华为比赛终于告一段落，最后是常见的直接提交整个的docker环境在之前的文章中也简要介绍过。不过在重新的配置过程中，出现了部分错误，用这篇文章来主要。

如有错误，恳请指出。前不久，沐神对DETR进行了讲解，其实之前也对DETR进行了介绍，见：论文阅读笔记 | 目标检测算法——DETR。现对DETR的核心内容进行重温，也就是其所提出的目标检测的end-to-end框架，输入的是一张图像，输出的直接是最后的预测标注结果，不再需要后处理（nms非极大值抑制）。为什么希望end-to-end，是因为nms对于模型的调参比较复杂。而且因为不是所有的硬件都支

如有错误，恳请指出。在之前阅读YoloX的时候已经做过一次笔记，论文主要的重点与更改的地方，亮点介绍了一遍，见：论文阅读笔记 | 目标检测算法——YOLOX但对于YoloX的核心重点，其正负样本的匹配策略在当时其实只是一知半解，现在重新记录一下YoloX所提出的SimOTA标签匹配策略。以下内容是建立在参考内容整理之上的总结。SimOTA可以理解为是一种匹配策略的方法，可以看成是一个最优传输的问题

文章目录1. 第一阶段：百花齐放1.1 InstDisc1.2 InvaSpread1.3 CPC1.4 CMC2. 第二阶段：CV双雄2.1 MoCov12.2 SimCLRv12.3 MoCov22.4 SimCLRv22.5 SWaV2.6 Other3. 第三阶段：不用负样本3.1 BYOL3.2 SimSiam4. 第四阶段：Transformer4.1 MoCov34.2 DINO5.

1.生成模型原理1）CGAN的原理传统的GAN或者其他的GAN都是通过一堆的训练数据，最后训练出了G网络，随机输入噪声最后产生的数据是这些训练数据类别中之一，我们提前无法预测是那哪一个？因此，我们有的时候需要定向指定生成某些数据，比如我们想让G生成飞机，数字9，等等的图片数据。假设现在要做一个项目：输入一段文字，输出一张图片，要让这张图片足够清晰并且符合这段文字的描述。我们搭建一个传统的Neura

1.MobileNetV2的介绍MobileNet v2网络是由google团队在2018年提出的，相比MobileNet V1网络，准确率更高，模型更小。网络中的亮点 ：Inverted Residuals （倒残差结构 ）Linear Bottlenecks（结构的最后一层采用线性层）2.MobileNetV2的结构1）Inverted Residuals在之前的ResNet残差结构是先用1x

在之前对PointNet与PointNet++网络进行了介绍，接下来是对其代码的解析。参考的github项目为：https://github.com/yanx27/Pointnet_Pointnet2_pytorch这篇博客的内容主要是将PointNet++网络结构进行拆分介绍。在介绍PointNet++的时候是按照采样（sampling）、分区（grouping）、特征提取（pointnet）、

文章目录1.Fast R-CNN简介2.Fast R-CNN处理过程1）候选区域的生成2）投影特征图获得相应的特征矩阵3）ROI层缩放4）展平特征图利用全连接层得到预测结果。3.Fast R-CNN损失函数4.Fast R-CNN总框架1.Fast R-CNN简介Fast R-CNN其论文的名字就是 Fast R-CNN，原文链接。Fast R-CNN与R-CNN相同，同样使用VGG16作为网络的

前两天想接触docker，但是苦于一直没有pull成功，现在用这篇博客记录一下解决的方法，以及docker的简单命令行与使用docker配置pytorch的cpu与gpu容器文章目录1. Pytorch环境的配置2. Docker命令行总结简要介绍：Docker 包括三个基本概念：镜像（Image）：Docker 镜像（Image），就相当于是一个 root 文件系统。比如官方镜像 ubuntu:

文章目录1.MobilenetV3的介绍2.MobilenetV3的结构1）尾部结构改变2）头部channel数量改变3）h-swish激活函数4）加入了注意力机制（SE模块）3.MobilenetV3的性能统计4.MobilenetV3的pytorch实现1.MobilenetV3的介绍回顾MobilenetV1与MobilenetV2结构MobilenetV1：引入了深度可分离卷积作为传统卷积