（建议看我的，因为我都整理好了，而且代码注释的很详细。想看源码的话可以去官网）传统的图像处理都是用的卷积，直到多头注意力机制横空出世，NLP取得飞跃发展。有机智的学者发现，将其应用到图片处理…Vision Transformer (ViT) 是一种基于 Transformer 的图像分类模型，其核心思想是将图像切分成小的 patch（图像块），然后将每个 patch 当作序列输入 Transfor

（建议看我的，因为我都整理好了，而且代码注释的很详细。想看源码的话可以去官网）传统的图像处理都是用的卷积，直到多头注意力机制横空出世，NLP取得飞跃发展。有机智的学者发现，将其应用到图片处理…Vision Transformer (ViT) 是一种基于 Transformer 的图像分类模型，其核心思想是将图像切分成小的 patch（图像块），然后将每个 patch 当作序列输入 Transfor

所以对于模型的话没有什么可以学的点，不过很适合初学者学会如何把现有的模型应用到自己数据集，做自己的项目。代码链接：https://github.com/xiaoxijio/deeplabv3_resnet50-Echocardiographic-image-segmentation（自己复现的代码，注释非常详细，如果要看源码可以去官网查看）数据集夸克链接：https://pan.quark.cn/

Deformable DETR目标检测模型

3d点云配准模型

DETR（DEtection TRansformer）是一种基于Transformer的目标检测模型，它抛弃了传统目标检测中的手工设计流程（如候选框生成和NMS），实现了端到端的检测框架。

这次用的数据集是market1501，这是一个清华校园的数据集，比较小，我们来看一下这个数据集。这个数据集前面的内容截取的不是很好，得往后拖拖，我们来看这个绿色衣服的。首先前面的00000202代表ta的行人ID，一共有1500个ID。后面的0001-0006都是摄像头的编号，一共有6个摄像头。接着摄像头后的编号为当前摄像头下的图像编号。比如00000202_0004_00000003.jpg表示

老规矩，先看一下效果。

看一下效果。

Swin Transformer