【RT-DETR涨点改进】全网独家首发、注意力改进篇 | ICLR 2026 | 引入 MHLA 多头线性注意力，关注不同的上下文区域，弥补卷积的长程依赖建模方面的不足，助力高效涨点，来自北京大学

YOLOv11改进 | 细节涨点篇 | 2024最新高效上采样模块EUCB助力yolov11有效涨点（全网独家创新）

本文给大家带来的最新改进机制是2024最新高效上采样模块EUCB，EUCB 用于逐步上采样特征图，使其尺寸和分辨率与后续跳跃连接相匹配。这种对齐增强了不同层级和阶段间的信息融合（这个模块对于分割网络效果更佳），EUCB 首先进行上采样操作，将输入特征图的尺度放大 2 倍，然后应用 DWC，接着进行批归一化（BN）和 ReLU 激活，这些步骤能够在不增加显著计算开销的情况下高效地增强特征图。

YOLO26涨点改进 | 独家主干改进篇 | CVPR 2024 | YOLO26利用InceptionNeXt主干，将大核深度卷积分解为四个并行分支，在提升性能的同时显著降低计算效率

本文聚焦YOLO26的核心涨点改进——基于CVPR 2024收录的InceptionNeXt主干网络，深度拆解了其“大核深度卷积四分支拆解”的核心逻辑，通过实验验证了改进的有效性，同时提供了可快速复现的工程代码与进一步涨点的思路。

YOLO26涨点改进 | 全网独家创新，注意力改进篇 | ICCV 2025 | 引入ConvAttn卷积化注意力，以更轻量的方式模拟自注意力的效果，助力目标检测、图像分割、关键点检测有效涨点

YOLO26作为Ultralytics框架推出的新一代轻量化通用模型，凭借高效的特征提取架构和均衡的速度-精度表现，快速成为目标检测、图像分割、关键点检测三大任务的主流基准模型。但在实际工程场景中，原生YOLO26仍面临核心痛点：传统自注意力机制（如Transformer-based Attention）虽能提升特征关联性，但计算复杂度高、参数量大，难以适配边缘设备部署；而轻量化注意力（如SE、CBAM）则存在特征捕获不全面、跨任务适配性差的问题，导致三大任务难以同步涨点。

YOLO26优化：损失篇 | 原创自研 | 一种基于小目标改进的多尺度的动态（SD）损失

小目标检测的核心痛点是：小目标的 IoU 值本身偏低，且原 SDIoU 的惩罚项（距离 / 形状）对小目标过度惩罚，导致小目标的 IoU 得分被进一步压低。

YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构

本文记录的是基于RepVit的YOLOv11轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，提高了准确性。本文在替换骨干网络中配置了原论文中的和五种模型，以满足不同的需求。

YOLOv13涨点改进 | 独家创新、Neck特征融合改进篇 | ICLR 2025 | YOLOv13引入AFLB自适应频率学习融合模块，自适应地强化关键频段特征，助力多模态融合、目标检测有效涨点

本文提出了一种基于自适应频率学习块（AFLB）改进的YOLOv13目标检测模型。AFLB通过频率挖掘模块（FMiM）和频率调制模块（FMoM），在频域实现特征的自适应增强与融合，有效提升了模型在复杂场景（如雾天、低光、雨雪等）下的检测性能。该方法突破了传统空间卷积的限制，使网络具备频谱感知能力，在保持轻量化的同时显著提高了精度和鲁棒性。文章详细介绍了AFLB模块的结构原理、实现代码及在YOLOv13中的集成方法，并提供了两种改进后的网络配置文件，为实际应用提供了完整的技术方案。

YOLOv11知识蒸馏，实现无损涨点，包含逻辑蒸馏和特征蒸馏中的不同蒸馏方法，适用专栏内的所有模型

知识蒸馏（Knowledge Distillation）是由 Hinton 等人在 2015 年提出来的，主要是用一个复杂的教师模型去指导一个简单的学生模型训练，这样能让学生模型在保持高精度的同时，还能减少计算量。本文便是讲解如何针对的原始模型以及改进后的模型进行知识蒸馏，轻松实现无损涨点。知识蒸馏的核心在于利用已训练好的复杂模型（教师模型）去指导一个更简单的模型（学生模型）进行训练，以此让学生模型在保留较高精度的同时，降低计算成本。特征蒸馏（Feature Distillation）是知识蒸馏的一种形式，

YOLO26涨点改进 | 全网首发，Conv独家改进篇 | CVPR 2025 | 引入GBConv瓶颈卷积改进YOLO26，含GSConv二次创新模块，助力细小目标检测高效涨点

YOLO26 作为 Ultralytics 推出的新一代目标检测模型，在速度与精度上实现了较好的平衡，相较于 YOLOv8、YOLOv10，其网络结构更简洁，推理效率更高，但其在细小目标检测场景中仍存在明显短板，主要痛点如下：传统卷积层（Conv）对细小目标的特征捕捉能力不足，易出现特征丢失、定位偏差，导致小目标漏检、误检；瓶颈卷积模块（Bottleneck）的通道注意力机制单一，无法充分挖掘通道间的关联信息，特征利用率低；深层网络特征下采样过程中，细小目标的细节特征被过度压缩，难以实现精准识别；

YOLO26涨点改进 | 全网独家，Conv创新改进篇 | CVPR 2024 | YOLO26引入IDConv大核分解卷积模块，轻量化改进，含IDC3k2和INBC3k2二次创新改进、助力有效涨点

YOLO26 作为 Ultralytics 推出的新一代轻量化目标检测模型，凭借简洁的网络结构、出色的速度-精度平衡，在工业级单任务场景（如目标检测、图像分类）中广泛应用，相较于 YOLOv8、YOLOv10，其推理速度提升 15% 以上，参数量降低 20%，成为轻量化部署的首选模型。

YOLO26涨点改进 | 全网独家复现，注意力创新改进篇 | ICCV 2025 | 引入MSA多尺度注意力，多尺度特征有助于全局感知和增强局部细节、助力小目标检测、遥感小目标检测、图像分割有效涨点

本文基于ICCV 2025“多尺度注意力与多任务优化”的研究热点，全网独家复现YOLO26-MSA改进方案，通过引入定制化MSA多尺度注意力模块，嵌入YOLO26的主干与Neck部分，无需重构模型架构，实现小目标检测、遥感小目标检测、图像分割三大任务的同步涨点。

ENVI基于Landsat影像构建郑州市2000-2019年遥感生态指数RSEI

本文基于landsat5、landsat7、landsat8三种传感器的影像，使用ENVI软件构建郑州市2000-2019年遥感生态指数RSEI。内含ENVI详细操作、使用的公式以及构建结果。

车载摄像头+max96712 + rk3568 调试过程中遇到的问题

本文主要讲述本人在调试rk3568通过mipi-csi2链接max967812,max96712再外接4路车载摄像头过程中遇到的问题,以及最终如何解决这些问题。图中会贴上很多重要且关键的波形图,以便读者在调试过程中进行比对,分析。 如果在调试过程中,mipi总线上的波形没得什么问题的话,还是抓图失败的情况下,需要着重检查 频率,lane数,摄像头分辨率,摄像头输入图像格式等重要配置。

【爬虫】Python实现爬取淘宝商品信息（超详细）

项目基于Python的第三方库Selenium模拟浏览器运行、PyQuery解析和操作HTML文档，获取淘宝平台中某类商品的详细信息（商品标题、价格、销量、商铺名称、地区、商品详情页链接、商铺链接等），并基于第三方库openpyxl建立、存储于Excel表格中。# 全局变量count = 1 # 写入Excel商品计数# 启动ChromeDriver服务# 关闭自动测试状态显示 // 会导致浏览器报：请停用开发者模式# 把chrome设为selenium驱动的浏览器代理；# 窗口最大化。

[SC]SystemC在CPU/GPU验证中的应用（六）

本文提供了一个SystemC学习路线图，包含50个由浅入深的编程实例，涵盖从基础模块到复杂SoC建模的全过程。示例包括：基础模块(时钟、计数器)、通道(FIFO、握手)、TLM2.0接口、总线模型(AXI-Lite)、CPU/GPU内核实现、功耗分析、断言验证等。重点展示了SystemC在硬件验证中的关键应用：VCD波形生成、UVM-SystemC框架、Verilog DPI协同仿真、Python集成、NoC路由器和完整SoC建模(CPU+Cache+DRAM+互连)。每个示例提供完整代码和详细注释，建议分

Java调用OpenDDS(2)-理解OpenDDS自带的Messager示例

理解Messenger

基于 ESP32 的宿舍洗浴热水余量预测与智能排队提醒系统设计与实现

本系统以 ESP32 为主控核心，通过超声波液位传感器实时监测储热水箱剩余水量，配合 DS18B20 温度传感器采集水温数据，建立热水余量预测模型估算可用洗浴时长；同时通过红外人体传感器统计浴室排队人数，结合人均洗浴时长计算预计等待时间，并通过 OLED 屏本地显示 + WiFi Web 服务器远程推送的方式实现排队提醒功能。

Android 17为什么会重写MessageQueue

DeliQueue 通过消除 MessageQueue 中的锁，提升了系统和应用的性能。合成基准测试： 得益于并发能力的提升（Treiber 栈）和更快的插入速度（最小堆），向繁忙队列进行多线程插入的速度比传统 MessageQueue 快了高达 5000 倍。Perfetto 追踪分析： 在从内部测试人员处获取的 Perfetto 追踪记录中，我们看到应用主线程在锁竞争上消耗的时间减少了 15%。

人像抠图 + OpenGL ES 还能这样玩？没想到吧（附带源码）

OpenGL ES 利用抠图算法实现人像留色。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

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