目录详情知识补充语义分割实例分割动机Related WorksPer-pixel classification formulationMask classification formulationMaskFormerPixel-level moduleTransformer moduleSegmentation module掩膜分类推理语义推理详情论文：Per-Pixel Classificati

这里写目录标题过去问题：改进创新点整体结构Actional Links (A-links)过去问题：基于关节间的固定骨架只捕捉关节间局部的物理依赖性改进对ST-GCN的一个较大的改进，都是利用图卷积网络进行行为识别。不同的是ST-GCN仅仅关注于18个关节点的骨架图上物理相邻关节点之间的关系。而本文在前者的基础上不但关注了物理相邻的关节点，而且更加注重在物理空间上不相邻关节点之间的依赖关系。解决了

这里写目录标题0.笔记参考1. 目的2. 困难点3. 数据集及评价指标3.1数据集3.2评价指标4.实现架构5. 模型发展5.1基于全卷积的对称语义分割模型5.1.1FCN（2014/11/14）5.1.1.1具体过程5.1.1.2 CNN 与 FCN5.1.1.3全连接层 -> 成卷积层5.1.1.4 upsampling5.1.1.5局限5.1.2 SegNet（2015/11/2）5.

这里写目录标题0.详情1.动机2. 改进点3.相关工作4. Method4.1 Hierarchical Transformer Encoder4.1.1 分层特性表示(Hierarchical Feature Representation)4.1.2 重叠合并(Overlapped Patch Merging)4.1.3 自注意机制(Efficient Self-Attention)4.1.4

这里写目录标题摘要介绍相关工作改进提出多尺度特征融合全局和局部特征融合特征映射结论基于特征融合的跨视图步态识别摘要与人脸识别相比，步态识别是最有前途的视频生物特征识别技术之一，步态图像易于远距离捕获，步态特征对外观伪装具有鲁棒性。现有的许多步态识别方法都是针对单一场景的，如固定摄像机，但当视点发生变化时，识别精度会急剧下降。本文对现有的步态识别方法进行了改进，提出了一种基于特征融合的跨视角步态识别

一 迁移学习1理论1.1what经有猫的分类器模型了，没必要从头开始训练，你可以将猫分类器模型的网络结构和参数迁移到训练狗的分类器模型中，然后稍微修改一下就能使用了1.2优点更高的起点。微调前，源模型的初始性能比不使用迁移学习高。更高的斜率。训练中，源模型的提升速率比不使用迁移学习高。更高的渐进。训练得到的模型的收敛性比不使用迁移学习更好。1.3迁移学习的方法实现迁移学习主要有两种常见的方法：Co

@[TOC]目录案例一：猫狗分类参考：猫狗分类迁移学习案例详解代码位置：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2\猫狗分类_迁移学习可视化定义训练+验证函数#----训练模型-----import copydef train_model(model, criterion, optimizer, scheduler, num_epochs=10):t1 = time.time(

这里写目录标题参考数据集VOC 2012 数据集组件预处理数据总结代码参考视频李沐-语义分割和数据集【动手学深度学习v2】笔记李沐视频-笔记视频笔记本文主要讲语义分割的经典数据集——VOC2012，的读取。一句话概括语义分割：在图片中进行像素级的分类数据集最重要的语义分割数据集之一是 Pascal VOC 2012这个数据集有自己的格式 – VOC格式，它是一个使用非常广泛的格式（VOC、COCO

目录Transformer卷积Transformer1.官方-vision_transformer2.官方- Swin-Transformer3.官方-Swin-Transformer-Semantic-Segmentation4.官方-SETR5.官方-segformer卷积

目录案例一:猫狗分类参数微调特征提取的方法总结案例一:猫狗分类参考：猫狗分类迁移学习案例详解代码位置：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2\猫狗分类_迁移学习可视化参数微调该方法使用预训练的参数来初始化我们的网络模型，修改全连接层后再训练所有层。# 加载预训练模型model_ft = models.resnet18(pretrained=True)# 获取resnet18