前言本文转载于半监督目标检测（Semi-Supervised Object Detection，SSOD）相关方法介绍 - 知乎本文结合相关论文介绍了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）算法，即如何利用大量的 unlabeled data 提升模型的检测性能。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主

​介绍三篇结合使用CNN+Transformer进行学习的论文：CvT（ICCV2021），Mobile-Former（CVPR2022），SegNetr（arXiv2307）.​

面对ubuntu18以上的版本，主要有两种界面：图形化界面和纯命令行界面。图形化界面配置比较简单，命令行配置稍许复杂，但方便。

​介绍几篇利用CNN+Transformer实现图像分类的论文：CMT（CVPR2022），MaxViT(ECCV2022)，MaxViT（ECCV2022），MPViT（CVPR2022）。主要是说明Transformer的局限性，然后利用CNN的优势去弥补和结合。​

前言本文转载于半监督目标检测（Semi-Supervised Object Detection，SSOD）相关方法介绍 - 知乎本文结合相关论文介绍了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）算法，即如何利用大量的 unlabeled data 提升模型的检测性能。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主

文章来自目标检测方向的一些面试问题，能帮助我们理解目标检测有一定的作用。故转发。来源于干货 | CV 面试问题详解宝典--目标检测篇1. 介绍YOLO，并且解释一下YOLO为什么可以这么快？yolo是单阶段检测算法的开山之作，最初的yolov1是在图像分类网络的基础上直接进行的改进，摒弃了二阶段检测算法中的RPN操作，直接对输入图像进行分类预测和回归，所以它相对于二阶段的目标检测算法而言，速度非常

前言问题：在一个端到端训练的网络中，如果最终的loss = a*loss1+b*loss2+c*loss3...,对于a,b,c这些超参的选择，有没有什么方法？整理自丨知乎链接丨深度学习的多个loss如何平衡？ - 知乎回答1作者：Evan链接：https://www.zhihu.com/question/375794498/answer/1052779937来源：知乎著作权归作者所有。商业转载请

前言一个模型的性能除了和网络结构本身有关，还非常依赖具体的训练策略，比如优化器，数据增强以及正则化策略等（当然也很训练数据强相关，训练数据量往往决定模型性能的上线）。近年来，图像分类模型在ImageNet数据集的top1 acc已经由原来的56.5（AlexNet，2012）提升至90.88（CoAtNet，2021，用了额外的数据集JFT-3B），这进步除了主要归功于模型，算力和数据的提升，也与

前言作者丨黄浴@知乎链接丨https://zhuanlan.zhihu.com/p/78051407边缘和轮廓的提取是一个非常棘手的工作，细节也许就会被过强的图像线条掩盖，纹理（texture）本身就是一种很弱的边缘分布模式，分级（hierarchical）表示是常用的方法，俗称尺度空间（scale space）。导读：边缘和轮廓的提取是一个非常棘手的工作，以前做移动端的视觉平台，有时候不得不把一

计算机视觉，相对比自然语言处理这个领域来说入门门槛会稍微低些，而且图片视频相对于文字来说也更具有趣味性和易于理解。然而，这也会导致CV圈越来越卷，通过知乎相关热门问答便能体会到：2016年——深度学习的春天是不是要来了?2017年——人工智能是不是一个泡沫？2018年——算法岗是否值得进入？2019年——如何看待算法岗竞争激烈，供不应求？2020年——如何看待算法岗一片红海，诸神黄昏?2021年—