BigGod139的博客

论文名称：Dogfight: Detecting Drones from Drones Videos任务：复现这篇文章的Dogfight模型，也就是再自己本地，NPS数据集上跑通这个模型的代码，得到模型，成功推理，并达到论文中的精度数据集准备→环境搭建→模型实现→训练配置→推理验证→精度调优。

声明：SEAM模块的代码并非完全独立完成，部分有参考以及其他专栏的改进系列。

深度学习的有效性不是单一理论的支撑，而是**“底层数学理论（逼近、统计、优化）→中层设计思想（分层、聚焦、复用）→具体结构逻辑（感受野、残差、注意力）”** 的多层协同结果。理论是“指导”而非“万能公式”：所有理论都有假设条件（如万能逼近定理假设“激活函数连续”“紧集输入”），现实中需结合实验调整（如ReLU虽不连续，但实践中效果优于Sigmoid）；实验是“验证与修正理论”的手段：如残差网络的提出，最初是为解决梯度消失的实验痛点，后续才出现严格的数学证明；“黑箱”仍有未解之谜。

YOLO11涨点优化：小目标 |新颖的多尺度前馈网络(MSFN) | 2024年4月最新成果。加入以下代码到。

将目标物的bbox表示为xywh小目标：短边长度不小于4像素，长边不超过32像素。minwh≥4pixelmaxwh≤32pixel但具体的标准没有明确的标准，这里都统称为小目标检测。

图像识别技术在降低水产养殖劳动力成本，提升养殖精细化程度等方面发挥巨大作用，其在水产养殖中具有广阔的应用前景。目前水产养殖中的计数及种类识别工作多依赖人工，而养殖物运动轨迹提取人工更难以完成。本文针对上述应用场景，基于深度学习设计了两种图像识别算法。其中基于 Yolov5 及 DeepSORT 算法的水下鱼类轨迹提取及计数算法，针对鱼类形态特征，调整了 DeepSORT 中特征提取网络结构，提高了轨迹提取及计数准确率。该。

张祥雨是人工智能计算机视觉（CV）领域的杰出人才，现任旷视研究院base model组负责人、旷视首席科学家，也是西安交通大学人工智能学院兼职教授。张祥雨2012年毕业于西安交通大学软件学院软件工程专业，获学士学位，之后在西安交通大学与微软亚洲研究院控制科学与工程专业学习，于2017年获得博士学位。在学期间，他曾拿下美国大学生数学建模竞赛（MCM）特等奖提名奖，凭借此获奖经历获得微软亚洲研究院实习资格，并最终成功留下。

将两个自定义配置文件复制到 PaddleDetection 框架的对应配置目录中。configs/picodet 是 PicoDet 模型的配置文件夹，ppq.yml 可能包含模型训练参数、网络结构配置等内容configs/datasets 用于存放数据集配置，voc_ppq.yml 可能定义了乒乓球数据集的路径、格式（如 Pascal VOC 标准）、类别信息等# 将当前目录下的 ppq.yml 文件，复制到 PaddleDetection 框架的 configs/picodet 目录!

针对小目标检测中目标尺寸小、背景复杂等挑战，本文提出SOD-YOLO算法，通过在特征提取网络集成S_C2f_CAFM和SPPF_E模块、设计含SCAM的双向特征金字塔网络并引入D_C2f_MSPA模块，以及采用NWD损失函数，在DOTAv1.0等数据集上实现mAP较YOLOv8提升6.7%-11.9%且参数减少13.9%。

本文聚焦 TrackNet 系列深度学习框架，该系列旨在解决体育视频中高速物体的跟踪难题。TrackNetV1 基于热图架构，利用多帧输入应对运动模糊和遮挡问题。TrackNetV2 借助 U - Net 跳连接、MIMO 设计及加权交叉熵损失函数提升效率。TrackNetV3 引入背景估计、混合增强和轨迹校正技术，进一步优化跟踪性能。TrackNetV4 则通过运动注意力图与视觉特征融合的创新方式，增强了对高速物体的跟踪能力。关键词：TrackNet；体育分析；目标跟踪；深度学习；运动注意力；轨迹校正。

在计算机视觉目标检测、实例分割等任务中，网络结构通常由骨干网络（Backbone）、颈部模块（Neck）和检测头（Head）组成。

VOC格式数据集，训练集、验证集、测试集划分好，本别一个文件夹。PaddleDetection套件的所有配置文件都在。我下载的是PP-YOLOE+_SOD-l的模型。是官方的VOC数据集的配置文件，自己新建一个。直接运行以下命令安装 libgomp1。我下载的是PP-YOLOE+_l的模型。是官方的模型配置文件，自己新建一个。是官方的模型配置文件，自己新建一个。后面的模型配置文件中需要修改为。随后在模型配置文件中指定路径。随后在模型配置文件中指定路径。目录下，数据集的配置文件在。

相比PP-YOLOE模型，PP-YOLOE-SOD改进点主要包括在neck中引入 Transformer全局注意力机制 以及在回归分支中使用 基于向量的DFL。Transformer在CV中的应用是目前研究较为火热的一个方向。最早的ViT直接将图像分为多个Patch并加入位置Embedding送入Transformer Encoder中，加上相应的分类或者检测头即可实现较好的效果。这里类似，主要加入了Position Embedding和Encoder两个模块，不同的是输入是最后一层特征图。

在RepVGG中，训练时每个3×3卷积层都有平行的1×1卷积分支和恒等映射分支，进行等价转换为3×3卷积核，推理时还是简单的VGG的卷积块堆叠。但3乘3的卷积核不是直接将训练时的3×3 的卷积核保留下来这么简单。通过结构重参数化技术，将这些分支的参数（包括 3×3 卷积、1×1 卷积、恒等映射分支的参数以及各分支后的 BN 层参数）进行等价转换，合并为推理时单一的 3×3 卷积核参数。第二步将每个分支上的3x3卷积层融合成一个卷积层，合并的过程其实也很简单，直接将这三个卷积层的参数相加即可。

In×3×h×wIn×3×h×w：输入图像nnn：批量大小（样本数），333：输入通道数（如RGB），hhhwww：图像的高和宽。Mn×c×h′×w′Mn×c×h′×w′：模型最终输出的特征图ccc：特征图通道数，h′h'h′w′w'w′：特征图的高和宽。关注对象：输出特征图MMM中每个通道的中心点——Mh′2w′2Mh′/2w′/2​。

围绕“在YOLO系列模型训练中以最小投入（时间、数据量等）获取最大精度回报。

KL散度衡量一个概率分布P与另一个参考分布Q之间的信息损失，即“用Q来近似P时，所损失的信息量”。DKLP∣∣Q∑xPxlog⁡PxQxDKL​P∣∣Qx∑​PxlogQxPx​其中，PxP(x)Px是训练集某特征的概率分布（如“小目标占比30%”），QxQ(x)Qx是测试集对应特征的分布（如“小目标占比25%”）。物理意义：若P和Q完全一致，DKL0D_{KL}=0DKL​0；

都集中在中心，并且上下边缘都没有目标。testB的可能因为数据量少中心有些偏左上角。

下面给你一份（从“性价比最高的改动”到“进阶/研究向”）。按优先级逐步做，通常能明显拉升。