HelloWorld 开发者社区
科技资讯
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
开源项目
全部项目推荐好文
FCOS : 找到诀窍了,anchor-free的one-stage目标检测算法也可以很准 | ICCV 2019
<blockquote论文提出anchorfree和proposalfree的onestage的目标检测算法FCOS,不再需要anchor相关的的超参数,在目前流行的逐像素(perpixel)预测方法上进行目标检测,根据实验结果来看,FCOS能够与主流的检测算法相比较,达到SOTA,为后面
那些年我看过的目标检测神文(带注释版)
1.FasterRCNN相关()一文读懂FasterRCNNhttps://zhuanlan.zhihu.com/p/31426458(https://link.segmentfault.com/?enc8aU7elObumMtBpvzPUuPrw%3D%
实战级Stand-Alone Self-Attention in CV,快加入到你的trick包吧 | NeurIPS 2019
<blockquote论文提出standaloneselfattentionlayer,并且构建了fullattentionmodel,验证了contentbased的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中,相对于传统的卷积模型,在准确率差不多的情况下
【目标检测从放弃到入门】一篇文章带你入门前端视觉编译技术
前言在前端领域,目前不断地有<codedesign2code</code工具涌现。即给定视觉稿识别出里面的元素并将其转换成代码。它们底层技术都离不开深度学习中的「目标检测」。最近有幸接触到这块的内容,实践下来发现深度学习也并不那么的高深莫测,这里用一篇文章带大家快速入门目标检测技
【目标检测从放弃到入门】SSD / RCNN / YOLO通俗讲解
最近有幸在项目上接触到了深度学习中的目标检测领域,通过数周来的实践和相关知识的查阅,现在也算是在能在目标检测入门处徘徊了。这篇文章会在三大目标检测经典算法原理上加上自己的理解,希望大家看了此文能不再一脸懵逼地出去。目标检测什么是目标检测一句话概括即:在视图中检测出物
ThunderNet :像闪电一样,旷视再出超轻量级检测器,高达267fps | ICCV 2019
<blockquote论文提出了实时的超轻量级twostagedetectorThunderNet,靠着精心设计的主干网络以及提高特征表达能力的CEM和SAM模块,使用很少的计算量就能超越目前的onestagedetectors,在ARM平台也达到了实时性,GPU的速度更是达到267fp
Light-Head R-CNN : 旷世提出用于加速two-stage detector的通用结构,速度达102fps
<blockquote论文提出LightHeadRCNN,一个精简的twostage目标检测器设计准则,在表达能力很强的精简特征图上使用轻量级的RCNN子网,不仅大量减少推理耗时,还提高了准确率,结合Xceptionlike的主干网络能够达到30.7mAP和102FPS<br/
NASNet : Google Brain经典作,改造搜索空间,性能全面超越人工网络,继续领跑NAS领域 | CVPR 2018
<blockquote论文将搜索空间从整体网络转化为卷积单元(cell),再按照设定堆叠成新的网络家族NASNet。不仅降低了搜索的复杂度,从原来的28天缩小到4天,而且搜索出来的结构具有扩展性,在小模型和大模型场景下都能使用更少的参数量和计算量来超越人类设计的模型,达到SOTA<br/
【ReID】【代码注释】建立模型 deep-person-reid/models/ResNet.py
源码URL:https://github.com/michuanhao...(https://link.segmentfault.com/?enc35gYi02t4YNEEH%2F46HtvEQ%3D%3D.LdmXgY8NIzAjpGPR0pa8APqwCSwaw4xXwweN%2FzyQ6
ICLR 2020 | 抛开卷积,multi-head self-attention能够表达任何卷积操作
<blockquote近年来很多研究将nlp中的attention机制融入到视觉的研究中,得到很不错的结果,于是,论文侧重于从理论和实验去验证selfattention可以代替卷积网络独立进行类似卷积的操作,给selfattention在图像领域的应用奠定基础</blockquote
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。