前文提到的YOLOv3YOLOv4YOLOv5产生大量的预测框，计算量大正负样本不平衡问题：产生的预测框大部分是负样本对预定义anchor依赖：anchor-based方法的anchor box的尺度是一个超参数，不同的超参设置会影响模型性能因此出现了anchor-free这类不依赖于预定义锚框的算法，使得模型更灵活，并且在处理各种目标形状和大小时更具鲁棒性，在一些场景下取得了与传统锚框方法相媲美

前文大语言模型系列-ELMo提到了，RNN的缺陷限制了NLP领域的发展，2017年Transofrmer的横空出世，NLP领域迎来了基于Transformer的预训练模型（LLM）的大爆发。Transformer由谷歌的2017年论文《Attention is All You Need》提出。RNN编码器-解码器结构中，仅将最后一个隐藏状态传递给解码器，会丢失信息RNN难以并行计算提示：以下是本篇

目标检测是计算机视觉领域（CV）热门且较成熟的主流研究方向之一，其应用广泛（自动驾驶、安防监控、医学影像分析、零售业货品管理等等）且已经深入到我们生活的方方面面，现在从个人学习角度，开展目标检测系列文章，主要侧重为深度学习，希望起到抛砖引玉的效果，如果有误的地方敬请指正。PS：应该注意到，近些年来，CV模型有融合的趋势，原来的目标检测模型不再是单一任务，往往能同时处理多种任务：目标检测、语义分割、

监督学习模型可以分为生成模型(generative model)和判别模型(discriminative model)

本文介绍了图卷积网络(GCN)的基本原理和计算方法。通过一个5节点有向带权图的示例，展示了邻接矩阵A、度矩阵D和特征矩阵X的构建。GCN的核心计算包括：1)邻接矩阵与特征矩阵相乘实现特征聚合；2)通过参数矩阵W进行线性变换；3)引入自连接和对称归一化解决节点自身特征缺失和特征值不平衡问题。最终推导出GCN的层间传播公式，其中包含归一化邻接矩阵、隐藏层特征和可训练参数矩阵。该方法有效实现了图结构数据

OpenCV C++开发环境搭建

Libtorch(C++)环境配置

Libtorch（c++）模型部署

循环神经网络（Recurrent Neural Network，简称RNN）是一类在处理序列数据和时间序列数据时非常有用的神经网络架构。RNN的主要特点是它们具有循环连接，允许信息从一个时间步传递到下一个时间步，从而捕获时间依赖性和序列关系。正是由于RNN这种可以处理上下文依赖的特性，在机器翻译、文本生成、情感分析、语音识别、时间序列预测、图像描述生成、和游戏AI等各领域得到广泛应用注：虽然RNN

目标检测是计算机视觉领域（CV）热门且较成熟的主流研究方向之一，其应用广泛（自动驾驶、安防监控、医学影像分析、零售业货品管理等等）且已经深入到我们生活的方方面面，现在从个人学习角度，开展目标检测系列文章，主要侧重为深度学习，希望起到抛砖引玉的效果，如果有误的地方敬请指正。PS：应该注意到，近些年来，CV模型有融合的趋势，原来的目标检测模型不再是单一任务，往往能同时处理多种任务：目标检测、语义分割、