backbone 第4页

faster_rcnn_r50_fpn_1x-dahua

#modelsettingsmodel=dict(type='FasterRCNN',pretrained='torchvision://resnet50',backbone=dict(type='ResNet

shishengle1024·2023-12-01 09:53

【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（11 月 30 日论文合集）（上）

旅途中的宽~·2023-12-01 02:31

深度学习（一）：Pytorch之YOLOv8目标检测

1.YOLOv82.模型详解2.1模型结构设计和YOLOv5对比：主要的模块：ConvSPPFBottleneckConcatUpsampleC2fBackbone----->Neck------>headBackdone1

从零开始的奋豆·2023-11-30 00:07

从零详细地梳理一个完整的 LLM 训练流程

但在实际情况中，我们通常会遇到一些问题，使得我们无法直接使用一些开源backbone：语言不匹配：大多数开源基座对中

大数据AI人工智能培训专家培训讲师叶梓·2023-11-29 22:23

YOLOv8-pose关键点检测：Backbone优化 |EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计 | ICCV2023

本文解决什么问题：面向移动端的轻量化网络模型EMO，它能够以相对较低的参数和FLOPs超越了基于CNN/Transformer的SOTA模型，替换YOLOv8backboneYolov8-Pose关键点检测专栏介绍

AI小怪兽·2023-11-29 18:21

任你五花八门预训练方法，我自监督学习依然能打！

以下都是新paper，挑了几个感兴趣的，一起粗略看看吧~BattleoftheBackbones:ALarge-ScaleComparisonofPretrainedModelsacrossComputerVisionTasksGitHub

啥都生·2023-11-29 03:34

图像分类网络总结回顾（上）

Inception结构五、ResNet分类网络1.residual结构2.BatchNormalization总结参考前言由于在寒假学习目标检测的时候，在yolo，rcnn，SSD等目标检测的学习过程中，其backbone

在学习的王哈哈·2023-11-29 02:11

三维目标检测----CT3D论文分享

下面简单介绍一下网络的处理流程:与传统的二阶段目标检测器一样，首先使用一个backbone提取点样场景的特征，然后使用RPN网络生成proposal。注意，这里生成的proposa

twn29004·2023-11-28 20:53

Node脚手架编写初学者教程

从Backbone,Ember,Knockout,Spine,Batman框架的崛起到Angular,React,Vue平分天下，我们经历太多代码风格的变革。

weixin_33961829·2023-11-28 17:05

Spring 为啥默认把bean设计成单例详解

Bean简介：在Spring中，那些组成你应用程序的主体(backbone)及由SpringIoC容器所管理的对象，被称之为bean。

小白 2-0-1-9·2023-11-28 13:23

paddle detection 训练参数

#####################################基础配置######################################检测算法使用YOLOv3，backbone使用

一壶浊酒..·2023-11-27 17:59

Vue原理及双向数据绑定

而我所理解的双向数据绑定无非就是在单向绑定的基础上给可输入元素（input、textare等）添加了change(input)事件，来动态修改model和view,仅此而已.实现数据绑定的做法有大致如下几种：发布者-订阅者模式（backbone.js

焦迈奇·2023-11-27 02:19

【读点论文】RIFormer: Keep Your Vision Backbone Effective But Removing Token Mixer去掉费时的组件，用训练技巧提升点

RIFormer:KeepYourVisionBackboneEffectiveButRemovingTokenMixerAbstract本文研究了如何在去除基本构建块中的令牌混合器的同时保持视觉主干的有效性

羞儿·2023-11-26 02:12

竞赛YOLOv7 目标检测网络解读

文章目录0前言1yolov7的整体结构2关键点-backbone关键点-head3训练4使用效果5最后0前言世界变化太快，YOLOv6还没用熟YOLOv7就来了，如果有同学的毕设项目想用上最新的技术，不妨看看学长的这篇文章

iuerfee·2023-11-25 14:34

YOLOv5 第Y6周模型改进

同学啊]文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)改进前模型框架图：改进后模型框架图：改进前：改进后：#YOLOv5v6.0backbonebackbone

风筝超冷·2023-11-25 03:10

UNET-RKNN分割眼底血管

前言最近找到一个比较好玩的Unet分割项目，Unet的出现就是为了在医学上进行分割(比如细胞或者血管)，这里进行眼底血管的分割，用的backbone是VGG16，结构如下如所示(项目里面的图片，借用的！

呆呆珝·2023-11-24 23:19

网络骨架：Backbone(神经网络基本组成——BN层、全连接层)

BN层为了追求更高的性能，卷积网络被设计得越来越深，然而网络却变得难以训练收敛与调参。原因在于，浅层参数的微弱变化经过多层线性变化与激活函数后会被放大，改变了每一层的输入分布，造成深层的网络需要不断调整以适应这些分布变化，最终导致模型难以训练收敛由于网络中参数变化导致的内部节点数据分布发生变化的现象被称作ICS(InternalCovariateShift)。ICS现象更容易使训练过程陷入饱和区，

丁天牛·2023-11-23 14:46

WaveletPool：抗混叠在微小目标检测中的重要性

静静AI学堂·2023-11-22 08:42

YoloV8改进策略：WaveletPool解决小目标的混叠问题，提高小目标的检测精度

静静AI学堂·2023-11-22 07:08

RT-DETR算法优化改进：Backbone改进｜RIFormer：无需TokenMixer也能达成SOTA性能的极简ViT架构 | CVPR2023

本文独家改进：RIFormer助力RT-DETR，替换backbone，RIFormer-M36的吞吐量可达1185，同时精度高达82.6%；而PoolFormer-M36的吞吐量为109，精度为82.1%

AI小怪兽·2023-11-22 04:54

第九章预训练模型与自己模型参数不匹配和模型微调的具体实现

但根据实际任务需求，自己搭建的模型往往和通用的Backbone并不能做到网络层的完全一致，无非就是少一些层和多一些层两种情况。1.自己模型层数较少net=...

小酒馆燃着灯·2023-11-21 22:41

使用mmdetection训练模型--记faster-rcnn不同backbone性能比较

使用mmdetection训练模型一、安装采用的是直接安装，并未使用在conda中建虚拟环境。主要安装的有mmcv和mmdet，其中mmcv的安装与下载的mmdetction版本有关，参考https://mmdetection.readthedocs.io/zh_CN/v2.18.1/get_started.html#id官网安装依赖教程中的mmdetection版本和mmcv版本的对应关系安装。

hedgehogbb·2023-11-21 13:21

YOLOv8优化：独家创新（SC_C_Detect）检测头结构创新，实现涨点 | 检测头新颖创新系列

独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络重点：通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone

AI小怪兽·2023-11-21 03:12

YOLOv5 学习记录

改进点SSPF模块正负样本匹配损失函数整体概况YOLOv5是一个基于Anchor的单阶段目标检测，其主要分为以下5个阶段：1、输入端：Mosaic数据增强、自适应Anchor计算、自适应图像缩放；2、Backbone

RessCris·2023-11-20 03:57

RT-DETR算法优化改进：Backbone改进 | VanillaNet一种新视觉Backbone，极简且强大！华为诺亚2023

本文独家改进：VanillaNet助力RT-DETR，替换backbone，简到极致、浅到极致！

AI小怪兽·2023-11-19 17:57

YOLOv8优化策略：轻量级Backbone改进 | VanillaNet极简神经网络模型 | 华为诺亚2023

本文改进：一种极简的神经网络模型VanillaNet，支持vanillanet_5,vanillanet_6,vanillanet_7,vanillanet_8,vanillanet_9,vanillanet_10,vanillanet_11等版本YOLOv8改进专栏：http://t.csdnimg.cn/hGhVK学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研；1.VanillaNe

会AI的学姐·2023-11-19 17:38

【mmdetection】用自己的coco数据集训练mask r-cnn并进行验证、测试，推理可视化，更改backbone，只针对某一标签进行训练

大前提：Ubuntu20.04LTS本人呕心沥血从无到有的摸索，自己边尝试边整理的，其实耐心多看官方文档确实能找到很多东西（下面有官方文档的链接这里就不重复粘贴了），也为了方便我自己copy语句嘻嘻~为什么不是用Windows，作为一个小白我一开始真的想用windows，因为我懒得配双系统，但是没办法，是真的lj，安装又难，训练有诸多限制，就sosad知道吧。安装就看别的博主吧跟着别的博主soea

Zlan_lvlv·2023-11-19 17:34

YOLOv8优化策略：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计 | ICCV2023

本文改进：面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和FLOPs超越了基于CNN/Transformer的SOTA模型，支持四个版本EMO_1M,EMO_2M,EMO_5M,EMO_6MYOLOv8改进专栏：http://t.csdnimg.cn/hGhVK学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研；1.EMO介绍论文：https://arxiv.org/pdf/2

会AI的学姐·2023-11-19 17:03

PP-OCR笔记

目录检测det数据准备数据格式训练模型微调数据选择模型选择前沿算法与模型训练超参选择预测超参选择启动训练断点训练更换Backbone训练添加新算法混合精度训练分布式训练知识蒸馏训练其他训练环境评估、预测导出

贺一诺·2023-11-19 08:36

RT-DETR优化策略：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计|ICCV2023

本文改进：面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和FLOPs超越了基于CNN/Transformer的SOTA模型，支持四个版本EMO_1M,EMO_2M,EMO_5M,EMO_6M，参数量如下，相对于自带的rtdetr-l、rtdetr-x有很大提升layersparametersgradientsEMO_1M69799216289921628EMO_2M764110258

会AI的学姐·2023-11-19 04:41

RT-DETR优化改进：轻量级Backbone改进 | VanillaNet极简神经网络模型 | 华为诺亚2023

本文改进：一种极简的神经网络模型VanillaNet，支持vanillanet_5,vanillanet_6,vanillanet_7,vanillanet_8,vanillanet_9,vanillanet_10,vanillanet_11等版本，相对于自带的rtdetr-l、rtdetr-x参数量如下：layersparametersgradientsvanillanet_5338277174

会AI的学姐·2023-11-19 04:38

YOLOv8-Seg改进：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计 | ICCV2023

本文改进：面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和FLOPs超越了基于CNN/Transformer的SOTA模型，支持四个版本EMO_1M,EMO_2M,EMO_5M,EMO_6M，参数量如下，相比较yolov8-seg各个版本如下：layersparametersgradientsGFLOPsEMO_1M5713276963

会AI的学姐·2023-11-18 19:06

YOLOv8-Seg改进：Backbone改进 |Next-ViT堆栈NCB和NTB 构建先进的CNN-Transformer混合架构

本文改进：Next-ViT堆栈NCB和NTB构建先进的CNN-Transformer混合架构，包括nextvit_small,nextvit_base,nextvit_large，相比较yolov8-seg各个版本如下：layersparametersgradientsGFLOPsnextvit_small61033841075

会AI的学姐·2023-11-18 19:06

YOLOv8-Seg改进：轻量级Backbone改进 | VanillaNet极简神经网络模型 | 华为诺亚2023

本文改进：一种极简的神经网络模型VanillaNet，支持vanillanet_5,vanillanet_6,vanillanet_7,vanillanet_8,vanillanet_9,vanillanet_10,vanillanet_11等版本，相比较yolov8-seg各个版本如下：layersparametersgradientsGFLOPsvanillanet_521230017523

会AI的学姐·2023-11-18 19:02

PP-YOLOE: An evolved version of YOLO（2022.12）

文章目录Abstract1.Introduction2.Method2.1.ABriefReviewofPP-YOLOv22.2.ImprovementofPP-YOLOEAnchor-freeBackboneandNeckTaskAlignmentLearning

怎么全是重名·2023-11-18 18:34

Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds

1IntroductionTheframeworkdirectlyregresses3Dboundingboxesforallinstancesinapointcloud,whilesimultaneouslypredictingapoint-levelmaskforeachinstance.Itconsistsofabackbonenetworkfollowedbytwoparallelnetw

じんじん·2023-11-18 18:50

yolo改进替换VanillaNet backbone

华为诺亚提出VanillaNet--一种新视觉Backbone，极简且强大论文地址：https://arxiv.org/pdf/2305.12972.pdf代码地址：GitHub-huawei-noah

athrunsunny·2023-11-17 12:48

【v8初体验】利用yolov8训练COCO数据集或自定义数据集

ultralytics/ultralyticsyolov8改进介绍YOLOv5目前仍然是很受到大家环境的，v8作为v5的升级之作效果的提升也非常明显，但相比YOLOv5确实没有作出较大改进，主要改进如下：Backbone

一方热衷.·2023-11-16 17:26

yolov5增加一层小目标检测层

YOLOv5headhead:[[-1,1,Conv,[512,1,1]],[-1,1,nn.Upsample,[None,2,'nearest']],[[-1,6],1,Concat,[1]],#catbackboneP4

非鱼nll·2023-11-16 13:09

车道线检测：LSTR论文解析

Introduction3.RelatedWork4.Method4.1车道形状模型（LaneShapeModel）曲线的重新参数化4.2匈牙利拟合损失（HungarianFittingLoss）4.3网络结构4.3.1Backbone4.3.2Encoder4.3

AIRV_Gao·2023-11-16 11:34

【基于Ubuntu下Yolov5的目标识别】保姆级教程 | 虚拟机安装 - Ubuntu安装 - 环境配置(Anaconda/Pytorch/Vscode/Yolov5) |全过程图文by.Akaxi

【YOLOV5算法原理】1.输入端2.Backbone3.Neck4.输出端二．

Akaxi-1·2023-11-16 00:40

RT-DETR算法优化改进：Backbone改进 | EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计 | ICCV2023

本文独家改进：EMO助力RT-DETR，替换backbone，面向移动端的轻量化网络模型——EMO：反向残差移动块（iRMB），通过堆叠不同层级的iRMB。

AI小怪兽·2023-11-15 22:13

PP-YOLO: An Effective and Efficient Implementation of Object Detector（2020.8）

Abstract1.Introduction先介绍了一堆前人的work自己的workexpect2.RelatedWork先介绍别人的work与我们的区别3.Method3.1.ArchitectureBackboneDetectionNeckDetectionHead3.2

怎么全是重名·2023-11-14 22:12

RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 RepConv

本文独家改进：PPHGNetV2助力RT-DETRHGBlock与PPHGNetV2RepConv完美结合推荐指数：五星HGBlock_PPHGNetV2|亲测在多个数据集能够实现涨点RT-DETR魔术师专栏介绍：https://blog.csdn.net/m0_63774211/category_12497375.html✨✨✨魔改创新RT-DETR引入前沿顶会创新，助力RT-DETR基于ult

AI小怪兽·2023-11-13 20:00

RT-DETR算法优化改进：PPHGNetV2 Backbone改进 | RepConv、GhostConv优化HGBlock

本文内容：1）RT-DETR原理介绍；2）RepConv、GhostConv优化HGBlockRT-DETR改进创新专栏：http://t.csdnimg.cn/vuQTz学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研；RT-DETR模型创新优化，涨点技巧分享，科研小助手；1.RT-DETR介绍论文：https://arxiv.org/pdf/2304.08069.pdf摘要：RT-DE

会AI的学姐·2023-11-13 19:15

yolo系列面试题

Backbone：第一层卷积由原本的6×6卷积改为3×3卷积；参考YOLOv7ELAN设计思想将C3模块换成了C2f模块，并配合调整了模块的深度。

GeekPlusA·2023-11-13 18:45

YOLOv5网络结构图

网络结构图（简易版和详细版）此图是博主的老师，杜老师的图网络框架介绍前言：YOLOv5是一种基于轻量级卷积神经网络（CNN）的目标检测算法，整体可以分为三个部分，backbone，neck，head。

clmm_·2023-11-13 05:28

论文阅读：PVT v2: Improved Baselines with Pyramid Vision Transformer

链接：https://arxiv.org/pdf/2106.13797.pdfPVTv2是在PVTv1基础上，所以先介绍PVTv1PyramidVisionTransformer:AVersatileBackboneforDensePredictionwithoutConvolutions0

shiyueyueya·2023-11-12 19:11

YOLOv5 7.0 网络结构解读

一.YOLOV5s网络结构图网络结构主要包含以下部分：1.输入端：自适应锚框计算、自适应图片缩放、Mosaic数据增强2.Backbone：CBS模块、C3模块、SPPF模块3.Neck：

nice-wyh·2023-11-12 17:44

Pytorch从零开始实战09

Pytorch从零开始实战——YOLOv5-Backbone模块实现本系列来源于365天深度学习训练营原作者K同学文章目录Pytorch从零开始实战——YOLOv5-Backbone模块实现环境准备数据集模型选择开始训练可视化模型预测总结环境准备本文基于

Liquor999·2023-11-12 12:02

推荐频道

backbone