DETR论文
现代检测器必须要通过一大组提议、锚框或窗口中心实现回归和分类问题，他们的性能显著受到后处理步骤，为了简化这些流程，我们提出了一种直接端到端的集合预测方法，即2020年5月发表的DETR（End-to-End Detection with Transformers）。论文我将从结构剖析、创新点分析、论文收获以及根据pytorch进行代码复现。 一、模型剖析DETR模型训练的流程简述为以下四步： 用
YOLO11论文见解
一、论文地位yolo11主要是相对v8而言就是三个创新点 二、提出背景三、模型架构四、训练五、源码收获通过对源码进行解读收获以下的新知识 1 热力图概念：能够直观地反映模型在输入图像中“关注的区域”或者“激活强度”。 作用： 可解释性 通过热力图，你可以看到模型在判断一个图像是“猫”还是“狗”时，究竟关注的是耳朵、眼睛、背景，还是其他特征。 辅助调试与优化模型 如果模型总是检测不到某些物体，
ResNet论文+复现
ResNet（Residual Network）由何恺明等人于2015年提出（论文《Deep Residual Learning for Image Recognition》），是深度学习领域里程碑式的论文。其核心思想是残差连接，解决了训练极深神经网络时遇到的退化问题。 这是ResNet论文的地址：Deep Residual Learning for Image Recognition 一、论文核
YOLOv9论文
YOLOv9 是 YOLO 系列目标检测模型的最新版本之一，由 YOLOv7的原班团队Chien-Yao Wang等人2024年2月提出，其设计旨在进一步提升检测性能与推理效率。 一、论文地位阅读论文时我通常先查看摘要和结论，以快速把握其核心内容与研究方向。 1.1 核心技术创新：突破深度网络的信息瓶颈 可编程梯度信息（PGI） 为解决轻量级模型中从 I(X, X) 准确提取 I(Y, X) 的难
Transformer论文
Transformer 原始论文 《Attention is All You Need》，由 Vaswani 等人于 2017 年 6 月发布，是近年来最具革命性的深度学习论文之一，它不仅在自然语言处理领域带来了根本性变革，也为图像处理、音频处理、分子建模、强化学习等领域开辟了新的研究方向。 一、论文地位因为首先看论文的摘要和结果（结论）能让读者把握整篇论文的大致方向，因此我在读论文的时候基本也是
自然语言处理
一、Transformer1 概念Transformer是一种深度学习架构，它的核心思想是： 通过注意力机制(Attention)捕捉序列中不同部分之间的关系，而不是像以前的模型(如 RNN)那样一步步按顺序处理。 Transformer 的特点 并行计算：不像 RNN 需要一步步计算，Transformer 可以同时处理所有输入。 捕捉长距离依赖：通过注意力机制，Transformer
关于batch_normlization问题
一、问题“ValueError: Expected more than 1 value per channel when training, got input size torch.Size([1, 1024])”今天记录一下关于添加batch_normlization的小问题： ValueError: Expected more than 1 value per channel when t
大模型应用开发
一、相关概念1 历史背景 传统AI：机器学习、深度学习、强化学习 2017年提出的Transformer架构，奠定了大模型领域主流算法架构的基石 大模型时代：神经网络、自注意力机制、Transformer 两者之间的区别： 模型结构和算法 灵活性和可扩展性 数据规模和多样性 任务范围和性能方面 计算资源和成本 2 什么是AI大模型 大语言模型（英文:Large Language Mode
