![](https://img-blog.csdnimg.cn/direct/1846f23b28cb4b4caef96f210f1b8635.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
RT-DETR涨点改进专栏
文章平均质量分 84
一个想起来就更新的RT-DETR改进专栏
今天炼丹了吗
AI炼丹师,偶尔更新炼丹前沿!
一个热心的CSDN博主,已经帮助多人解决深度学习上的问题。
展开
-
RT-DETR(Ultralytics)训练参数总结及翻译
等,或者根据型号配置自动选择。影响收敛速度和稳定性。原创 2024-06-30 22:05:57 · 942 阅读 · 0 评论 -
RT-DETR改进教程|加入可改变核卷积AKConv模块,效果远超DSConv!
论文速览::AKConv是2023年11月发表的一种可变卷积核,赋予卷积核任意数量的参数和任意采样形状,以解决具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标的问题点可以为网络开销和性能之间的权衡提供更丰富的选择。AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状,能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取姝征,这在标准卷积和可变形卷积中并未实现。AKConv能够根据硬件环境,使卷积参数的数星呈线性增减((非常适用于轻量化模型)。原创 2024-05-15 20:05:02 · 682 阅读 · 0 评论 -
RT-DETR改进教程|加入SCNet中的SCConv[CVPR2020]自校准卷积模块!
CNN的最新进展主要致力于设计更复杂的架构来增强其表示学习能力。在本文中,我们考虑在不调整模型架构的情况下改进CNN的基本卷积特征转换过程。为此,我们提出了一种新的自校准卷积,通过内部通信显式扩展每个卷积层的视场,从而丰富输出特征。特别是,与使用小核(例如3 × 3)融合空间和通道信息的标准卷积不同,我们的自校准卷积通过一种新的自校准操作,自适应地在每个空间位置周围构建远程空间和通道间依赖关系。因此,它可以通过显式地结合更丰富的信息来帮助CNN生成更具判别性的表示。原创 2024-05-14 20:33:18 · 1148 阅读 · 0 评论 -
RT-DETR-20240507周更说明|更新Inner-IoU、Focal-IoU、Focaler-IoU等数十种IoU计算方式
1. 更新IOU:2. 更新inner_iou,使用辅助边框的IoU:3. 更新focaler_iou,更加聚焦的IoU,通过调整d和u的值,使focalerIoU关注的焦点不同回归样本: 4. 更新focal_iou,平衡高质量样本和低质量样本的IoU:6. 更新focal_inner_iou:原创 2024-05-07 19:34:49 · 1095 阅读 · 0 评论 -
RT-DETR使用教程(超越YOLO的实时目标检测器)
RT-DETR是一种基于Transformer检测架构的实施目标检测器,其性能在发布时超越当时最强的YOLOv8检测器。与基于CNN架构的YOLO主要不同是检测头部分,RT-DETR检测头中使用了Deformable Transformer Decoder,而YOLO使用的是CNN进行预测。RT-DETR由百度开发,是一种当前顶级的的端到端目标检测器,精度高速度快。它利用ViT,通过解耦尺度内相互作用和跨尺度融合,有效地处理多尺度特征。原创 2024-04-09 02:30:00 · 2383 阅读 · 3 评论