一直以来，对于深度学习领域的开发者，可视化模型都是非常迫切的需求，今天主要介绍一款可视化工具——Netron。Netron有三种使用方式：在线、本地安装、pip安装。今天在这里只介绍在线使用这种方式。我们可以点击open model。点击进去是这样的一个界面。从本地选择一个预训练模型。可以看到这里就显示出来了。

摘要 本文提出条件式DETR（Conditional DETR），一种改进的Transformer目标检测方法，显著加速DETR的训练收敛速度。研究发现，DETR的交叉注意力机制过度依赖内容嵌入来定位物体边界，导致训练难度增加。条件式DETR通过在解码器嵌入中学习条件空间查询，使每个注意力头能够聚焦特定区域（如物体端点或内部区域），从而缩小定位范围并降低对内容嵌入的依赖。实验表明，该方法在COCO

摘要—本文研究了利用单目摄像头进行空中对微型无人机（UAV）视觉检测的问题。该问题在许多应用中具有重要意义，例如基于视觉的无人机集群、恶意无人机检测以及无人机的“看见并避让”系统。尽管深度学习方法在许多目标检测任务中表现出色，但其在无人机检测中的潜力尚未得到充分探索。作为本文的第一个主要贡献，我们提出了一个名为Det-Fly的新数据集，该数据集包含由另一架飞行无人机获取的超过13,000张目标无人

已经为正式定义知识图谱做出了许多贡献。王等[38]将知识图谱建模为多关系图，其中节点是实体，边代表不同类型的关系。然而，以前的定义没有考虑知识图谱中的语义结构。Ehrlinger和Wo β[39]进一步强调，知识图谱将信息排列成一个本体，然后用“推理器”启发新的知识发现。为了具体突出支持知识级信息的本质成分，吴等[31]将知识图谱定义为语义图，其中节点表示概念（实体/属性/事实），边表示连接节点的

创建第1个Unity项目。

摘要——随着高分辨率卫星遥感观测技术的快速发展，基于卫星遥感影像的电力塔检测已成为电力智能巡检的关键研究方向。然而，由于复杂背景、目标尺寸小且不均匀等问题，卫星遥感影像中电力塔检测性能仍有待提升。为此，本文首先构建了多场景高分辨率卫星遥感电力塔数据集，进而提出面向高分辨率卫星遥感影像的大选择性核特征融合（LSKF）-YOLO网络。该网络主要由大空间核选择性注意力融合模块和多尺度特征对齐融合（MFA

在弱光条件下，由于有效目标区域的丢失，图像融合、行人检测和图像转换等多种视觉任务面临极大挑战。此时，红外与可见光图像的联合使用可同时提供丰富的细节信息和有效目标区域。本文提出了LLVIP数据集——专为弱光视觉设计的可见光-红外配对数据集。该数据集包含33672张图像（即16836组配对），其中大多数采集于极暗场景，所有图像均经过严格的时空对齐处理，并对行人目标进行了标注。我们通过与其他可见光-红外

一直以来，对于深度学习领域的开发者，可视化模型都是非常迫切的需求，今天主要介绍一款可视化工具——Netron。Netron有三种使用方式：在线、本地安装、pip安装。今天在这里只介绍在线使用这种方式。我们可以点击open model。点击进去是这样的一个界面。从本地选择一个预训练模型。可以看到这里就显示出来了。

我们推出了D-FINE，这是一种强大的实时目标检测器，通过重新定义DETR模型中的边界框回归任务，实现了卓越的定位精度。D-FINE包含两个关键组件：细粒度分布优化（FDR）和全局最优定位自蒸馏（GO-LSD）。FDR将回归过程从预测固定坐标转变为迭代优化概率分布，提供了细粒度的中间表示，显著提升了定位精度。GO-LSD是一种双向优化策略，通过自蒸馏将定位知识从优化后的分布传递到较浅层，同时简化了

无人机在我们的日常生活中有许多应用，可以用于农业、军事、商业、灾害救援、研发等多种用途。近年来，小型无人机/无人飞行器的使用显著增加。因此，小型无人机被滥用于非法活动（如恐怖主义和毒品走私）的潜在风险也在上升。因此，需要一种能够在各种环境中使用的准确且可靠的无人机识别技术。本文基于计算机视觉和深度学习的原理，使用了当前最先进的目标检测模型（即YOLO模型）的不同版本来检测小型无人机。为了提高小型无