YOLOv11改进 | Mamba-YOLOv11-L：基于SSM的高效全局建模，精度与效率的双重突破

超强创新点！Mamba+YOLO轻松超越YOLO8

性能提升：在RAF-DB数据集上，FER-YOLO-Mamba相较于YOLOvX，平均精度（mAP）提升1.91%，达到80.31%。性能提升：在LVIS数据集上，Mamba-YOLO-World-S相较于YOLO-World-S，平均精度（AP）提升1.5%，小、中、大模型的平均精度分别提升1.4%、3.2%和1.8%。性能提升：在MSCOCO数据集上，Mamba YOLO-Tiny版本相较于YOLOv8-S，参数减少48%，FLOPs减少53%，推理延迟降低0.4ms，平均精度（mAP）提升7.5%。

Mamba YOLO World

开集检测（OVD）旨在检测预定义类别之外的物体。作为将YOLO系列集成到OVD的SOTA模型，YOLO-World非常适合注重速度和效率的场景。然而，其性能受到其Neck特征融合机制的限制，导致二次复杂度和受限制的引导感受野。为了应对这些限制，作者提出了Mamba-YOLO-World，这是一种基于YOLO的OVD模型，采用MambaFusion Path Aggregation Network（MambaFusion-PAN）作为其Neck架构。

Mamba-YOLO论文阅读＋复现（包含报错解决）

一种新的检测器模型Mamba-YOLO，将状态空间模型（SSM）引入到实时目标检测领域，并结合了当前最先进的YOLO系列算法的优点。具体来说，作者提出了ODSSBlock模块来应用SSM结构，同时设计了LSBlock和RGBlock两个新模块来增强模型的局部特征捕捉能力和通道表达能力。实验结果表明，Mamba-YOLO在PASCAL VOC和COCO数据集上表现出了比现有最先进算法更高的mAP值。此外，该论文还对该领域的其他相关研究进行了综述和比较，展示了Mamba-YOLO的独特性和优越性。

16、论文阅读：Mamba YOLO：用于目标检测的基于 SSM 的 YOLO

在深度学习技术快速发展的推动下，YOLO 系列在实时目标检测器领域设立了新的标杆。研究人员在 YOLO 的基础上不断探索创新的重参数化、有效的层聚合网络和无锚技术的应用。为了进一步提升检测性能，基于 Transformer 的结构被引入，显著扩展了模型的感受野，并取得了显著的性能提升。然而，这些改进也带来了代价，因为自注意力机制的二次复杂性增加了模型的计算负担。幸运的是，状态空间模型 (SSM) 的出现有效地缓解了由二次复杂性引发的问题。基于这些进展，我们提出了Mamba-YOLO。

YOLOv10改进 | Conv篇 | YOLOv10添加Mamba模块 （Mamba-Yolov10为目标检测、医学图像分割等任务带来新的发展和进步）

在医学图像分割领域，基于 CNN 和基于 Transformer 的模型都得到了广泛的探索。然而，CNN 在远程建模能力方面表现出局限性，而 Transformer 则受到其二次计算复杂性的阻碍。最近，以 Manba 为代表的状态空间模型 （SSM） 已成为一种很有前途的方法。它们不仅擅长对长距离交互进行建模，而且还保持线性计算复杂性。在本文中，利用状态空间模型，我们提出了一种用于医学图像分割的 U 形架构模型，名为 Vision Mamba UNet （VM-UNet）。

YOLOv11性能暴涨方案：Mamba-MLLA注意力机制实战集成，精度与速度双提升

购买即可解锁300+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，别人有的本专栏也有！

人工智能训练师三级·错题诊断手册40题｜5大易错类型+避坑指南+同类题推荐

人工智能训练师三级易错题诊断手册摘要 本文精选40道高频易错题，划分为5大易错类型，帮助考生针对性提升： 1. 概念混淆型（10题） 精确率vs召回率：精确率关注预测为正的准确性，召回率关注实际正类的覆盖率 过拟合vs欠拟合：过拟合表现为训练好测试差，欠拟合表现为两者都差 混淆矩阵要素：TP/FN/FP/TN的区分关键在于"真假看对错，阴阳看结果" ROC曲线：纵轴为TPR（真阳性率），横轴为FPR（假阳性率） F1值：是精确率和召回率的调和平均数 2. 计算失误型（6题） 主要涉及模型评估指标的计算错误

YoloV8改进策略：Block改进|Mamba-UNet改进YoloV8，打造全新的Yolo-Mamba网络

本文尝试使用Mamba的VSSBlock替换YoloV8的Bottleneck，打造最新的Yolo-Mamba网络。在医学图像分析的最新进展中，卷积神经网络（CNN）和视觉转换器（ViT）都取得了显著的基准成绩。前者通过其卷积操作在捕获局部特征方面表现出色，而后者则通过利用自注意力机制实现了出色的全局上下文理解。然而，这两种架构在有效建模医学图像中的长距离依赖关系时都存在局限，这对于精确分割至关重要。受到Mamba架构的启发，该架构因其处理长序列和全局上下文信息的能力以及作为国家空间模型（SSM）的增强计算

YOLOV8 中使用Vmamba。

yolov8中使用SS2D，vmamba

《算法第四版》学习心得一——怎么学算法

 一、算法的两个核心 算法的核心内容实际上有两个： 算法的概念和思路。 算法的编程实现。 两者相互关联影响，缺一不可。 不理解基本概念和思路，就算把实现代码背下来，也无济于事，因为脑袋里依然是一片模糊。理解了概念和思路，不去用代码实现，脑袋里有的只是概念，无法根据真实需求实现解决方案。 二、学算法需要什么基础 首先，必须要有一定的编程语言基础，要理解语言中最基本的概念：数据类型，类，成...

基于ENVI5.3的Landsat条带去除、辐射定标、大气校正

基于ENVI5.3的Landsat条带去除、辐射定标、大气校正坏带修复辐射定标大气校正 坏带修复 1.下载landsat_gapfill插件，放入“安装目录\Exelis\ENVI53\extensions”，重启ENVI 2. 加载拟处理文件（MTL.txt格式） 3.打开landsat_gapfill 4.选择存放位置并命名文件 5.选择处理文件 辐射定标 1.选择工具Radiometric Calibration 2.选择已修复坏带文件 3.修改参数，选择输出位置及命名文件 大气校正 1

QML实现ListView的拖动排序

现有一种需求，就是用鼠标拖动某项，动态去改变某一项在ListView中显示的顺序位置，经过研究及实践实战，实现方式的核心代码如下： import QtQuick 2.4 import QtQuick.Controls 1.3 import QtQuick.Window 2.2 import QtQuick.Dialogs 1.2 Rectangle { width: 800 ...

实战干货｜.NET9 C#上位机：多PLC并发通信+数据防丢+指令精准下发（10台设备实测+踩坑实录）

摘要：本文介绍了一个基于.NET9重构汽车零部件产线10台西门子S7-1200 PLC并发通信的工业级解决方案。针对原有系统存在的同步轮询阻塞、数据丢失、指令重复等问题，采用连接池复用、异步并发控制、超时隔离等技术，实现800ms内完成10台PLC并发采集、零丢包率、100%指令精准下发。方案通过.NET9的ThreadPool调度优化和ValueTask内存管理，将CPU占用控制在15%以内，解决了多PLC通信中的并发冲突、超时扩散等核心痛点，并提供了可直接复用的工业级代码实现。

（数字图像处理MATLAB+Python）第五章图像增强-第一节：图像增强概述和基于灰度级变换的图像增强

图像增强（Image Enhancement）：指不考虑图像降质原因，利用各种数学方法和变换手段，增强图像中人们感兴趣部分或提高有用的图像特征的清晰度。从图像质量来看，图像增强提高了图像的可懂度，改善了图像的视觉效果例如在现实场景中，针对那些对比度较差、视觉效果不好的图像，我们就可以利用图像增强改善视觉质量图像增强可分为如下几种基于灰度级变换的图像增强基于直方图修正的图像增强基于照度反射模型的图像增强基于模糊技术的图像增强基于伪彩色处理的图像增强其他图像增强方法分段线性灰度级变换。

【制作100个unity游戏之22】3DRPG游戏开发07——其他详细的设计

我们会有有很多单例，如果每个单例都去写会很麻烦，所以我们定义泛型单例模式 Singleton，我们将所有的单例都继承这个泛型单例，就省略很多重复的工作定义一个GameManager类，继承Singleton，控制整个游戏的进度，比如如果主角死了，广播，游戏结束调用。

openlayers6/7 行政区划裁剪 只显示某个区域 示例为天地图

openlayers6/7 行政区划裁剪 只显示某个区域 示例为天地图。

模型实战（16）之StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解

StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示