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。
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。