ConvNeXt V2：Co-designing and Scaling ConvNets with Masked Autoencoders
ConvNeXtv2 借鉴掩码自编码器（MAE），在 ConvNeXt 的基础上引入全卷积掩码自编码器 (FCMAE)，但是发现 MLP 层存在潜在的特征崩溃问题，为了解决这个问题，该研究提出添加一个全局响应归一化层（Global Response Normalization layer，GRN）来增强通道间的特征竞争
E01 - 图像复原与重建
图像因为相机或拍摄存在噪声、缺失和抖动问题，导致成像有噪点、不清晰，如果噪声和抖动是有规律的，那么可以通过特定的方法去除这些干扰，复原或修复图像
CSPNet：A New Backbone that can Enhance Learning Capability of CNN
CSP 可以看作是 DenseNet 的升级版，主要是通过 split channel 减少重复梯度的传递，使得网络更快
CAM：Learning Deep Features for Discriminative Localization
和 ZFNet 类似，是一篇分析 CNN 原理的经典论文，对后来的弱监督学习有很大的启发，本文证明 2 个结论：（1）CNN 提取的 featrue 含有位置信息，尽管我们在训练时没有标注位置信息；（2）这些位置信息可以转移到其他认知任务中
CBAM：Convolutional Block Attention Module
通过空间全局池化生成通道注意力，通过通道全局池化生成空间注意力，并且分别使用最大池化和平均池化去生成 2 次注意力矩阵
AlexNet：ImageNet classification with deep convolutional neural networks
卷积神经网络从这里开始开始火起来，主要内容包括：(1) 使用 relu 训练网络；(2) 使用 LRN 层；(3) 使用数据增强；(4) 使用 dropout；(5) 使用重叠池化
MFC、. Net、CLR、COM、ATL 等概念理解
在进行 C++ 、C # 编程时，对 MFC、. Net、CLR、COM、ATL 等概念不理解，在此进行总结
D01 - 视频处理
使用 opencv 从摄像头连续读取图像
C++ 通用语言框架 CLI 认识
在使用 visual studio 2019 开发时，有涉及 CLI 编程的经历，那么什么是 CLI 编程，这和传统的 Managed C++ 有什么区别呢？本文进行总结
C++ 编译原理及优化编译
本文回归了 C++ 的编译过程，了解 C++ 编译的优化方法