Hide on bush

Contextual Transformer Networks for Visual Recognition 1. Abstract2. Introduction3. Approach3.1. Multi-head Self-attention in Vision Backbones3.2. Contextual Transformer Block3.3. Contextual Transformer Networks4. 代码解析4.1. train脚本中参数的配置4.2. model脚本4.2.1.

EfficientDet: Scalable and Efficient Object Detection本文做的目标检测使用的backbone依旧是谷歌所提出的EfficientNet，关于EfficientNet的论文和代码及讲解我这里不展开细讲，推荐一个博主霹雳巴拉雷，之前也是看他在B站以及优快云的代码教学，学到了很多，这里表示感谢。摘要模型效率和模型准确度对目标检测任务来说是非常重要的，本文设计了新的网络结构来做检测任务，并且提出了一些新的优化方法来提升模型效率。主要包括两点：1）提出

论文地址：Conditional-DETR论文源码地址：Conditional-DETR-torchConditional DETR for Fast Training Convergence1. Abstract2. Introduction & Related Work3. Method3.1. Overview3.2. Decoder Cross-Attention3.3. Architecture4. Experiments1. Abstract原始的DETR采用Transforme

Pyramid Vision Transformer1. Abstract2. Introduction3. Method3.1. Overall Architecture3.2. Transformer Encoder3.3. More Details4. PVT-V1代码解析4.1. main脚本4.2. pvt脚本4.2.1. PyramidVisionTransformer类的init4.2.2. PyramidVisionTransformer类的forward论文地址：PVT-V1版本论文

You Only Look One-level Feature论文地址：YOLOF论文源码地址：YOLOF-源码文章目录1. Abstract2. Introduction3.Related Works3.1. Multiple-level feature detectors3.2.Single-level feature detectors4.Cost Analysis of MiMo Encoders5. Method5.1. Limited Scale Range5.2. Imbalance P

参看视频：论文解析论文地址：论文地址源码地址：tensorflow官方源码pytorch代码地址：pytorch代码这里的代码解析参考的是博主噼里啪啦的源码，下面对EfficientNetV2论文和代码进行解析。EfficientNetV2网络框架1. 整体框架2. 代码中的实现3. Progressive Learning渐近学习策略4. 代码解析4.1. Drop_path函数4.2. ConvBNAct 类和SE类的实现4.3. MBconv block类和FusedMBconv block

EfficientDet 代码模块功能解析由于官方的代码是tensorflow版本的，我看的源码是zylo大佬写的pytorch版本的代码地址：EfficientDet-torch版本由于最近在搞自己的想法，时间不是很充足，所以这次先解析代码中的Backbone脚本，关于数据预处理，loss计算脚本以及后处理脚本下次解析。首先介绍EfficientDetBackbone这个类具体代码如下：class EfficientDetBackbone(nn.Module): def __ini

Conformer: Local Features Coupling Global Representations for Visual Recognition1. Abstract2. Introduction3. Related Work4. Conformer4.1. Overview4.2. CNN Branch4.3. Transformer Branch论文：conformer论文代码：comformer源码-torch1. Abstract在卷积网络中，卷积操作非常擅长捕捉局部特征信息

Conformer: Local Features Coupling Global Representations for Visual Recognition1. main脚本中的参数配置2. 创建模型2.1. Conformer类2.2. ConvBlock类2.3. Block类2.4. FCUDown & FCUUp2.5. ConvTransBlock类2.6. Conformer的forward整体流程3. train & val3.1. loss的计算3.2. 计算loss以及

论文地址：Cross-Transformerpytorch源码：Cross-TransformerCrossFromer最细节的论文以及代码解析1. Abstract2 . Introduction3. CrossFormer3.1. Cross-scale Embedding Layer(CEL)3.2. CrossFormer block3.2.1 Long Short Distance Attention （LSDA）3.2.2 Dynamic Position Bias4. Variants o