本博客将建立一个简单的卷积神经网络，可以把MNIST手写字符的识别准确率提高到99%。具体如下：程序的开头是导入TensorFlowimport tensorflow as tfimport numpy as npimport osos.environ["CUDA_VISIBLE_DEVICES"] = "0"#指定GPU#从tensorflow.exam

YOLO-Master通过动态计算机制革新实时目标检测，解决了传统YOLO模型静态计算的效率问题。其核心创新ES-MoE模块能根据场景复杂度智能分配计算资源：轻量级路由网络选择最相关的少数专家处理输入，其余专家保持休眠。实验表明，该方法在MSCOCO等数据集上实现精度提升（最高+2.1%）的同时降低延迟17.8%，且适用于分类、分割等任务。关键设计包括：将动态模块前置到Backbone、Top-2

利用多层卷积神经网络（CNN）特征的互补优势进行图像检索本文原网址为：http://www.sciencedirect.com/science/article/pii/S0925231216314734翻译不当之处请多多指正摘要：深度卷积神经网络已经证明了图像分类的突破精度。从CNN学到的一系列特征提取器已经用于其他计算机视觉任务。然而，CNN不同层次的特征旨在编码不同层次的信息。

1 张量1.1 PyTorch是什么?pytorch是基于Python的科学计算包，服务于以下两种场景:作为NumPy的替代品，可以使用GPU的强大计算能力提供最大的灵活性和高速的深度学习研究平台1.2Tensors（张量）Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算.from __future__ import print_

R-CNN（region with CNN feature）于13年被Ross Girshick（江湖人称RBG大神）提出，是使用深度学习进行目标检测的里程碑式的工作，可以说这项工作很大程度推动了深度学习在目标检测中的应用。一、动机及解决的问题1、与分类任务不同，目标检测需要框出指定的区域，有相关paper直接使用回归的方法得到区域的位置，但实际应用起来效果并不好；另外，有方法直接使用滑窗加深度学

当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等，见图1所示。其中目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，不仅要检测出目标的位置且要给出目标

YOLO-Master通过动态计算机制革新实时目标检测，解决了传统YOLO模型静态计算的效率问题。其核心创新ES-MoE模块能根据场景复杂度智能分配计算资源：轻量级路由网络选择最相关的少数专家处理输入，其余专家保持休眠。实验表明，该方法在MSCOCO等数据集上实现精度提升（最高+2.1%）的同时降低延迟17.8%，且适用于分类、分割等任务。关键设计包括：将动态模块前置到Backbone、Top-2

paper:https://arxiv.org/abs/2107.08430code:https://github.com/Megvii-BaseDetection/YOLOX本文是旷视科技在目标检测方面的最新技术总结，同时也是CVPR2021自动驾驶竞赛冠军方案的技术总结。本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-

在前几天，我就已经介绍了YOLOV1目标检测的原理，后来也把tensorflow实现代码仔细看了一遍，于是就把源码解析一下。关于yolo目标检测的原理请参考前面一篇文章：目标检测之深入理解YOLOV1。...

利用多层卷积神经网络（CNN）特征的互补优势进行图像检索本文原网址为：http://www.sciencedirect.com/science/article/pii/S0925231216314734翻译不当之处请多多指正摘要：深度卷积神经网络已经证明了图像分类的突破精度。从CNN学到的一系列特征提取器已经用于其他计算机视觉任务。然而，CNN不同层次的特征旨在编码不同层次的信息。