最近几周忙着考试，一直没有写了，这样不好，还是得勤写才是。虽迟但到，祝大家新年快乐！新的一年咱们共同学习，共同进步。这就开始新年第一篇，攻克目标检测难点，虽然也是微信搬来的，但写的是真好，与君共勉！目录目标检测难点概述秘籍一，模型加速之轻量化网络1SqueezeNet：压缩再扩展2MobileNet：深度可分离2.1MobileNet V12.2MobileNetV22.3MobileNetV33

前言在前面的秘籍一：模型加速之轻量化网络和秘籍二，非极大值抑制与回归损失优化之路中，我们主要关注了轻量化网络，非极大值抑制算法、回归损失优化。但是要想获得较好的检测性能，检测算法的多尺度检测也极为重要。传统卷积网络通常采用从上到下的单行结构。对于大物体而言，其语义信息将出现在较深的特征图中；而对于小物体，其语义信息出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失。多尺度检测也是当今物

前言本文转载于（图解）神经网络之CNN与RNN的关系。文章主要是对CNN和RNN的理解，通过对比总结各自的优势，同时加深自己对这方面知识的理解，其中代码引用采用的是VQA模型中对图像和文本的处理。目录前言1、CNN介绍1.1 Why CNN for Image1.2 CNN架构图1.3 卷积层1.3.1 重要参数1.3.2 卷积计算1.3.3 卷积层与全连接层的关系1.4 池化层1.5 应用2、R

前言本文分别从数据方面和模型方面分析了导致模型训练不收敛或失败的原因，数据方面总结了四种可能的原因，模型方面总结了九种可能的问题。除此之外，本文介绍了每种潜在问题的产生后果或现象，并提供了常规做法。作者：风影忍着@知乎，转载自CV技术指南，文章仅用于学术分享文章：神经网络训练过程中不收敛或者训练失败的原因 - 知乎在面对模型不收敛的时候，首先要保证训练的次数够多。在训练过程中，loss并不是一直在

卷积核又称filter，过滤器。每个卷积核有长宽深3个维度；在某个卷积层中，可以有多个卷积核；下一层需要多少个feature map，本层就需要多少个卷积核。卷积核的长宽是人为指定的，长*宽 被称为 卷积核的尺寸。常用尺寸有1*1 ，3*3 ，5*5 。卷积核的深度与当前图像的深度相同（即通道数保持相同）。指定卷积核时，只需要指定长宽两个参数，其通道数会默认与当前作用图像的通道数相同。1*1卷积是

2021年和2022年的顶会论文与代码分享，包括有ECCV2022，CVPR2022，CVPR2021，ICCV2021，推荐系统相关（ACL、SIGIR、NeurIPS、RecSys、KDD、CIKM、WWW、IJCAI）

SAM大模型论文汇总

图像分割应用的最大阻碍是缺乏高质量标注的训练数据。深度分割模型的泛化能力依赖大规模和高质量的像素级标注数据。 事实上，图像分割标注是一个昂贵且耗时的过程。对于新的任务或是需要快速应用的场景，数据稀缺问题更为严重。因此，数据标注的高成本降低了模型在新任务和扩展性，从而阻碍了深度分割模型在现实中的应用。为了缓解数据标注压力，当前已有大量的工作来进行半监督和弱监督的图像分割。例如，利用少量精确标注的数据

​推荐一个python和AI学习社区：ShowMeAI网址：ShowMeAI知识社区博客：ShowMeAI博客 — 专注数据算法与应用 » ShowMeAIgithub：https://github.com/ShowMeAI-Hubbilibili：ShowMeAI的个人空间_哔哩哔哩_Bilibili知乎：ShowMeAI - 知乎微博：Sina Visitor System掘金：ShowMeA

遥感时空预测旨在从视频和时间序列图像等历史时空数据中推断未来趋势，在许多领域具有广泛的应用前景。基础模型由于其强大的特征提取能力，是时空信息挖掘的一个很有前途的研究方向，在自然场景中取得了快速的进展。然而，由于遥感数据的空间多尺度和时间多尺度特性，这些方法在应用于遥感时仍然会遇到瓶颈。因此，论文提出了一种基于时空演化去模糊的时空预测遥感基础模型，简称RingMo-Sense。考虑到空间亲和性、时间