csdn_xmj的博客

今天给大家介绍一下哈佛和MIT最近联合发表的最新时间序列大模型工作，构建了一个统一的时间序列模型，能够处理各类时间序列任务，在38种不同的时间序列任务中，有27个都取得了最优效果。

YOLOv5重出江湖！在工业生产过程中，由于低效率、不统一的评估、高成本以及缺乏实时数据，传统的手动检测焊接缺陷不再被应用。为了解决表面贴装技术中焊接缺陷检测的低准确率、高误检率和计算成本问题，提出了一种新方法。该方法是一种专门针对焊接缺陷检测算法的混合注意力机制，通过增加准确度并降低计算成本来提高制造过程中的质量控制。混合注意力机制包括提出的增强多头自注意力机制和协调注意力机制，以增加注意力网络感知上下文信息的能力，并提高网络特征利用率。

微软研究院最近提出了一个新的 LLM 自回归基础架构 Retentive Networks （RetNet）[1,4]，该架构相对于 Transformer 架构的优势是同时具备：训练可并行、推理成本低和良好的性能，不可能三角。论文中给出一个很形象的示意图，RetNet 在正中间表示同时具备三个优点，而其他的架构 Linear Transformer、Recurrent Network 和 Transformer 都只能同时具备其中两个。接下来看一下论文的细节。

YOLOv8是目前各个CV场景常用的算法，也包含了目标检测、实例分割和分类的各类功能。在文章中，我们将深入探讨YOLOv8的基础原理以及相关应用，希望对大家有帮助！

通过以下几个方面：架构图&模块改进&正负样本匹配&损失函数解读，5分钟即可理解YOLOv9，建议收藏！

本文介绍YOLOv9论文的主要思路。作者提出的可编程梯度信息（PGI）旨在克服信息瓶颈和深度监督在轻量级网络中应用的局限性。GELAN，一种新型高效且轻量的网络架构，被设计出来以优化目标检测任务。GELAN证明了其在不同计算单元和深度配置下的强大性能和稳定性，表明其具有广泛适用性。

在PyTorch深度学习实践概论笔记11-卷积神经网络高级篇中介绍了GoogLeNet（包括Inception Module）以及Residual Block，为进一步学习ResNet网络，需要阅读论文。论文链接：https://arxiv.org/pdf/1512.03385.pdf...