1)建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。2)实现了一种在线自学习概率分布映射网络，自动生成和均衡交通流量历史分布，提高了数据识别能力，减少了网络学习中的过拟合问题。3)将DBLSTM集成到M-B-LSTM网络中,减少了深度网络学习和预测交通流随机性的不确定性。4)本文对现有的交通流量预测算法进行了比较实验，比较结果

Object Location 对象定位 localization and detection利用神经网络解决对象分类和定位问题Classification with localizationDefining the target label y ！！！！非常重要Landmark detection 特征点检测Object Dtection 对象检测Turning FC layer into co

计算机视觉——目标检测常用数据集和性能指标介绍，包括VOC和COCO的简介和ap&MAP等指标的介绍

MVCModuleviewcontrollerMVVMMVVM是前端视图层的分层开发思想，主要把每个页面分成了M,V和VM。其中，VM是MVVM思想的核心；因为VM是M和V之间的调度者。前端页面中使用MVVM的思想，主要是为了让我们开发更加方便，因为MVVMM提供了数据的双向绑定；注意 ：数据的双向绑定是由VM提供的MVC与MVVM关系图...

在本文中，我们将视觉关系检测视为目标检测、显著性检测和谓词检测这三个相关子任务的组成部分。我们提出了一种新的视觉关系检测网络，即mcn，它深度结合了目标检测、谓词检测和显著性检测。MCN由连接的三个模块组成，一个用来检测对象的对象检测器，一个关系产生器来产生确定关系和不确定关系的关系，以及一个关系预测器来决定显著性得分和预测谓词。

基于CSP方法的YOLOV4目标检测神经网络具有上下可伸缩性，适用于小型网络和大型网络。 因此，我们使用TensorRT-FP16在Test-Dev COCO数据集上实现了Yolov4大模型的最高精度56.0%AP,在RTX 2080TI上实现了Yolov4小模型的极高速度1774 fps,在其他Yolov4模型上实现了最佳速度和精度。

事实证明，如果你使用线性激活函数，或者没有激活函数，那么无论你的神经网络有多少层，一直在座的只是计算线性激活函数，所以不如直接去掉全部隐藏层——线性隐层一点用都没有（在NN中）。默认ReLU激活：z为负数=0，z为正=amax（0，z），z=0没有定义。共有的缺点，z很大或很小的时候，函数斜率接近0。在0本身无定义，但可以用代码去定义0点的值。解决办法：随机初始化，初始化参数一般都很小。首总结一下

在本文中，我们提供了一种基于驾驶员眼睛跟踪的交通拥挤的驾驶视频对象检测数据集，称为ETOD。ETOD包含来自多个驾驶员的眼动跟踪信息，包括自下而上和自上而下的驾驶注意力信息。此外，提出了一种实时显着目标检测网络ID-YOLO，用于检测交通繁忙的驾驶场景中的驾驶员固定目标。拟议的网络经过ETOD培训，包括有关驾驶的自下而上和自上而下的视觉注意信息。定性和定量实验结果表明，ID-YOLO可以比现有模型

我们建立了一个用于航空图像中微小目标检测的数据集，其中图像的平均目标大小比现有的目标检测数据集要小得多。此外，我们提出了一种基于多中心点的学习网络（M-CenterNet）来提高微小目标检测的定位性能。

上面提到的图是静态的，观察时节点之间的连接是固定的。这些类型的演化图可以表示为动态图，其中每个节点或边都与时间戳关联。GAE：encoder用GCN替换，得出的特征矩阵Z，decoder替换成Z的转置，通过转置生成的图与原图比较得出最小化结构性误差，通过最小损失函数可以得出GCN的参数。f（）求的就是节点i和相邻节点的attention系数，再求g（）得出的该节点的特征，再归一化就是下一层的特征表