知识蒸馏是提升网络性能的方法，通过一个教师网络指导学生网络的学习，将教师网络学习到的知识迁移到学生网络上。 项目博客: https://blog.csdn.net/weixin_38346042/article/details/126065848

基于微信小程序的BIM轻量化模型浏览系统的设计与实现.pdf

一个轻量化模型，在经典openpose上做出了相应改进 可用于多人的、实时的姿态估计并记录每个人的id进行跟踪 深度学习--网络模型简单化 很方便的集成到python C++环境中 适合对计算机视觉研究者深入探索

雷云3轻量化安装包.zip

轻量化json......................

运行顺序：第一步 原始训练，得到一个最优mAP等评价指标，记录在小本本上。 第二步：通过调整BN稀疏值（main 参数中的sr），运行train_sparity.py稀疏训练得到一个稍微小一点点的模型（和原始的精度比较，看看哪个稀疏值最好~） 第三步：将上一步的训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率；剪枝好的模型，在根目录下：pruned_model.pt 是fp32的，你除以2会得到最后的模型大小 第四步：Finetune，用刚刚的pruned模型重新训练，得到最优模型，就是最小且最快，且最好的啦~（和原始和稀疏训练的比较一下哦） 博文链接：https://blog.csdn.net/qq_46098574/article/details/125174256

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

深度学习与CV教程(10) - 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等).doc

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。

无后端、无数据库轻量化部署简单 使用JSON作为题库存储，层次清晰，结构简单易懂 有配套的word模板和模板到JSON转换工具 四种刷题模式：顺序刷题、乱序刷题、错题模式、背题模式