YOLOv13通过HyperACE自适应超图计算和FullPAD全流程分发的创新结合，实现了对实时目标检测架构的突破。HyperACE赋予模型以“全局洞察”，能够灵活高效地捕获图像中隐含的高阶关系并融合到特征表示中；FullPAD则打通了模型各模块，让这些增强的信息在整个网络中流动，形成高度协调的表示，从而全面提升检测效果。相较以往，YOLOv13不仅在精度上超越前代（如较YOLOv12提准1.5

目标检测VOC2COCO！把xml格式的数据转换为MSCOCO格式数据集，并按自定义比例划分数据集。

读取一个MSCOCO格式的json文件，统计数据集中的boundingbox尺寸分布，把height、width信息保存到两个list中去，然后绘制统计图，可视化尺寸分布。还可以自己加一些别的功能。

本文提出一种新型软超图神经网络（SoftHGNN），用于高效建模视觉识别任务中的高阶语义关系。针对传统自注意力机制难以捕捉多元素交互关系以及现有超图神经网络存在超边冗余和刚性划分的问题，SoftHGNN通过以下创新实现突破： 软超边机制：采用可学习的语义原型向量生成动态超边，通过连续权重表示节点与超边的关联程度，取代传统二元划分方式，更好适应视觉语义的连续性。 稀疏选择策略：引入top-k超边激活

在图像处理中，每个像素表示一个顶点，且每个顶点只与其周围的邻居顶点相连。空间卷积可以看作是中央顶点通过聚合其邻居顶点的特征（经过特征变换后）来更新自身特征的过程。对于简单图，空间卷积通过聚合其邻居顶点的特征来得到中央顶点的新表示。在简单图中，消息传递从邻居顶点到中央顶点，这个过程符合“路径”的定义，即一个顶点序列，其中每个顶点与其相邻顶点相连。定义：互邻关系N⊆V×EN⊆V×E描述了顶点集合VV和

在图像处理中，每个像素表示一个顶点，且每个顶点只与其周围的邻居顶点相连。空间卷积可以看作是中央顶点通过聚合其邻居顶点的特征（经过特征变换后）来更新自身特征的过程。对于简单图，空间卷积通过聚合其邻居顶点的特征来得到中央顶点的新表示。在简单图中，消息传递从邻居顶点到中央顶点，这个过程符合“路径”的定义，即一个顶点序列，其中每个顶点与其相邻顶点相连。定义：互邻关系N⊆V×EN⊆V×E描述了顶点集合VV和

YOLOv13是新一代实时目标检测器，采用三项核心技术： HyperACE技术：基于超图的自适应相关性增强，通过可学习超边构建模块探索像素间高阶相关性，实现复杂场景的视觉感知。 FullPAD范式：全流程聚合与分发，在超图空间中提取增强特征并分配到模型各部分，实现信息流的细粒度控制。 轻量级模块：使用深度可分离卷积构建系列模块，保持感受野的同时减少参数量和计算量。

CUG上机的一道难题，利用了DFS+剪枝的思想，但是这个剪枝的情况藏得很深，很有意思。