<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/weixin_44779079</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_44779079]]></copyright><item><title><![CDATA[AI编程实战：零基础用AI搭建YOLO27/YOLO26/YOLO11/YOLOv8毕设项目（附完整Prompt）]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/168560700</link><guid>https://blog.csdn.net/weixin_44779079/article/details/168560700</guid><author>weixin_44779079</author><pubDate>Thu, 22 Oct 2026 15:22:57 +0800</pubDate><description><![CDATA[已经选好了毕设题目，也写完了开题报告，接下来该怎么开始写代码？对于很多计算机、人工智能、软件工程专业的本科生来说，真正困难的不是没有代码，而是不知道如何把一个项目从空文件夹逐步搭建起来：目录怎么设计、依赖如何管理、AI 生成的代码能不能运行、报错后又该如何排查。本文以"基于 YOLO 的道路坑洼检测系统"为案例，演示如何借助 AI编程工具搭建一个结构清晰、便于后续开发的计算机视觉毕设项目。实操以为例，但需求分析、任务拆分、代码审查和错误排查方法同样适用于其他具备项目读取与代码编辑能力的AI 编程工具。]]></description><category></category></item><item><title><![CDATA[AI编程实战：如何让AI帮你完成第一个计算机视觉项目？从需求分析到项目规划（附完整Prompt）]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/167800041</link><guid>https://blog.csdn.net/weixin_44779079/article/details/167800041</guid><author>weixin_44779079</author><pubDate>Tue, 20 Oct 2026 08:07:12 +0800</pubDate><description><![CDATA[AI编程时代，计算机专业学生完成毕业设计，最大的变化不是代码越来越少，而是项目开发方式正在改变。但是需要注意：AI不是替代学生完成毕业设计。正确方式应该是：利用AI辅助完成项目规划、代码开发、实验验证和系统实现。本文将以计算机视觉项目为例，介绍如何利用AI完成第一个人工智能项目的完整规划流程。]]></description><category></category></item><item><title><![CDATA[计算机/人工智能完整开题报告示例：基于深度学习的道路坑洼智能检测系统设计与实现]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/168031648</link><guid>https://blog.csdn.net/weixin_44779079/article/details/168031648</guid><author>weixin_44779079</author><pubDate>Tue, 20 Oct 2026 08:06:17 +0800</pubDate><description><![CDATA[完成系统功能测试、模型效果评估、实验图表整理和毕业设计论文撰写，准备演示与答辩材料。]]></description><category></category></item><item><title><![CDATA[2027计算机/人工智能开题报告怎么写？本科+硕士完整教程：文献检索、算法选择、系统功能、技术路线与AI提示词]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/168028335</link><guid>https://blog.csdn.net/weixin_44779079/article/details/168028335</guid><author>weixin_44779079</author><pubDate>Mon, 19 Oct 2026 15:16:22 +0800</pubDate><description><![CDATA[选题已经确定了，开题报告还是不知道怎么写。导师让写“研究内容”，自己只会写“使用深度学习完成检测”。题目里有 YOLO、Transformer、视觉大模型，却不知道为什么选这些算法。会写“设计与实现某某系统”，但是说不清楚系统到底有哪些功能。“国内外研究现状”搜了一堆论文，最后变成逐篇介绍，前后毫无联系。“创新点”只会写“引入注意力机制，提高模型精度”，却没做过实验。让 AI 一次生成开题报告，得到的内容似乎很完整，但参考文献可能不存在，技术方案也可能不适合自己的电脑。]]></description><category></category></item><item><title><![CDATA[2027计算机专业毕设怎么选？教你用AI分析20个计算机视觉项目方向（附完整Prompt）]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/167694955</link><guid>https://blog.csdn.net/weixin_44779079/article/details/167694955</guid><author>weixin_44779079</author><pubDate>Mon, 19 Oct 2026 14:11:36 +0800</pubDate><description><![CDATA[最新模型；最大网络；最复杂算法。对于大多数本科生来说：真正有价值的是：利用AI工具完成一个自己理解、能够运行、能够展示、能够解释的人工智能项目。AI不会替你完成一个优秀毕业设计。但是：会使用AI工具，并掌握完整项目开发流程的学生，将拥有更强的实践能力。未来计算机视觉毕设的发展方向：不是：“谁记住更多代码。而是：“谁能够利用AI完成真实项目。]]></description><category></category></item><item><title><![CDATA[Android Studio 保姆级安装教程，Windows 电脑上安装 Android Studio]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/165124446</link><guid>https://blog.csdn.net/weixin_44779079/article/details/165124446</guid><author>weixin_44779079</author><pubDate>Sat, 12 Sep 2026 20:37:23 +0800</pubDate><description><![CDATA[然后在下一步的。]]></description><category></category></item><item><title><![CDATA[windows 安装 DeepSeek Harness]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/163924836</link><guid>https://blog.csdn.net/weixin_44779079/article/details/163924836</guid><author>weixin_44779079</author><pubDate>Thu, 20 Aug 2026 20:14:40 +0800</pubDate><description><![CDATA[DeepSeek Harness 要求：Node.js 版本 >= 22.19.0（或 Node 23 / 24+）在 DeepSeek 平台创建即可，创建时候记住 keys 值，它只会出现一次。），在浏览器中打开即可通过图形化界面创建会话、分配工作目录及监控任务执行轨迹。首次运行前需要配置模型服务密钥。无需手动下载仓库，直接通过 Node 的包管理工具即开即用，以。首次启动，需要配置一下 API Key，这个很简单的。登录后的样子，有免费的额度，演示应该够用了。下图应该是旧版本的网页，官网应该更新了。]]></description><category></category></item><item><title><![CDATA[一文带你了解HuggingFace Transformer 理论基础，Transformer 实战，十万字精读]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/162703882</link><guid>https://blog.csdn.net/weixin_44779079/article/details/162703882</guid><author>weixin_44779079</author><pubDate>Fri, 10 Jul 2026 21:46:59 +0800</pubDate><description><![CDATA[在 Hugging Face 的库中，Pipeline（流水线）是最高层、最易用的推理 API。如果把直接调用 PyTorch 底层代码比作“驾驶手动挡赛车”（需要精细控制离合、油门和换挡），那么 Pipeline 就是一辆开箱即用的“全自动无人驾驶汽车”。你只需要输入目的地（文本），它就能直接把你送到终点（预测结果）。你不需要知道到底该用 BERT 还是 T5。你只需要告诉 Pipeline 你的任务目标文本生成、翻译、问答、图像分类），它就会自动为你匹配一套默认的最佳预训练模型和分词器。]]></description><category></category></item><item><title><![CDATA[基于 PP-YOLOE 与 PP-LCNet 的行人重识别（ReID）智能安防监控系统设计与实现]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/162282069</link><guid>https://blog.csdn.net/weixin_44779079/article/details/162282069</guid><author>weixin_44779079</author><pubDate>Wed, 24 Jun 2026 22:37:31 +0800</pubDate><description><![CDATA[本文从安防行业的实际痛点出发，完整设计并实现了一套高颜值、轻量级、高并发的多路行人重识别智能安防监控分析平台。系统在算法层级联了高效的 PP-YOLOE 与 PP-LCNet 骨干网络，奠定了轻量化的算力基石。在界面层，利用 MonkeyQt 对 PySide6 进行了深度重排与美学统一，设计了抗挤压的双排控制卡片和内含 Phosphor 图标的自适应 VideoCanvas 网格。]]></description><category></category></item><item><title><![CDATA[MonkeyQt组件库，基于 PySide6 搭建的 UI 组件库，68种主题样式]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/161915959</link><guid>https://blog.csdn.net/weixin_44779079/article/details/161915959</guid><author>weixin_44779079</author><pubDate>Fri, 12 Jun 2026 09:57:49 +0800</pubDate><description><![CDATA[monkeyqt 是一个为桌面应用开发者量身打造的现代化 UI 组件库。设计灵感来源于前端的和，并结合ui-ux-pro-max-skill技能打造不同风格的主题样式，为桌面应用程序提供极高颜值、一致交互、并且开箱即用的 Web 风格组件。📖| 🚀| 🎨。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入STA超级令牌注意力机制（CVPR 2023），稀疏关联采样打破高分计算瓶颈，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160860621</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160860621</guid><author>weixin_44779079</author><pubDate>Thu, 07 May 2026 15:50:41 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足。尤其是在早期的浅层网络中，如果使用局部卷积或局部自注意力，往往难以捕获长距离的全局依赖；而如果直接使用全局自注意力，又会因为图像分辨率过高（Token数量巨大）导致难以承受的计算开销。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入iRMB反向残差注意力机制（ICCV 2023），兼顾CNN与Transformer优势，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160860482</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160860482</guid><author>weixin_44779079</author><pubDate>Thu, 07 May 2026 15:46:10 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足。尤其是在轻量化模型设计中，纯 CNN 模型（如基于 Inverted Residual Block 的网络）受限于静态归纳偏置，缺乏捕获全局上下文的能力；而纯 Transformer 模型虽然具备动态建模长距离依赖的优势，但计算开销巨大。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入EMA注意力机制（ICASSP 2023），高效多尺度跨空间学习，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160802241</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160802241</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 23:26:42 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获跨通道和跨空间特征时，很多通道注意力机制（如SE）采用了降维操作，导致深层视觉表示信息丢失且增加了计算开销。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 EMA（Efficient Multi-Scale Attention，高效多尺度注意力）机制。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入ECA注意力机制（CVPR 2020），极轻量级跨通道交互，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160802234</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160802234</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 23:23:56 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获跨通道的特征依赖时，要么缺乏注意力机制导致关键特征不够突出，要么采用类似 SE（Squeeze-and-Excitation）机制却因为降维操作丢失了通道间的原始空间关联。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入DA注意力机制（CVPR 2022），动态偏移捕获关键特征，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160802207</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160802207</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 23:17:51 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获长距离依赖和全局上下文信息时常常受到局部感受野的限制。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 DAT（Deformable Attention Transformer）中的核心机制——可变形注意力机制（Deformable Attention, 简称 DA）。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入CBAM注意力机制（ECCV 2018 ），空间与通道的完美结合，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160801907</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160801907</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 22:56:58 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获特征时常常忽略关键的通道与空间位置信息。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 CBAM（Convolutional Block Attention Module，卷积块注意力模块）机制。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入GAM注意力机制（ArXiv 2021），保留信息增强跨维度交互，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160801727</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160801727</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 22:36:50 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获跨通道和跨空间特征时，很多通道注意力机制（如SE）采用了降维操作，导致深层视觉表示信息丢失且增加了计算开销。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 GAM（Global Attention Mechanism，全局注意力机制）。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入CA注意力机制（2021 CVPR），二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160801635</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160801635</guid><author>weixin_44779079</author><pubDate>Tue, 05 May 2026 22:26:15 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获特征时常常忽略位置信息。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 CA（Coordinate Attention，协调注意力）机制。CA 巧妙地将位置信息嵌入到了通道注意力中，通过水平和垂直两个方向的一维池化，同时捕获长距离依赖和精确的位置坐标。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet引入LSKA注意力机制（2024 WACV），二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160771514</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160771514</guid><author>weixin_44779079</author><pubDate>Mon, 04 May 2026 18:59:33 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其是在捕获长距离依赖关系时常常力不从心。为了解决这些痛点，本文引入了在计算机视觉领域表现出色的 LSKA（Large Separable Kernel Attention，大核可分离注意力）机制。]]></description><category></category></item><item><title><![CDATA[【UNet 改进 | 注意机制篇】UNet添加MLCA注意力机制，二次创新]]></title><link>https://blog.csdn.net/weixin_44779079/article/details/160769735</link><guid>https://blog.csdn.net/weixin_44779079/article/details/160769735</guid><author>weixin_44779079</author><pubDate>Mon, 04 May 2026 16:58:01 +0800</pubDate><description><![CDATA[在医学图像分割任务中，病灶区域往往形态各异、边界模糊，且经常与周围组织的对比度较低，这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征，但在处理复杂语义和精细边缘时仍有不足，尤其对于微小病灶的检测。为了解决这些痛点，本文引入了在目标检测领域大放异彩的 MLCA（Mixed Local Channel Attention，混合局部通道注意力）机制。MLCA 巧妙地融合了局部空间信息和全局通道依赖，通过自适应分配通道和空间权重，增强了对关键特征的表达。]]></description><category></category></item></channel></rss>