<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[whaosoft~aiotの开发板商城]]></title><description><![CDATA[whaosoft~aiotの开发板商城]]></description><link>https://blog.csdn.net/weixin_49587977</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_49587977]]></copyright><item><title><![CDATA[51c自动驾驶~合集67]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/165491113</link><guid>https://blog.csdn.net/weixin_49587977/article/details/165491113</guid><author>weixin_49587977</author><pubDate>Tue, 15 Sep 2026 21:37:30 +0800</pubDate><description><![CDATA[我自己的原文哦~]]></description><category></category></item><item><title><![CDATA[51c大模型~合集198]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/165476459</link><guid>https://blog.csdn.net/weixin_49587977/article/details/165476459</guid><author>weixin_49587977</author><pubDate>Tue, 15 Sep 2026 15:06:34 +0800</pubDate><description><![CDATA[我自己的原文哦~]]></description><category></category></item><item><title><![CDATA[嵌入式※~国产MCU替换STM]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/163891558</link><guid>https://blog.csdn.net/weixin_49587977/article/details/163891558</guid><author>weixin_49587977</author><pubDate>Wed, 19 Aug 2026 16:45:00 +0800</pubDate><description><![CDATA[我自己的原文哦~话说啊arm内核的代码都一样, 基础的都可以通用, 但时钟频率不一样stm比gd的低点儿~ , 亲测stm的工程在gd里也可以烧录进去 也可以正常运行 ( p2p的话 )~ < 老的板子不用改,直接换芯片可用 >]]></description><category></category></item><item><title><![CDATA[51c自动驾驶~合集66]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/163861379</link><guid>https://blog.csdn.net/weixin_49587977/article/details/163861379</guid><author>weixin_49587977</author><pubDate>Tue, 18 Aug 2026 18:12:50 +0800</pubDate><description><![CDATA[（10 步中的第 8–9 步，）。扩散早期步骤决定轨迹的宏观拓扑，过早注入梯度会破坏模型的行为意图；后期注入则在拓扑已定的前提下做细粒度安全修正，计算开销也最小。]]></description><category></category></item><item><title><![CDATA[51c大模型~合集197]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/163367799</link><guid>https://blog.csdn.net/weixin_49587977/article/details/163367799</guid><author>weixin_49587977</author><pubDate>Fri, 31 Jul 2026 14:47:55 +0800</pubDate><description><![CDATA[我自己的原文哦~]]></description><category></category></item><item><title><![CDATA[51c视觉~CV~合集8~※~人脸检测-2]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/161524630</link><guid>https://blog.csdn.net/weixin_49587977/article/details/161524630</guid><author>weixin_49587977</author><pubDate>Fri, 29 May 2026 22:37:20 +0800</pubDate><description><![CDATA[比如，我一朋友做显著性检测，如果只在实验中通过搭建框架、训练测试，得出结果，那只是看到一个理论的表现，但是我朋友实验室有专门的显著性眼动仪，其可以通过现有模型的辅助，去人为进行实际实验，观察每一幅图像的显著性点及区域（说到这，我们平台准备下期为大家带来显著性检测），所以，本次分享的文献有些乏味，但希望做人脸领域的小伙伴，可以通过实际生活中的一些经验，通过数学的方式应用到模型当中，对实际场景的检测或识别有一定的提升。在没有目标的试验中，参与者可以引起正确的反应(正确的拒绝)或错误地识别错误者的脸(假阳性)。]]></description><category></category></item><item><title><![CDATA[51c※视觉~合集1-2]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/161523997</link><guid>https://blog.csdn.net/weixin_49587977/article/details/161523997</guid><author>weixin_49587977</author><pubDate>Fri, 29 May 2026 21:38:27 +0800</pubDate><description><![CDATA[我自己的原文哦~]]></description><category></category></item><item><title><![CDATA[51c※视觉~CV~合集1]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/158734881</link><guid>https://blog.csdn.net/weixin_49587977/article/details/158734881</guid><author>weixin_49587977</author><pubDate>Fri, 06 Mar 2026 13:01:49 +0800</pubDate><description><![CDATA[我自己的原文哦~                                   https://blog.51cto.com/whaosoft143/11574517............]]></description><category></category></item><item><title><![CDATA[51c嵌入式~Lora~合集1]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/157809920</link><guid>https://blog.csdn.net/weixin_49587977/article/details/157809920</guid><author>weixin_49587977</author><pubDate>Fri, 06 Feb 2026 17:44:03 +0800</pubDate><description><![CDATA[LoRa通信技术以其长距离、低功耗、多设备连接的特性，已成为物联网时代的核心技术之一。它在智能城市、智能农业、资产跟踪、环境监测等多个领域的应用，不仅推动了各行业的数字化转型，也为开发者提供了广阔的创新空间。随着LoRa技术的不断演进，开发解决方案也越发丰富。从基于LoRa芯片的硬件设计，到多样化的LoRa模块选择，再到全面的软硬件开发工具支持，开发者可以快速实现从概念到产品的转化。同时，结合LoRaWAN协议和其他网络技术，开发者能够构建更加高效、灵活和可扩展的物联网系统。]]></description><category></category></item><item><title><![CDATA[51c视觉~OCR~合集2]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/157301197</link><guid>https://blog.csdn.net/weixin_49587977/article/details/157301197</guid><author>weixin_49587977</author><pubDate>Fri, 23 Jan 2026 23:47:15 +0800</pubDate><description><![CDATA[我自己的原文哦~]]></description><category></category></item><item><title><![CDATA[51c~目标检测~合集3]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156698448</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156698448</guid><author>weixin_49587977</author><pubDate>Wed, 07 Jan 2026 23:18:50 +0800</pubDate><description><![CDATA[该模块并非简单拼接或相加，而是通过一种渐进式的、注意力引导的融合策略，逐步筛选和整合互补信息，自适应地抑制背景干扰并增强显著区域的特征表示，最终生成精确的显著图。进一步，通过精心设计的嵌套式融合模块，自适应地整合两种异构特征，在抑制背景噪声的同时，渐进式地提升特征表示的有效性和互补性，最终实现对遥感图像中显著目标的更精准、更完整的检测。而我们的方法得益于异构编码器的互补性以及嵌套融合的有效性，能够更完整地检测出不同大小的目标，并更精确地勾勒出具有复杂形状目标的轮廓，对背景干扰表现出更强的鲁棒性。]]></description><category></category></item><item><title><![CDATA[51c视觉~合集59]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156650832</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156650832</guid><author>weixin_49587977</author><pubDate>Tue, 06 Jan 2026 15:42:18 +0800</pubDate><description><![CDATA[然而，现实世界的数据是持续不断产生的，模型需要具备“终身学习”的能力，即在不忘记旧知识的前提下，不断从新数据中学习。如下图所示，在终身学习的各个阶段，旧数据集（Market1501）的特征始终能保持良好的类内紧凑性和类间可分性，即使在多个新数据集不断加入后，其特征结构也未被破坏，证明了模型强大的知识保持能力。然而，这会导致一个新问题：用新模型提取的查询（Query）特征，与用旧模型提取的库（Gallery）特征，两者处于不同的特征空间，直接比较会“风马牛不相及”，导致识别性能急剧下降。]]></description><category></category></item><item><title><![CDATA[51c自动驾驶~合集64]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156565391</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156565391</guid><author>weixin_49587977</author><pubDate>Sun, 04 Jan 2026 12:37:49 +0800</pubDate><description><![CDATA[推理时，DriveLaW-Video 首先将历史帧、文本提示等编码为潜在特征并进行去噪生成视频，同时，其中间层的潜在特征被提取出来作为关键的感知信号，连同自车状态、高层指令一起输入给 DriveLaW-Act，后者通过流匹配（Flow Matching）生成最终的平滑轨迹。一个完全预训练的生成器比没有经过驾驶域预训练的生成器带来了 +3.2 PDMS 的提升，这表明更大的语料库加深了模型对驾驶物理规律的掌握，并转化为更强的规划能力，表现出明显的规模定律（scaling law）。]]></description><category></category></item><item><title><![CDATA[51c~视觉~红外小目标检测~合集1]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156332850</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156332850</guid><author>weixin_49587977</author><pubDate>Sat, 27 Dec 2025 12:58:35 +0800</pubDate><description><![CDATA[本文提出了一个多尺度方向感知网络（MSDA-Net），首次将高频方向特征作为领域先验引入红外小目标检测网络。为充分挖掘这类特征，该团队设计了两个关键模块：其一是无参数的高频方向注入（HFDI）模块，用于将原始图像的高频方向信息直接嵌入特征提取的早期阶段；其二是多尺度方向感知（MSDA）模块，用于促进不同尺度下局部关系的充分提取和不同方向上关键特征的充分感知。]]></description><category></category></item><item><title><![CDATA[51c大模型~合集191]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156246795</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156246795</guid><author>weixin_49587977</author><pubDate>Thu, 25 Dec 2025 02:59:15 +0800</pubDate><description><![CDATA[哈萨比斯Jeff Dean联手执笔谷歌2025年度AI综述：Gemini 3 Pro/Flash以推理+多模态刷新多项基准，开源Gemma加码端侧；Agent重塑编码、搜索与创意工具，AlphaFold、DeepThink夺金，量子Echoes与Ironwood TPU夯实硬件，长文描绘可协作、可行动、可科研的通用智能路线图。如何回顾2025年的AI进展？今年王者归来的谷歌，刚刚由Jeff Dean和哈萨比斯牵头，完成了年度总结和趋势展望报告——这是AI Agent、推理和科学发现的一年。]]></description><category></category></item><item><title><![CDATA[51c自动驾驶~合集63 ]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156206363</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156206363</guid><author>weixin_49587977</author><pubDate>Tue, 23 Dec 2025 22:37:11 +0800</pubDate><description><![CDATA[自动驾驶技术诞生到发展至今，已经有十多年了，随着技术的不断迭代，以及大模型技术的蓬勃发展，如今的自动驾驶仿佛进入了一个“百家争鸣”的时代。如果说早期的模块化设计像是手工打造的传统汽车，]]></description><category></category></item><item><title><![CDATA[51c视觉~3D~合集10]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156194952</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156194952</guid><author>weixin_49587977</author><pubDate>Tue, 23 Dec 2025 13:51:58 +0800</pubDate><description><![CDATA[它能识别万物，能描述复杂的图像内容，但在需要深度和空间想象力的任务上，总显得有些力不从心（这也是为什么近期频繁看到空间推理相关论文的原因）。”这种需要虚拟视角转换的问题，GPT-4o和Qwen3-VL都答错了，而N3D-VLM凭借其强大的3D空间感给出了正确答案。在N3D-Bench以及SpatialRGPT-Bench等多个推理基准上，N3D-VLM-7B全面超越了包括GPT-4o、Gemini-2.5-Flash和Qwen3-VL-8B在内的所有对手，成为了新的。”这类问题，它们往往就“晕头转向”了。]]></description><category></category></item><item><title><![CDATA[51c视觉~合集58]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156194932</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156194932</guid><author>weixin_49587977</author><pubDate>Tue, 23 Dec 2025 13:51:15 +0800</pubDate><description><![CDATA[与密集方法相比，RCM在大视角变化场景下显示出显著的精度优势，分别领先LoFTR和MatchFormer（+9%，+11%，+12%）和（+10%，+12%，+10%）。然后，通过无冲突的粗匹配模块，以多对一的方式对稀疏和密集特征进行匹配。由于目标图像中的匹配点是基于回归得到的，而不是预先检测到的点，因此RCM（Regression-based Coarse Matching，基于回归的粗匹配）在SfM（Structure from Motion，运动恢复结构）任务中缺乏离散的轨迹，需要额外的适应策略。]]></description><category></category></item><item><title><![CDATA[51c视觉~合集57 ]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156149248</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156149248</guid><author>weixin_49587977</author><pubDate>Mon, 22 Dec 2025 13:52:24 +0800</pubDate><description><![CDATA[本文结合相关论文介绍了一些半监督目标检测算法，即如何利用大量的 unlabeled data 提升模型的检测性能。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，我们查看一下目标检测在这四个方向下的具体设定，如下图所示（不包括无监督学习）：图一 目标检测的不同的 setting拥有大规模带标签的数据，包括完整的实例级别的标注，即包含坐标和类别信息；]]></description><category></category></item><item><title><![CDATA[51c扩散模型~合集5]]></title><link>https://blog.csdn.net/weixin_49587977/article/details/156112164</link><guid>https://blog.csdn.net/weixin_49587977/article/details/156112164</guid><author>weixin_49587977</author><pubDate>Sat, 20 Dec 2025 15:32:40 +0800</pubDate><description><![CDATA[X-Slim最核心的启发在于，它证明了通过设计一套层次化、动态的控制策略，可以在不牺牲太多质量的前提下，将缓存加速技术推向一个新的高度。这种“Push-then-Polish”的思想，不仅仅适用于扩散模型，对于其他具有迭代计算特性的深度学习模型，或许也具有一定的借鉴意义。虽然相比全量计算的基准（2.32）有极微小的损耗，但这一表现大大优于之前的 SOTA 方法（如 -DiT 的 2.69），在速度与质量之间取得了最佳平衡。X-Slim的巧妙之处在于，它没有粗暴地混合各种缓存策略，而是设计了一套优雅的。]]></description><category></category></item></channel></rss>