5年+算法工程师，分享人工智能前沿技术，与自己的工程经验，欢迎订阅关注。

LPRNet是2018.06 27 被上传到arxiv上的LPRNet 是第一个实时车牌检测算法中不需要RNN的算法。LPRNet 是一个端到端的，不需要提前进行char分割的车牌识别算法。LPRNet 因为网络结构很小，所以速度很快，在英伟达1080上面 3ms/车牌。在Intel i7-6700K CPU 上1.3ms。LPRNet 前向计算量 0.34 GFLops。

本文提出了一种新的异常检测方法，名为“反向蒸馏”。该方法利用预训练的教师模型提取图像特征，并将其蒸馏到学生解码器中。学生解码器的目标是重建教师模型的多尺度特征，但由于学生模型只学习正常模式，因此无法重建异常特征，从而实现异常检测。主要贡献反向蒸馏框架： 教师模型为编码器，学生模型为解码器，打破传统蒸馏模型的结构限制，提高模型对异常的区分能力。一类别瓶颈嵌入模块： 将教师模型的高维特征压缩到低维空间，有效抑制异常特征的传播，增强异常检测效果。实验结果。

WiSE-FT 是一种简单有效的微调方法，可以显著提高零样本模型对分布偏移的鲁棒性，同时保持或提高目标分布上的准确性。

多模态目标检测模型是如何训练的，深入浅出，从DETR 讲起 到GroundingDINO。

轻量化模型 装备 的卷积

剪枝有哪些方法首先, 选择剪枝的颗粒度：规律 or 不规则然后, 选择在哪里剪枝：权重 or 结构其次，选择剪枝程度：计算量减少5倍？yolov7代码中的train.pytest.py要了解因为我们剪枝进行finetune的时候需要train()这个函数，prune的时候需要test()这个函数。

【代码】pytorch训练流程 | 简单示例。

了解model.named_models，为剪枝做准备。剪枝有一些层如果你不想剪掉，那就用需要你会用 model.named_models功能。先放一段控制剪枝的代码，感受一下ignored_layers = [] # 这些层不剪枝。

实验后续更新。