废话不多说，直接上代码。'''tensorflow2# '''# import tensorflow as tf# import os# tf.test.is_gpu_available()# tf.config.list_physical_devices('GPU')# tf.test.gpu_device_name()# import tensorflow as tf# print(tf.co

Rail-5k:一个用于轨道表面缺陷检测的真实数据集文章地址：https://arxiv.org/abs/2106.14366视频地址：https://www.bilibili.com/video/BV18V411p7AT摘要本文提出了Rail-5k数据集，用于对现实应用场景中视觉算法性能的基准测试，即轨道表面缺陷检测任务。我们从中国各地的铁路中收集了超过5000张高质量的图像，并在铁路专家的帮助

例如，一个小朋友去动物园并没有见过“黄莺”这个动物，但是阅读过有关动物书籍，书籍上有“黄 莺”的信息，通过学习书上的内容，小朋友就知道动物园中哪个动物是“黄莺”。因此，如何设计一个小样本条件下表达能力强的特征提取器，并使提取的特征与分类器的要求相匹配，对于提升网络的分类性能十分重要。还引入了一个判别公式，在训练期间鼓励子空间之间的最大区分，并在监督和半监督的小样本分类任务上产生较有竞争力的结果。通

文章目录基于深度学习的行人多目标跟踪方法0 引 言1 基于检测的跟踪基本概念2 行人多目标检测与跟踪2.1 目标检测2.1.1 基于 Faster R-CNN 的目标检测2.1 2 基于 SSD 的目标检测2.1 3 基于 YOLO 的目标检测2.1.4 其他检测器2.2 特征提取2.2.1 基于 CNN 的特征提取2.2.2 基于 Siamese 的特征提取2.2.3 基于 LSTM 的特征提取

转载地址针对作者的讲解，进行浓缩精华，并做相关的笔记。01前言初学者往往不理解模型“大”、“小”的真正含义，就简单的选取计算量作为评价指标，疯狂砍计算量（backbone 换 MobileNet/ShuffleNet、Conv 换成 DepthWise Conv、以及一些奇奇怪怪的融合结构等等），把模型计算量砍了将近 10 倍，结果一部署发现速度并没有快多少，反而是把最初的 ResNet 简单砍掉

ICCV2021 Oral SimROD：简单高效的数据增强！华为提出了一种简单的鲁棒目标检测自适应方法本文提出了一种简单有效的鲁棒目标检测无监督自适应方法(SimROD)。为了克服域转移（domain shift）和伪标签噪声（pseudo-label noise）等问题，本文的方法集成了域中心增强方法（domain-centric augmentation method） 、渐进的自标签适应机

文章目录基于深度学习的行人多目标跟踪方法0 引 言1 基于检测的跟踪基本概念2 行人多目标检测与跟踪2.1 目标检测2.1.1 基于 Faster R-CNN 的目标检测2.1 2 基于 SSD 的目标检测2.1 3 基于 YOLO 的目标检测2.1.4 其他检测器2.2 特征提取2.2.1 基于 CNN 的特征提取2.2.2 基于 Siamese 的特征提取2.2.3 基于 LSTM 的特征提取

文章目录基于深度学习的行人多目标跟踪方法0 引 言1 基于检测的跟踪基本概念2 行人多目标检测与跟踪2.1 目标检测2.1.1 基于 Faster R-CNN 的目标检测2.1 2 基于 SSD 的目标检测2.1 3 基于 YOLO 的目标检测2.1.4 其他检测器2.2 特征提取2.2.1 基于 CNN 的特征提取2.2.2 基于 Siamese 的特征提取2.2.3 基于 LSTM 的特征提取

转载地址针对作者的讲解，进行浓缩精华，并做相关的笔记。01前言初学者往往不理解模型“大”、“小”的真正含义，就简单的选取计算量作为评价指标，疯狂砍计算量（backbone 换 MobileNet/ShuffleNet、Conv 换成 DepthWise Conv、以及一些奇奇怪怪的融合结构等等），把模型计算量砍了将近 10 倍，结果一部署发现速度并没有快多少，反而是把最初的 ResNet 简单砍掉

基于深度学习的医学图像分割技术研究进展闫 超，孙占全，田恩刚，赵杨洋，范小燕摘 要医学图像分割在临床诊断中发挥着重要作用，也是其他医学图像处理方法的基础。随着计算机硬件性能的提高，基于深度学习的图像分割技术已成为处理医学图像的有力工具，被广泛应用于各种医学图像分割任务中。文中介绍了常见的医学图像种类及其特点，对近些年涌现出的图像分割算法进行了分析和对比，部分算法已经成功应用到脑组织、肺部和血管等部