m0_46223011的博客

ChangeFormer论文地址：A Transformer-based Siamese Network for Change DetectionChangeFormer的三个主要模块：1.一个层次化的transformer编码器（用于提取双时相图片的粗细特征）2.四个特征差异模块（计算不同尺度下的特征差异性）3.一个轻量的MLP解码器（混合多层的特征差异以及预测Mask）Hierarchical Transformer EncoderTransformer BlockAttention(

遥感变化检测综述Change Detection Based on Artificial Intelligence:State-of-the-Art and Change现存的变化检测综述主要专注于在多时态高光谱图像（HSIs）和高空间分辨率图像。并且大致可总结为以下几种传统技术：1.Visual analysis变化图通过人工解译获得，基于专家知识可提供高度可靠的结果，但费时费力2.Algebra-based methods变化图通过在大量多时态数据上进行代数操作或转换获得，例如：图像差异化、

CBNetV2论文解读论文地址：CBNetV2:A Composite Backbone Network Architecture for Object Detection什么是CBNetV2?CBNetV2使用开源的预训练好的主干网络组成高性能的检测器。这篇论文的主要贡献在于：1.提出了更一般、更高效的网络CBNetV2。2.提出了Dense Higher-Level Composition (DHLC)风格的连接方式和Assistant Supervision（辅助监督）模块，能够更高效的使

Vision TransformerTransformer原本是用在NLP上的模型，直到Vision Transformer的出现，transformer开始了在视觉领域的应用。论文：An Image is Worth 16x16 Words:Transformer for Image Recognition at ScaleSplit Image into PatchesVision Transformer(以下简称ViT)要求将图片划分为大小相同的Patches在上面的划分中，patches

Swin Transformer阅读笔记文章目录Overall ArchitectureSwin Transformer BlockShifted Windows based Self-Attentionself-attention in non-overlapped windowsShifted window partitioning in successive blocksEfficient batch computation for shifted configurationRelative po

YOLOX论文阅读Baseline:DarkNet53 + SPP Layer 同时加入了一些训练策略，EMA权重更新，cosine学习率机制， IoU loss和IOU-aware分支，在训练cls和obj分支时使用BCE Loss，在reg分支使用IoU LossDecoupled head:强大的数据增强策略：Mosaic 和 MixupAnchor-free : YOLOv4和YOLOv5都遵循YOLO3的Anchor-base策略。下面指出anchor机制的几个问题：1.为了实现最佳的检