时间：2025会议：AAAI作者：Ming Li, Yongchun Gu, Yi Wang*, Yujie Fang, Lu Bai*, Xiaosheng Zhuang, Pietro Lio提出面向超图的双重同配比度量，实现结构-标签偏置的数值化评估；构建面向异配场景的大规模、多领域基准数据集；设计基于framelet变换的低通-高通双通道模型 HyperUFG，作为异配超图学习的强基线①当

采用单个网络来同时输出检测结果和检测到的框的相应外观嵌入。

【在Pytorch中使用Tensorboard可视化训练过程】 https://www.bilibili.com/video/BV1Qf4y1C7kz/?

MLP Head 是指位于模型顶部的全连接前馈神经网络模块，用于将提取的图像特征表示转换为最终的分类结果或其他预测任务输出。MLP Head 通常跟在 Transformer Encoder 的输出之后，作为整个模型的最后一层。可以简单理解为一个全连接层，若需要类别概率需要再接上一个softmax激活函数。

①将前一帧的对象特征应用为当前帧的查询，并引入一组学习的对象查询来检测新出现的对象②通过一次完成对象检测和对象关联建立了一种新颖的联合检测和跟踪范例。

超深的网络结构（突破1000层）提出residual模块使用Batch Normalization加速训练（丢弃dropout层）

①Hyper-YOLO引入一种新的目标检测方法，结合超图计算捕捉视觉特征中的复杂高阶相关性②为解决传统的YOLO模型在 Neck 结构上的局限，提出了HGC-SCS框架。

①Hyper-YOLO引入一种新的目标检测方法，结合超图计算捕捉视觉特征中的复杂高阶相关性②为解决传统的YOLO模型在 Neck 结构上的局限，提出了HGC-SCS框架。

①Hyper-YOLO引入一种新的目标检测方法，结合超图计算捕捉视觉特征中的复杂高阶相关性②为解决传统的YOLO模型在 Neck 结构上的局限，提出了HGC-SCS框架。