2024-01-25学习笔记

拖拖拉拉，又好几天未更新了。

元旦前后，家里人和自己都生病了，然后个人身上又发生了点事，有点心力交瘁。

但这就是生活吧。

大多数时候很平淡，偶尔让你痛彻心扉，间或让你苦苦挣扎。

唯有熬着。

1.ADA-YOLO | YOLOv8+注意力+Adaptive Head，相对YOLOv8，mAP提升3%+118FPS

摘要：本文介绍了一种名为ADA-YOLO的医学目标检测方法。该方法结合了注意力机制和YOLOv8架构，并通过自适应头模块实现动态特征定位和并行回归，从而提高检测精度。在实验中，ADA-YOLO在BCCD数据集上的表现比YOLOv8更好，mAP提升了3%。

Raiden说：这个文章讲的有点乱，RT-DETR也和这个ADA-YOLO无关吧。。。

最近关于检测大模型，试了几个多模态（Text-Image）的效果都不咋样，泛化能力过强导致的over check太多，

正在向DETR方向转，希望能有所进展。

2.少样本学习概述：算法、模型和应用

摘要：少样本学习(FSL)是机器学习的一个子领域，它解决了只用少量标记示例学习新任务的问题。该领域涉及到数据级和参数级两种方法，以及元学习算法。数据级方法包括数据增强和数据生成，而参数级方法包括特征提取和微调。元学习算法训练模型学习如何有效地学习新任务，其中基于度量的元学习和基于梯度的元学习是两种常见的方法。在图像分类方面，少样本学习算法包括与模型无关的元学习、匹配网络、原型网络和关系网络。少样本学习在各个领域都有应用，如自然语言处理、机器人技术和医疗诊断。

Raiden说：在我司的不少场景上试过少样本算法，最多只能达到95%， 这样显而易见很多工业质检场景是无法落地的。 所以如果你有打算导入少样本检测在工业质检，我建议你放弃并坚持有监督的算法。