JunX
# 量化 - Quantization - 量化 - 嵌入式设备/移动设备 - 低计算能力/低内存/低存储空间/低功耗/... - 压缩参数/提升速度/降低内存占用/低计算单元占用面积 - 精度损失 - 浮点运算 --> 整型运算: `float32 --> int8` - 线性量化/非线性量化 - 逐层/组/通道量化 - 在线/离线量化 - 比特量化 -...
# PostProcessing - 模型生成结果的一些处理 - Metrics 的计算 - 结果的二值化，图像的拼接，等等
# 模型性能优化技术 - 量化 - Quantization - 稀疏 - Pruning/Sparsity - 蒸馏 - Distillation ## 量化 - Post Training Quantization - 静态量化 - 动态量化 - 仅权重量化(LLM) - During training quantization(训练过程中模拟量化过程)...
# Pytorch - [Pytorch Optimizer](/Pytorch_Optimizer) - [Pytorch Pipeline](/Pytorch_Pipeline) - [Pytorch Early Stopping](/Pytorch_Early_Stopping) - [Pytorch 可视化](/Pytorch_Visualization) - [Pytorch Tips](/Pytorch_Tips) - [PyTorchLightning](https://github.com/PyTorchLightning/pytorch-lightning) - [TorchMetrics](https://torchmetrics.readthedocs.io/en/latest/) - [Pytorch ignite](https://github.com/pytorch/ignite/) - [pytorch - 加速](/Pytorch_加速) -...
# Eureka - **Eureka** - `Evolution-driven Universal REward Kit for Agent` - 使用 LLMs(GPT-4) 生成 RL 中的奖励函数(替代手动设计激励函数) - 没有预定义激励函数模板 - curriculum learning - RLHF 微调激励函数 - Input - 原始环境源代码(没有 reward...
# SAA+ * SAA - Segment Any Anomaly \[Naive prompt] = `anomaly` 存在语言歧义 * SAA+ \[hybrid prompt] = `Domain Expert Knowledge` + `Target Image Context` * Anomaly Region Generator 异常区域生成器...
# sigmoid - `Sigmoid Function` == `Logistic Function` - **二分类时** `sigmoid` 和 `softmax` 等价 Name | 应用 | 输出 -- | -- | -- sigmoid | - 二分类- 多标签分类/Multi-Label |...
# WinCLIP * 通过使用手动设计的状态词和提示词模板关联异常/正常样本 * **Compositional Prompt Ensemble** -> `Anomaly Classification` * **window-based CLIP** -> `Anomaly Segmentation` * **WinCLIP+** -> Few shot ## Arch * **CLIP-AC** * 基于 OpenCLIP 实现的的二分类异常检测框架...
### Describe the bug WinCLIP cannot export pytorch model ### Dataset MVTec ### Model Other (please specify in the field below) ### Steps to reproduce the behavior ``` from anomalib.data...
# DTD-Synthetic - [Zero-Shot Versus Many-Shot: Unsupervised Texture Anomaly Detection](https://openaccess.thecvf.com/content/WACV2023/papers/Aota_Zero-Shot_Versus_Many-Shot_Unsupervised_Texture_Anomaly_Detection_WACV_2023_paper.pdf) paper 中为了验证纹理方面的论点，借用了 DTD 中的图像来合成具有异常的纹理图像 ## 生成方法 - 从 DTD 中选择了 12 类适合目的的图像，这些图像的分辨率范围从 300×300 到 640×640 像素。 - 对于从 DTD 中选择的一张图像，以随机的位置和方向裁剪出一个大小为其原始尺寸...