这两天排查代码问题，看到损失具体是如何计算的就看了下。logits 里面保存的是 每个样本 是哪一类的概率,例如第一个样本的预测结果 tensor([ 0.0815,0.1693,0.2274, -0.0068, -0.3081, -0.2758], grad_fn=<SelectBackward0>)，分别对应于类别【248135label是样本的类别：4。

matlab学习：图像频域分析之Gabor滤波 来源一 gabor详解Gabor变换是D.Gabor 1946年提出的。为了由信号的Fourier变换提取局部信息，引入了时间局部化的窗函数，得到了窗口Fourier变换。由于窗口Fourier变换只依赖于部分时间的信号，所以，现在窗口Fourier变换又称为短时Fourier变换，这个变换又称为Gabor变换。 Gabor优点G

文章地址：https://arxiv.org/ftp/arxiv/papers/2311/2311.03747.pdf项目地址：https://github.com/xyongLu/SBCFormer。

卷积神经网络缺乏对输入数据保持空间不变的能力，导致模型性能下降。虽然CNN中引入池化层有助于满足这一特性，但这种空间不变性仅能在池化矩阵的范围内才具有平移不变性或者在卷积的深层层次上实现。在这篇文章中，作者提出了一种新的可学习模块，STN。这个可微模块可以插入现有的卷积结构中，使神经网络能够根据特征图像本身，主动地对特征图像进行空间变换，而不需要任何额外的训练监督或优化过程。

作者开发了一种创新的检测Head，称为UniHead，可以同时统一三种感知能力。更具体地说，作者的方法包含：引入了Deformation感知，使模型能够自适应地采样目标特征；提出了双轴聚合Transformer（DAT），以熟练地建模长距离依赖关系，从而实现全局感知；设计了一个跨任务交互Transformer（CIT），促进了分类和定位分支之间的交互，从而使这两个任务保持一致。

论文标题：Relational Prior Knowledge Graphs for Detection and Instance Segmentation机构：阿姆斯特丹大学、TomTom论文地址：https://arxiv.org/pdf/2310.07573.pdf开源代码（即将开源）：https://github.com/ozzyou/RP-FEM关键词：目标检测、实例分割。

有两点原因：第一，Transformer是既MLP、RNN、CNN之后的第四大特征提取器，也被称为第四大基础模型；最近爆火的chatGPT，其最底层原理也是Transformer，Transformer的重要性可见一斑。第二，希望通过问问题这种方式，更好的帮助大家理解Transformer的内容和原理。

考虑标签label和预测值pred，其数值如下：其散点图如下：怎样才能通过概率得到预测的类别呢？通常我们需要设置一个阈值，这里以0.5为例，当概率大于等于0.5时，分类器认为这个为真实类别；当概率小于0.5时，分类器认为这个不是真实类别，如下图所示：我们可以根据这个图得到当阈值为0.5时的混淆矩阵：实际上阈值可以取[0,1）之间的任意值，理论上可以取无数个混淆矩阵，而把所有的混淆矩阵表示在同一个二

在本文中，我们使用YOLOv9+SAM在RF100 Construction-Safety-2 数据集上实现自定义对象检测模型。这种集成不仅提高了在不同图像中检测和分割对象的准确性和粒度，而且还扩大了应用范围——从增强自动驾驶系统到改进医学成像中的诊断过程。通过利用 YOLOv9 的高效检测功能和 SAM 以零样本方式分割对象的能力，这种强大的组合最大限度地减少了对大量再训练或数据注释的需求，使其

卷积神经网络结构组成与解释