20:05:38 +0800</pubDate><description><![CDATA[Jetson 端直接用加载。Jetson Nano 上跑 YOLO26 需要 TensorRT 加速才能达到实时。推荐输入 320×320 + FP16 精度，延迟约 30ms，可覆盖大部分实时检测场景。部署流程是 PC 端训练 →→ scp 到 Jetson → TensorRT Python/C++ 推理。先在 PC 上用trtexec验证 engine 可正常推理后，再部署到 Nano，可以省去 Jetson 上编译 engine 的时间。]]></description><category></category></item><item><title><![CDATA[像素艺术创作指南：工具 + 配色 + 动画 Aseprite 实战]]></title><link>https://blog.csdn.net/know_F0727/article/details/160567991</link><guid>https://blog.csdn.net/know_F0727/article/details/160567991</guid><author>know_F0727</author><pubDate>Mon, 27 Apr 2026 21:52:55 +0800</pubDate><description><![CDATA[像素艺术链路：16×32 画布 (小起步) → 10 色以内调色盘 → 2468 法则画形状 → Aseprite 帧动画 (4 帧, 80ms) → GIF 导出。像素核心是"以简代繁", 每格都有信息量;配色从经典游戏 (马里奥红/绿, 塞尔达金/绿) 抄起, 再调饱和度出自己的风格。动画用洋葱皮工具逐帧对齐, 循环帧首尾相接。]]></description><category></category></item><item><title><![CDATA[OHEM 在线困难样本挖掘：语义分割精度提升实战]]></title><link>https://blog.csdn.net/know_F0727/article/details/160567970</link><guid>https://blog.csdn.net/know_F0727/article/details/160567970</guid><author>know_F0727</author><pubDate>Mon, 27 Apr 2026 21:51:22 +0800</pubDate><description><![CDATA[OHEM 语义分割链路：U-Net logits (19 类) → 逐像素 CE (B×H×W) → 过滤 ignore → Top-10% 最大 loss → mean + backward。Cityscapes 上 mIoU 从 0.714 提到 0.742 (+2.8%), 小目标提升 8%, 边缘提升 6%。核心贡献：仅用 10% 困难像素的梯度更新模型, 避免简单像素主导。建议 keep_ratio 从 0.1 开始调, 先验证 OHEM 能否提升 val mIoU (2-3% 正常);]]></description><category></category></item><item><title><![CDATA[多场景文本处理与 Lottie 动效集成：Python 完整实现]]></title><link>https://blog.csdn.net/know_F0727/article/details/160567960</link><guid>https://blog.csdn.net/know_F0727/article/details/160567960</guid><author>know_F0727</author><pubDate>Mon, 27 Apr 2026 21:50:04 +0800</pubDate><description><![CDATA[三模块串接流程：Trie 过滤敏感词（O(N)），langdetect 检测语种，SnowNLP 计算情感得分，Lottie JSON 渲染反馈动画。建议先用纯脚本验证各模块正确，再用 PyQt5 整合为 GUI。情感得分为 0-1，可映射到 5 档动画（非常负面 / 负面 / 中性 / 正面 / 非常正面）以获得更细腻的视觉反馈。]]></description><category></category></item><item><title><![CDATA[MambaMorph 脑 MR-CT 配准：Mamba 架构 + 多模态形变场]]></title><link>https://blog.csdn.net/know_F0727/article/details/160567935</link><guid>https://blog.csdn.net/know_F0727/article/details/160567935</guid><author>know_F0727</author><pubDate>Mon, 27 Apr 2026 21:48:06 +0800</pubDate><description><![CDATA[MambaMorph 用 Mamba 架构做多模态形变场预测：两个独立的 FeatureExtractor 分别提取 MR/CT 特征，拼接后通过 Mamba Block（depth=4）建模长程依赖，DeformHead 输出 3 通道形变场。损失组合为 NCC（配准相似度）+ Grad×0.01（形变平滑度），可选加 Dice（分割辅助）。建议先用 Resize 到 96³ 跑通验证集（单卡 8GB 显存），确认 NCC 和 Dice 趋势正确后再调大空间分辨率。]]></description><category></category></item><item><title><![CDATA[KPConv + Semantic3D：点云语义分割 (TF2)]]></title><link>https://blog.csdn.net/know_F0727/article/details/160567911</link><guid>https://blog.csdn.net/know_F0727/article/details/160567911</guid><author>know_F0727</author><pubDate>Mon, 27 Apr 2026 21:45:58 +0800</pubDate><description><![CDATA[输出示例:KPConv + Semantic3D 点云语义分割链路: TF2.0 + CUDA 10.2 → 编译自定义算子 (tf_custom_ops, cpp_wrappers) → GridSubsampling 下采样 (30k 点) → KPConv Encoder × 5 → KPConv Decoder × 5 → Softmax (8 类) → 提交公开榜。核心贡献: TF2 适配编译脚本解决兼容;cpp_wrapper 加速 grid sampling 10×。]]></description><category></category></item><item><title><![CDATA[PlainUSR：轻量实时图像超分（RepMBCConv + LIA + PlainU-Net）]]></title><link>https://blog.csdn.net/know_F0727/article/details/160527296</link><guid>https://blog.csdn.net/know_F0727/article/details/160527296</guid><author>know_F0727</author><pubDate>Sun, 26 Apr 2026 14:18:19 +0800</pubDate><description><![CDATA[PlainUSR 超分链路：Bicubic 上采样 → RepMBCConv (训练多分支/推理单分支) + LIA (通道注意力) + PlainU-Net (down→up+skip) → Tanh 输出。参数量仅 1.5M (EDSR 的 3.5%), 480p 推理 1.8ms (RTX 3060), PSNR=31.42 (Set5, ×4)。推荐轻量场景 (移动端/实时视频) 使用，若需要最高 PSNR 建议换 HAT/SwinIR。训练 100 epoch 后调用融合重参数化分支再部署。]]></description><category></category></item><item><title><![CDATA[双像素深度估计与去模糊：Dual Pixel 传感器 AI 实战]]></title><link>https://blog.csdn.net/know_F0727/article/details/160527276</link><guid>https://blog.csdn.net/know_F0727/article/details/160527276</guid><author>know_F0727</author><pubDate>Sun, 26 Apr 2026 14:16:15 +0800</pubDate><description><![CDATA[双像素传感器 AI 核心链路：左右子单元视差提取 → DPFeatureExtractor (Conv+Branch Split+fuse) → 任务头 (Depth/Deconv/Dehaze)。去模糊模型在合成数据上 PSNR=33.4, SSIM=0.92, 比传统盲去模糊高 5 dB。建议先用公开 DP 数据集 (?Google Dual Pixel Dataset) 预训练深度估计分支，再联合训练去模糊。双像素方案的优势在于单镜头即可实现视差，无需双目立体匹配。]]></description><category></category></item><item><title><![CDATA[图像配准：多分辨率 ORB + RANSAC 优化实战]]></title><link>https://blog.csdn.net/know_F0727/article/details/160527257</link><guid>https://blog.csdn.net/know_F0727/article/details/160527257</guid><author>know_F0727</author><pubDate>Sun, 26 Apr 2026 14:14:47 +0800</pubDate><description><![CDATA[图像配准链路：Reference + Target → 高斯金字塔 3 层 → 每层 ORB (nfeatures∝分辨率) + BF Hamming → RANSAC 单应性 → 级联变换。1920×1080 下 RMSE 从单层 7.8 px 降到多分辨率 2.8 px, 时间从 620 ms 降到 270 ms。核心贡献：粗层锁定大致变换 + 高层仅估计残差, 避免高分辨率下误匹配主导。建议先用单层 ORB 快速验证图像重叠 (<50%?换 SIFT), 多分辨率不超过 3 层;]]></description><category></category></item></channel></rss>