Bolly_He的博客

【代码】YOLOV5-7.0源码阅读（一）

1 普通卷积原理：普通卷积是，一个卷积核与input的所有通道都进行卷积，然后不同通道相同位置卷积后的结果再相加，如下图所示，：⾸先，每个通道内对应位置元素相乘再相加，最后计算所有通道的总和作为最终结果。卷积核的Channel通道数等于Input输⼊的通道数，Output输出的通道数等于卷积核的个数。2 Depthwise 卷积原理：Depthwise 卷积的一个卷积核只负责一个通道，一个卷积核只与一个通道卷积。那么卷积核数需要与输入的通道数相等，输出的通道数也不变，等于输入的通

论文：https://arxiv.org/abs/2203.04967代码：https://github.com/jeya-maria-jose/UNeXt-pytorch1.摘要Unet网络及其扩展近年来是领先的医学图像分割方法。但是这些网络参数多，计算复杂，速度慢，不能应用于实时的快速图像分割。本文总结：（1）提出一种基于MLP（多层感知机）的图像分割网络Unext，即卷积+MLP的结构。（2）提出一个标记MLP块（tokenized MLP block），标记和投影卷积特征。

最近决定精度一下经典CNN网络，很多都是一直用封装的又比较好所以泛读的较多。这是第一篇大名鼎鼎的VGG论文连接：https://arxiv.org/abs/1409.1556摘要主要贡献：使用（3*3）小卷积核，对网络深度的增加进行全面评估，增加网络层数到16或19层，网络表现出了一个显著的效果提升。在ImageNet2014挑战中，检测和分类任务中各自取得了第一和第二的成绩。1 引言近来卷积网络已经在大规模图片和视频识别方向上取得了很大的成功，高性能的计算体系，如GPU或大规模分布式的

论文地址：https://arxiv.org/pdf/2004.10934v1.pdfcode：https://github.com/AlexeyAB/darknet.摘要有大量的技巧可以提高CNN的精度。某些技巧仅在某些模型上使用或针对某些问题或小规模的数据集使用；有一些技巧例如BN，残差连接等，适用于大多数的模型，任务和数据集。我们假设这种普遍的技巧包括：Weighted-Residual-Connections (WRC)，Cross-Stage-Partial-connections (

目录第一步：计算比较Q和K的相似度，用f来表示点乘 dot product​权重 General拼接权重 Concat​感知器 Perceptron​第二步：将得到的相似度进行Softmax操作，进行归一化第三步：针对计算出来的权重​,对V中所有的values进行加权求和计算，得到Attention向量Attention机制本质上是对相关性的计算，Attention通常表示，将query(Q)和key-value pairs映射到输出上，其中query、每个...

论文：原论文论文思想这篇论文主要是解决，网络计算量大的问题提出一种新的特征融合的结构，来降低计算量同时又可以保持甚至提升精度。

bipartite matching 这个词最近在看Transformer相关的论文里常见用作loss function,所以特地学习一下，bipartite matching是一个什么操作。个人理解，若有表述错误或不当的问题，还请各位大牛不吝赐教！！bipartite matching 叫二分图（二部图）最大匹配，是图论里边的一个概念。二分图bipartite的概念二分图（bipartite）是指图的所有顶点可分为两个集合，每条边对应的两个顶点分别属于这两个集合。设G=(V,E)是一个无向图，