在深度神经网络中，计算效率对于目标检测至关重要，尤其是在新模型更注重速度而非有效计算（FLOP）的情况下。这一演变某种程度上忽视了嵌入式和面向移动端设备的AI目标检测应用。在本文中，作者重点关注基于FLOP的高效目标检测计算的神经网络架构设计选择，并提出几项优化措施来提高基于YOLO模型的效率。1、首先，作者引入了一种受倒置瓶颈（inverted bottlenecks）和来自信息瓶颈（the I

A3C（异步优势演员评论家）算法，设计该算法的目的是找到能够可靠的训练深度神经网络，且不需要大量资源的RL算法。在DQN算法中，为了方便收敛使用了经验回放的技巧。A3C更进一步，并克服了一些经验回放的问题。如，回放池经验数据相关性太强，用于训练的时候效果很可能不佳。举个例子，我们学习下棋，总是和同一个人下，期望能提高棋艺。这当然是可行的，但是到一定程度就再难提高了，此时最好的方法是另寻高手切磋。

先讲下在线离线和同策略和异策略同策略（）和异策略（）的根本区别在于生成样本的策略和参数更新时的策略是否相同。对于同策略，行为策略和要优化的策略是同一策略，更新了策略后，就用该策略的最新版本对数据进行采样；对于异策略，其使用任意行为策略来对数据进行采样，并利用其更新目标策略。例如，Q学习在计算下一状态的预期奖励时使用了最大化操作，直接选择最优动作，而当前策略并不一定能选择到最优的动作，因此这里生成样

XFeat (Accelerated Features)重新审视了卷积神经网络中用于检测、提取和匹配局部特征的基本设计选择。该模型满足了对适用于资源有限设备的快速和鲁棒算法的迫切需求。由于准确的图像匹配需要足够大的图像分辨率，算法在限制网络中通道数量的同时保持尽可能大的分辨率。该模型提供稀疏或半密集级别的匹配选择，每种匹配可能更适合不同的下游应用，例如视觉导航和增强现实。

解压后根据上述提示将rom包添加到对应的环境中。比如，我将rom文件夹直接放在我的工程路径下。顺利的话是不会报错并直接结束的。，点进去可以看到ROMs那一栏。

最近在折腾yolov5，训练了一个识别纸牌的模型，最后使用onnxruntime进行部署，感兴趣的可以上github上clone下来玩玩，模型的权重文件上传到了百度网盘，链接和提取码写在readme里。模型的训练使用了yolov5l的权重模型，训练的时候使用的batchsize为8，理论可以设置为16（用的单3080ti），训练了200个epoch，取了效果最好的权重模型。从git上下载下来后的文

主要是有几个地方的文件要修改一下config/swin下的配置文件，我用的是mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py_base_ = ['../_base_/models/mask_rcnn_swin_fpn.py','../_base_/datasets/coco_instance.py',# '../

为了方便将img_scale设置为[(224,224)]，此时的数据集中的图片会进行resize，并且将短边padding成32的倍数，按最长边与224的比例缩放最短边，即 x=短边 / (500/224)，x即为缩放后的实际长度，比如输入时500*287（w*h）的图片，缩放后的短边长为287 * 224 / 500 = 129，由于输入的图像尺寸需要是32的倍数，此时需要向上取整，所以padd

为了方便将img_scale设置为[(224,224)]，此时的数据集中的图片会进行resize，并且将短边padding成32的倍数，按最长边与224的比例缩放最短边，即 x=短边 / (500/224)，x即为缩放后的实际长度，比如输入时500*287（w*h）的图片，缩放后的短边长为287 * 224 / 500 = 129，由于输入的图像尺寸需要是32的倍数，此时需要向上取整，所以padd

先讲下在线离线和同策略和异策略同策略（）和异策略（）的根本区别在于生成样本的策略和参数更新时的策略是否相同。对于同策略，行为策略和要优化的策略是同一策略，更新了策略后，就用该策略的最新版本对数据进行采样；对于异策略，其使用任意行为策略来对数据进行采样，并利用其更新目标策略。例如，Q学习在计算下一状态的预期奖励时使用了最大化操作，直接选择最优动作，而当前策略并不一定能选择到最优的动作，因此这里生成样