超级会员免费看
本文深入探讨Transformer的Self-Attention机制，包括Q、K、V的计算及输出。接着，文章解析Swin-Transformer的实现细节，如PatchEmbed、PatchMerging、W-MSA和SW-MSA，帮助理解其在网络结构和计算效率上的优化。
数据方便
数据扩增
制作更多的数据集。
将模型预测错的图片挑出来，然后根据这些预测错误图片的特征进行相应的算法设计。
网络结构
更换更优的backbone
使用FPN+PAN，提高对小目标的预测能力
订阅专栏 解锁全文
扫一扫
评论 2
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
