Yemiekai的博客

作者说，在卷积网络中加入人为设计的模块，达到了更好的效果，复杂度也增加了。公式写得很复杂，根据代码的理解，简单来说就是设计了一组卷积核，参数是可学习的，对激活后的数据做一次卷积，再加上BN。）来实现这一点，从而产生了一系列精简的网络，这些网络解决了固有的复杂性问题，非常适合资源有限的环境。，这是一种新颖的神经网络架构，强调设计的优雅和简单，同时在计算机视觉任务中保持卓越的性能。这些复杂的操作需要复杂的工程实现，包括重写 CUDA 的代码。这么弄了之后，为了增强网络的非线性的能力，又提出了一种有效的，

Transformer 来自文章 《Attention Is All You Need》，2017 年发表于 NeurIPS（Neural Information Processing Systems）。文章共有 8 位作者，分别来自 Google Brain 和 Google Research，它们对文章具有同等贡献。论文发表时，其中两名作者现在不在谷歌，但是相关成果是在谷歌实习期间完成的。虽然文章名字叫做 “Attention Is All You Need”，然而实际上你需要的不仅仅是 Atten

Focal loss

文章PDF地址：https://arxiv.org/abs/1910.13302GitHub地址：https://github.com/ZFTurbo/Weighted-Boxes-Fusion简介作者认为，在目标检测任务中，当实时性要求不强时，集成多个推理模型有助于我们得到更好的结果。于是作者在文中提出了一种方法，可以把多个目标检测模型的预测结果结合起来。这个方法称为 weighted boxes fusion，简称 WBF 。在筛选预测框的过程中，常用的方法是非极大值抑制（non-maxi