DETRs Beat YOLOs on Real-time Object Detection组会汇报 现有的实时检测器一般为基于cnn的架构，在检测速度和准确性上实现了合理的权衡。然而，这些实时检测器通常需要NMS来进行后处理，这通常很难进行优化，而且不够健壮，从而导致检测器的推理速度慢。近年来，基于transformer的检测器取得了显著的性能。然而，DETR的高计算成本问题尚未得到有效的解决，这限制了DETR的实际应用，导致无法充分利用其好处。虽然DETR简化了目标检测流程（pipeline）的过程，但由于模型本身的计算成本高，很难实现实时目标检测。本文重新考虑了DETR，并对其关键组件进行了详细的分析和实验，减少了不必要的计算冗余。提出了一种实时检测器（RT-DETR），RT-DETR不仅在精度和速度方面优于目前最先进的实时检测器，而且不需要后处理，因此检测器的推理速度没有延迟，而且保持稳定，充分利用了端到端检测流程（pipeline）的优势。

Real-Time Communication with WebRTC

基于实时子结构加载系统的隔震橡胶支座的动力性能研究，袁涌，朱宏平，本文速度控制型实时子结构加载系统,对天然隔震橡胶支座(NR)、高阻尼隔震橡胶支座(HDR) 和超高阻尼隔震橡胶支座(HDR-S)等速度相关型支座

LPTN | | 实时高分辨率真实感图像翻译：拉普拉斯金字塔翻译网络梁洁*、曾慧*、。 在 CVPR 2021 中。 抽象的 现有的图像到图像转换 (I2IT) 方法要么受限于低分辨率图像，要么由于对高分辨率特征图卷积的计算负担过重而导致推理时间长。 在本文中，我们专注于加速基于封闭形式拉普拉斯金字塔分解和重建的高分辨率逼真 I2IT 任务。 具体来说，我们揭示了属性变换，如光照和颜色处理，更多地与低频分量相关，而内容细节可以在高频分量上自适应地细化。 因此，我们提出了一个拉普拉斯金字塔翻译网络 (LPTN) 来同时执行这两项任务，我们设计了一个轻量级网络，用于翻译分辨率降低的低频分量和渐进式掩蔽策略，以有效地改进高频分量。 我们的模型避免了处理高分辨率特征图所消耗的大部分繁重计算，并忠实地保留了图像细节。 在各种任务上的大量实验结果表明，所提出的方法可以使用一个普通 GPU 实时转换 4

Bakery - GPU Lightmapper Bakery Real-Time Preview 教程参考： https://blog.csdn.net/f402455894/article/details/123329549

Bakery Real-Time Preview 1.18.unitypackage

唯一一本介绍了dx和hlsl的实时渲染书籍

instrument control toolbox 中相应的模块说明及实际举例，如实现实时的串口通讯

Application of FPGA to real-time machine learning - hardware reservoir computers and software image processing [Antonik, P.][Springer,][2018] This book lies at the interface of machine learning – a subfield of computer science that develops algorithms for challenging tasks such as shape or image recognition, where traditional algorithms fail – and photonics – the physical science of light, which underlies many of the optical communications technologies used in our information society. It provides a thorough introduction to reservoir computing and field-programmable gate arrays (FPGAs). Recently, photonic implementations of reservoir computing (a machine learning algorithm based on artificial neural networks) have made a breakthrough in optical computing possible. In this book, the author pushes the performance of these systems significantly beyond what was achieved before. By interfacing a photonic reservoir computer with a high-speed electronic device (an FPGA), the author successfully interacts with the reservoir computer in real time, allowing him to considerably expand its capabilities and range of possible applications. Furthermore, the author draws on his expertise in machine learning and FPGA programming to make progress on a very different problem, namely the real-time image analysis of optical coherence tomography for atherosclerotic arteries.

MSᴛʀᴇᴀᴍ 实施 。 Siddharth Bhatia，Arjit Jain，潘丽，Ritesh Kumar，Bryan Hooi。 网络会议（以前称为WWW），2021年。 MSᴛʀᴇᴀᴍ从恒定时间和内存中的多方面数据流中检测组异常。 我们为每个记录输出一个异常分数。 MSᴛʀᴇᴀᴍ建立在之上，可在多方面设置中工作，例如事件日志数据，多属性图形等。 演示版 运行bash run.sh KDD来编译代码并在KDD数据集上运行它。 运行bash run.sh DOS来编译代码并在DOS数据集上运行它。 运行bash run.sh UNSW来编译代码并在UNSW数据集上运行它。 MSᴛʀᴇᴀᴍ 将目录更改为MSᴛʀᴇᴀᴍ文件夹cd mstream 运行make来编译代码并创建二进制文件 运行./mstream -n numericalfile -c categoricalfil