因此表里 vit-small 标注为 linear-coslr 表示报告的是 线性探针准确率（只训练头），而 vit-base-p16 标注为 coslr 则是 微调得到的最终 top-1。二者评估目标不同，结果不可直接等价比较（微调通常能显著提升精度，尤其是大型模型）。

CocO数据集上预训练的检测器可以作为其他数据集的良好预训练模型，如CityScapes和KITTI数据集。本教程为用户提供使用Model Zoo中提供的模型获取其他数据集的更好性能的指导。在新数据集上微调模型有两个步骤。Add support for the new dataset following Tutorial 2: Customize Datasets.Modify the confi

水下被动声学识别（UATR）专注于根据船舶辐射噪声对目标进行分类，是水下声学领域的一项关键挑战。近年来，基于深度学习的方法因其强大的性能而广受欢迎。然而，这些方法在现实场景中往往泛化能力较差。本研究揭示了其中的一个根本性挑战：船舶辐射噪声的特性受到诸如船体结构和推进系统等因素的影响。尽管同类型船舶在这些方面可能表现出不同的模式，但不同类型船舶之间却可能存在相似之处。因此，数据驱动模型往往会过度强调

使其能够基于高层语义概念进行学习，专注于挖掘在类间相似数据中具有判别性的特征。

无

遥感语义分割预训练模型1、使用ICNet模型对航拍图片(遥感图像)进行图像分割使用神经网络（ICNet）对航拍图片(遥感图像)进行图像语义分割（数据集+代码+最终训练模型）2、SegNet和U_NET基于SegNet和U-Net的遥感图像语义分割3、Patch-Based网络结构基于深度卷积神经网络的城市遥感图像小物体语义分割及不确定性建模4、Deeplab网络深度学习高分辨率遥感影像语义分割..

无

1、MMdetection系列版本2、 MMDetection和MMCV兼容版本MMDetection versionMMCV versionmastermmcv-full>=1.3.17, <1.6.02.24.1mmcv-full>=1.3.17, <1.6.02.24.0mmcv-full>=1.3.17, <1.6.02.23.0mmcv-full&gt

1、有监督的数据增强Image数据增强库有监督数据增强，即采用预设的数据变换规则，在已有数据的基础上进行数据的扩增，包含单样本数据增强和多样本数据增强，其中单样本又包括几何操作类，颜色变换类。2.1. 单样本数据增强所谓单样本数据增强，即增强一个样本的时候，全部围绕着该样本本身进行操作，包括几何变换类，颜色变换类等。(1) 几何变换类几何变换类即对图像进行几何变换，包括翻转，旋转，裁剪，变形，缩放

对于目标检测中的非开放世界数据集，训练和测试都是在一组固定的类上进行的，当应用于未经训练的类的图像时，有可能产生误报。论文指出，Mosaic+MixUp 可以大幅提升目标检测性能，但训练图片与自然图片的真实分布相去甚远，而且 Mosaic 大量的裁剪操作会带来很多不准确的标签框，因此，YOLOX 提出将去掉最后15个epoch的强增强，改用较弱的增强，这样检测器就可以避免不准确标记框的影响，在自然