当数据量较少时，模型容易记住训练集特征。增强引入了噪声和变化，迫使模型学习更鲁棒的特征。模拟真实场景中可能出现的光照、角度、遮挡等变化，让模型在未见过的测试数据上表现更好。

稀疏局部全局注意力机制(L+G)：先利用所有帧中，相令的H/2和W/2的图像块计算局部的注意力，然后在空间上，使用2个图像块的步长，在整个序列中计算自注意力机制，这个可以看做全局的时空注意力更快的近似。轴向的注意力机制(T+W+H)：先在时间维度上进行自注意力机制，然后在纵坐标相同的图像块上进行自注意力机制，最后在横坐标相同的图像块上进行自注意力机制。缺点：参数量大难训练，所以一般3D网络的深度都

objectInfo150.txt对应150类的类别标号，名称和各自所占的比例。3.上面的是语义分割数据集，下面的是实例分割数据集。2.进入官网后点这个。

文件，环境中装的是Python 3.8、PyTorch 2.2.2 和 CUDA 11.8。安装适用于 CUDA 11.8 的 PyTorch 2.2.2 版本。1.用conda创建一个Python 3.8 虚拟环境。3.安装 GPU 版本的 PyTorch。，选择与你的环境兼容的。

网址:https://github.com/RICHQAQ/PasteMD。

旋转位置编码是一种非常巧妙的、用于Transformer架构中的位置编码方法。它由苏剑林等人提出，并因其卓越的性能（尤其是在长序列建模中）而被广泛应用于如LLaMA、ChatGLM等大型语言模型。首先，我们需要理解为什么需要位置编码。原始的Transformer模型的核心——自注意力机制——本身是的。这意味着它处理序列“[A, B, C]”和“[B, A, C]”时，如果不提供额外信息，它无法区分