本文提出了一种简单、无层次的视觉Transformer(ViT)作为目标检测的骨干网络。这种设计使原始的ViT架构能够针对对象检测进行微调，而无需重新设计用于训练前的分层主干。通过对微调的最小调整，我们的普通骨干检测器可以获得具有竞争力的结果。令人惊讶的是，我们观察到:(i)从单尺度特征图(没有常见的FPN设计)构建一个简单的特征金字塔是足够的，(ii)在很少的跨窗口传播块的辅助下，使用窗口注意(

执行train.py，Command 'git tag' returned non-zero exit status 128.

迄今为止，大多数现有的自监督学习方法针对图像分类进行了设计和优化。由于图像级预测和像素级预测之间的差异，这些预先训练的模型对于密集预测任务可能是次优的。为了填补这一空白，我们的目标是设计一种有效、密集的自监督学习方法，通过考虑局部特征之间的对应关系，直接在像素水平（或局部特征）工作。我们提出了密集的对比学习（DenseCL），该学习通过在输入图像的两个视图之间的像素水平上优化成对的对比（不相似）损

参考文献摘要：本文首先介绍了轻量化目标检测及其发展历程，接着又对网络进行概述，在此基础上引出近三年来最新的轻量化目标检测算法，最后对轻量化目标检测的发展和研究做出总结。关键字：目标检测；轻量化；卷积神经网络；深度学习引言近年来，随着深度学习技术的不断发展，神经网络凭借强大的特征表达能力和泛化能力在计算机视觉领域取得了巨大的成功，目标检测技术也从基于手工特征的传统算法转向了基于深度神经网络的检测算法

计算机视觉技术是一项人工智能化的技术，它是模拟人类对环境进行感知的过程，因此它是一个跨学科的交叉领域，其中包括图像处理、人工智能、数字化技术等。又被称为图像理解，说直白一点便是利用相关的图像处理方法去得到人们想要的图像信息。目前计算机技术已经能够对二维图像进行分析和处理，对于二维图像中的内容进行识别和分析，但是在具体的应用过程中，人类希望计算机能够对三维结构进行更加深入的分析以满足人类的智能需求。

1.基于网络内特征金字塔的方法（是用适当的上下文信息为不同大小的每个目标分配感兴趣区域，并使这些目标能够在不同的特征层中被识别）：例如SSD和FFP缺点：上述方法基于CNN主干，而CNN主干受到固有的极限感受野的影响。3.基于Transformer方法(将输入图像划分为不同的图像块，然后使用块之间基于多头注意力的特征交互来完成获取全局长距离相关性的目的。)：PVT和Swin transformer

详细介绍计算机视觉中常用的数据集

计算机视觉技术是一项人工智能化的技术，它是模拟人类对环境进行感知的过程，因此它是一个跨学科的交叉领域，其中包括图像处理、人工智能、数字化技术等。又被称为图像理解，说直白一点便是利用相关的图像处理方法去得到人们想要的图像信息。目前计算机技术已经能够对二维图像进行分析和处理，对于二维图像中的内容进行识别和分析，但是在具体的应用过程中，人类希望计算机能够对三维结构进行更加深入的分析以满足人类的智能需求。

参考文献摘要：本文首先介绍了轻量化目标检测及其发展历程，接着又对网络进行概述，在此基础上引出近三年来最新的轻量化目标检测算法，最后对轻量化目标检测的发展和研究做出总结。关键字：目标检测；轻量化；卷积神经网络；深度学习引言近年来，随着深度学习技术的不断发展，神经网络凭借强大的特征表达能力和泛化能力在计算机视觉领域取得了巨大的成功，目标检测技术也从基于手工特征的传统算法转向了基于深度神经网络的检测算法

1.图像分类（Object Classification）：识别图片中存在的不同物体的种类（下方左图，人类、羊类、狗类）2.目标检测(Object Detection)：识别图片中的物体及其位置，把它们用矩形框框起来（上方右图，识别三类并用框框起来）...