改进专题

（超详细）YOLOV7改进-Soft-NMS(支持多种IoU变种选择)

1.在until/general.py文件最后加上下面代码 2.在general.py里面找到这代码，修改这两个地方 3.之后直接运行即可

YOLOv8改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡 专栏目录：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有40+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进——点击即可跳转 Atrous Spatial Pyramid Pooling (ASPP) 是一种在深度学习框架中用于语义分割的网络结构，它旨

【智能优化算法改进策略之局部搜索算子(五)—自适应Rosenbrock坐标轮换法】

1、原理介绍作为一种有效的直接搜索技术，Rosenbrock坐标轮换法[1,2]是根据Rosenbrock著名的“香蕉函数”的特点量身定制的，该函数的最小值位于曲线狭窄的山谷中。此外，该方法是一种典型的基于自适应搜索方向集的无导数局部搜索技术。此法于1960年由Rosenbrock提出，它与Hooke-Jeeves模式搜索法有些类似，但比模式搜索更为有效。每次迭代运算分为两部分[3]： 1)

智能优化算法改进策略之局部搜索算子(六)--进化梯度搜索

1、原理介绍进化梯度搜索(Evolutionary Gradient Search, EGS)[1]是兼顾进化计算与梯度搜索的一种混合算法，具有较强的局部搜索能力。在每次迭代过程中，EGS方法首先用受进化启发的形式估计梯度方向，然后以最陡下降的方式执行实际的迭代步骤，其中还包括步长的自适应，这一过程的总体方案如下图所示：文献[1]

【论文复现|智能算法改进】一种基于多策略改进的鲸鱼算法

目录 1.算法原理2.改进点3.结果展示4.参考文献5.代码获取 1.算法原理 SCI二区|鲸鱼优化算法（WOA）原理及实现【附完整Matlab代码】 2.改进点混沌反向学习策略将混沌映射和反向学习策略结合，形成混沌反向学习方法，通过该方法生成鲸鱼算法的初始种群。混沌序列采用 Tent 混沌映射: x i + 1 = { δ x i 0 < x i < 0.5

智能优化算法改进策略之局部搜索算子(三)—二次插值法

1、原理介绍多项式是逼近函数的一种常用工具。在寻求函数极小点的区间（即寻查区间）上，我们可以利用在若干点处的函数值来构成低次插值多项式，用它作为求极小点的函数的近似表达式，并用这个多项式的极小点作为原函数极小点的近似。低次多项式的极小点比较容易计算。常用的插值多项式为二次或三次，一般说来三次插值公式的收敛性好一些，但在导数不变计算时，三点二次插值也是一种常用的方法[1]。 3

智能优化算法改进策略之局部搜索算子(四)--梯度搜索法

2、仿真实验以海洋捕食者算法（MPA）为基本算法。考察基于梯度搜索的改进海洋捕食者算法（命名为GBSMPA） vs. 海洋捕食者算法（MPA）在Sphere函数上的比较在Penalized1函数上的比较在CEC2017-1上的比较在CEC2017-3上的比较在CEC2017-4上的比较代码获取：

智能优化算法改进策略之局部搜索算子(八)--Powell方法

1、原理介绍 Powell方法[1]是一种无约束优化算法，又称为方向加速法，用于寻找多变量函数的极小值。其基本思想是在迭代中逐次产生Q共轭方向组，本质上它属于不需计算导数的共轭方向法。每次迭代后，算法会更新搜索方向，并包含新的方向以改善优化效果。由于Powell方法不需要计算梯度信息，因此适用于目标函数不可导或计算梯度成本较高的情况。它在迭代过程中通过调整方向和步长，逐步缩小搜索范围，以达到目标

智能优化算法改进策略之局部搜索算子(七)--自适应模式搜索法

1、原理介绍模式搜索法[1]是Hooke与Jeeves提出的一种直接搜索算法，其目的是通过比较目标函数在有限点集中的函数值来优化目标函数。更重要的是，它不仅不使用任何导数知识，而且不需要隐式地建立任何一种导数近似。在这种直接搜索技术中，将模式移动和探索移动相结合，迭代地寻找最优解。该技术首先沿着每个轴进行探索性移动，以寻找新的基点和有利于函数值下降的方向。然后，为了加快在探索性移动

【FreeRTOS】任务状态改进播放控制

这里写目录标题 1 任务状态1.1 阻塞状态(Blocked)1.2 暂停状态(Suspended)1.3 就绪状态(Ready)1.4 完整的状态转换图 2 举个例子3 编写代码参考《FreeRTOS入门与工程实践(基于DshanMCU-103).pdf》本节课实现音乐任务的创建，音乐播放的暂停与继续播放，删除任务。代码为：08_task_priority

【完全复现】基于改进粒子群算法的微电网多目标优化调度（含matlab代码）

目录主要内容部分代码结果一览下载链接主要内容程序完全复现文献模型《基于改进粒子群算法的微电网多目标优化调度》，以微电网系统运行成本和环境保护成本为目标函数，建立了并网方式下的微网多目标优化调度模型，通过改进粒子群算法和原始粒子群算法进行对比，验证改进方法的优越性。虽然标题是多目标优化算法，实质指的是权值多目标，即通过不同目标权值相

04 讲：改进我们的小游戏

这节课主要学习了if else和 while的用法重要的是： 1.别忘记加冒号了 2.“缩进”是Python的灵魂典型例题： 2. 请写出与 10 < cost < 50 等价的表达式 cost>10 and cost<50 3. Python3 中，一行可以书写多个语句吗？可以，多个语句用分好隔开 4. Python3 中，一个语句可以分成多行书写吗

YOLOv10改进 | 注意力篇 | YOLOv10引入MLCA

1. MLCA介绍 1.1 摘要：注意力机制是计算机视觉中使用最广泛的组件之一，可以帮助神经网络强调重要元素并抑制不相关的元素。然而，绝大多数信道注意力机制只包含信道特征信息，忽略了空间特征信息，导致模型表示效果或目标检测性能较差，且空间注意力模块往往复杂且成本高昂。为了在性能和复杂度之间取得平衡，该文提出一种轻量级的混合局部信道注意力（MLCA）模块来提高目标检测网络的性能，该模块可以同

【YOLOv5/v7改进系列】引入特征融合网络——ASFYOLO

一、导言 ASF-YOLO结合空间和尺度特征以实现精确且快速的细胞实例分割。在YOLO分割框架的基础上，通过引入尺度序列特征融合(SSFF)模块来增强网络的多尺度信息提取能力，并利用三重特征编码器(TFE)模块融合不同尺度的特征图以增加细节信息。此外，还引入了通道和位置注意力机制(CPAM)，整合SSFF和TFE模块，专注于有信息的通道和与小物体空间位置相关的特征，从而提升检测和分割性能

DeepMind改进的Google Play Store推荐系统要点解析

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Michelle Gong, Anton Zhernov 编译：ronghuaiyang 导读 DeepMind和Google Play合作，推动了 Play Store 的发现系统的重大改进，为用户提供更加个性化和直观的 Play Store 体验。在过去的几年中，我们把 DeepMind 的技术应用到了谷歌产品和基础

YOLOv10改进 | Conv篇 |YOLOv10引入SPD-Conv卷积

1. SPD-Conv介绍 1.1 摘要：卷积神经网络（CNN）在图像分类和目标检测等许多计算机视觉任务中取得了巨大的成功。然而，在图像分辨率较低或物体较小的更艰巨的任务中，它们的性能会迅速下降。在本文中，我们指出，这源于现有 CNN 架构中一个有缺陷但常见的设计，即使用跨步卷积和/或池化层，这会导致细粒度信息的丢失和学习效率较低的特征表示。为此，我们提出了一种名为 SPD-Conv

卷积篇 | YOLOv8改进之引入重新参数化再聚焦卷积RefConv | 即插即用

前言：Hello大家好，我是小哥谈。论文提出了重新参数化再聚焦卷积RefConv作为常规卷积层的替代品，它是一个即插即用模块，可以在没有任何推理成本的情况下提高性能。具体来说，在给定预训练模型的情况下，RefConv对从预训练模型继承的基核进行可训练的再聚焦变换，以建立参数之间的联系。本文所做出的改进就是在YOLOv8中引入重新参数化再聚焦卷积RefConv，希望大家学习之后能够有所收获~！

Hadoop2.0的HDFS的改进

http://dongxicheng.org/mapreduce/hdfs-federation-introduction/ HDFS Federation是Hadoop最新发布版本Hadoop-0.23.0中为解决HDFS单点故障而提出的namenode水平扩展方案。该方案允许HDFS创建多个namespace以提高集群的扩展性和隔离性。本篇文章主要介绍了HDFS Federation的设计

YOLOv8改进 | 卷积模块 | 用坐标卷积CoordConv替换Conv

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡 专栏目录：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有40+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进 CoordConv 是一种针对卷积神经网络（CNNs）的改进方法，旨在解决传统卷积在处理空间位置信息时的局限性。CoordConv 通过向卷积层

斐波那契数列求第N项递归改进

递归思路： int fib(int n) {if ( 2 > n) {return n;}return fib(n-1) + fib(n-2);} 展开递归计算过程，如下为求第fib(5)的递归过程。如上发现好多重复计算过程，时间与空间的消耗也是必然的。颠倒计算方向，由自顶而下递归，为自底而上迭代（动态规划）算法描述为： int fib(int n) {int f = 0, g

YoloV8改进策略：Block篇|即插即用|StarNet，重写星操作，使用Block改进YoloV8（全网首发）

摘要本文主要集中在介绍和分析一种新兴的学习范式——星操作（Star Operation），这是一种通过元素级乘法融合不同子空间特征的方法，通过元素级乘法（类似于“星”形符号的乘法操作）将不同子空间的特征进行融合，从而在多个研究领域中展现出出色的性能和效率。星操作在自然语言处理（NLP）和计算机视觉（CV）等多个领域中都得到了成功应用。例如，在自然语言处理中，Monarch Mixer、M

贝叶斯理论的基础是18世纪的英国数学家Bayes提出的贝叶斯公式，Bayes在统计决策函数、统计推断以及和统计的估算等数学领域都做出了重要贡献。19世纪，法国数学家Laplace创作的《概率的分析理论》一文利用了贝叶斯分析，但由于当时贝叶斯理论在实际应用中存在各种问题，因而未曾被大家普遍接受。20世纪初，意大利数学家Fineti和英国数学家Jeffreys都对贝叶斯理论的创新与完善做出了重要贡献。

设计模式之module模式及其改进

写在前面编写易于维护的代码，其中最重要的方面就是能够找到代码中重复出现的主题并优化他们，这也是设计模式最有价值的地方《head first设计模式》里有一篇文章，是说使用模式的心智，　　1、初学者"心智" ："我要为HELLO WORLD找个模式" 　　2、中级人员模式： "或许这里我需要一个单件模式" 　　3、悟道者心智："在这里使用一个装饰者模式相当自然" 　　but，but

改进位删除谜题的求解方法

问题背景给定长度为 n 的二进制向量，如何删除恰好 n/3 个位，使剩余二进制向量的不同数量最小化。该问题被称为“位删除谜题”。以下是该问题的示例：对于 n = 3 的情况，最优解是 2，对应两个不同的向量 11 和 00。对于 n = 6 的情况，最优解是 4。对于 n = 9 的情况，最优解是 6。对于 n = 12 的情况，最优解是 10。对于较小的 n，这个问题可以通过

《操作系统真象还原》第七章——改进中断

前言在上一节《操作系统真象还原》第七章——启用中断-CSDN博客，我们在kernel.S中定义了33个中断处理程序，并简单的对其进行了实现（打印字符串），但很显然，使用这种方式定义中断处理程序是很不方便的，一方面我们的中断处理程序都是用汇编语言写的，这增加了我们编写代码的难度，因为后期我们要对每个中断处理程序都要单独定义。另一方面，我们将中断处理程序的声明和定义放在了同一个文件中，不符合代码的

YOLOv10改进 | 注意力篇 | YOLOv10引入HAttention(HAT）注意力

1. HAT介绍 1.1 摘要：基于 Transformer 的方法在低级视觉任务（例如图像超分辨率）中表现出了令人印象深刻的性能。然而，我们发现这些网络通过归因分析只能利用有限的输入信息空间范围。这意味着 Transformer 的潜力在现有网络中仍未得到充分发挥。为了激活更多的输入像素以实现更好的重建，我们提出了一种新颖的混合注意力变换器（HAT）。它结合了通道注意力和基于窗口