将图像切分乘干16x16的小块（即无重叠，固定大小），所有块排列成“词向量”，先经过线性层映射，一张[H,W,C]维度的图片变为[L,C]（图片token化）,再经过Transformer Encoder的计算产生相应的特征向量。输入数据维度3x4,将Q与K相乘得到Q对应的一系列K，然后再将K与V相乘，得到K对应的V（如何理解QKV？基本假设：模型只有理解图片内容、掌握图片的上下文信息，才能恢复出

2D目标检测主要有四种方法：自顶而下方法、自低向上方法、单阶段的方法、基于Transformer的方法，现在较多是基于热力图的方式进行检测，但是该方法计算量较大。：基于图像同时预测关节位置和四肢走向，利用肢体走向辅助关键点的聚类，即，如果某两个关键点由末端肢体相连，则两个关键点属于同一人。如果预测关节和真实关节之间的距离在某个阈值（可变）内，则认为检测到的关键点是正确的（2D、3D均可用）？概念：

2D目标检测主要有四种方法：自顶而下方法、自低向上方法、单阶段的方法、基于Transformer的方法，现在较多是基于热力图的方式进行检测，但是该方法计算量较大。：基于图像同时预测关节位置和四肢走向，利用肢体走向辅助关键点的聚类，即，如果某两个关键点由末端肢体相连，则两个关键点属于同一人。如果预测关节和真实关节之间的距离在某个阈值（可变）内，则认为检测到的关键点是正确的（2D、3D均可用）？概念：

由于项目需求，主要为目标检测领域的应用，所以接触过几次MMDetection，2023年有机会参加一下实战营活动，可以扩展一下自己的AI经历，例如分割、人体位姿估计等任务。OpenMMLab概述：基于 Pytorch 框架，其低层视觉库是MMCV和MMEngine，适用于学术研究和工业应用，项目开源，使用方便。：支持目标检测、实例分割、全景分割任务，主要为2D目标检测，具有训练、测试、推理等工具。