w_study_ty的博客

该论文是Transformer模型在计算机视觉领域的应用，Swin Transformer的输入与DETR不同，同为Transformer模型在计算机视觉领域的应用，Swin Transformer是直接将image作为输入不需要CNN为主干网络进行特征提取，而且DETR是将image输入到CNN主干网络中进行特征提取，然后将feature map当作输入进行embedding。Swin Transformer提出的层级转换器，为了解决计算复杂度问题，以及多层特征融合问题，其中对patch进行编码和层级转换

该论文为Transformer跨界论文，在原有的DETR的基础上做出改进，并且在COCO 2017数据集上取得了理想的成绩。该模型针对DETR收敛速度慢，训练时间长和对小物体检测效果不理想进行了相应的改进。网络结构该论文与DETR结构类似，同样也是由CNN进行特征的提取，通过Transformer模块进行特征和位置编码解码。1.主干网络Deformable DETR的主干网络也是采用的CNN进行特征提取，该论文主要使用了ResNet-50和ResNet-101作为主干网络，在ImageNet上进

该论文为为最近比较热门的Transformer跨界论文，以DETR为基础进行改进，并且再COCO数据集上取得了很好的成绩。该结构主要就两个方向进行改进，第一个是同一区域多个目标的问题，第二个是attention机制内存消耗的问题。网络结构该论文与DETR结构类似，同样由CNN与Transformer组成。先由CNN进行特征提取， 再由Transformer结构将特征进行编码和预测。1.主干网络该论文中主干网络与DETR相同，同样是CNN进行提取特征，本文中主要使用ResNet-50和ResNet

该论文为跨界论文，将机器翻译的Transformer结构用在了目标检测以及语义分割上，在COCO数据集上超越了Faster R-CNN。将Transformer应用到计算机视觉方面，简化了检测的流程（不需要很多手动设计的组件，如非最大抑制，或者锚）。该网络基于集合的全局损耗，通过二分匹配和Transformer中的编码解码器架构来进行预测。网络结构该论文由CNN与Transformer组成，由CNN提取特征，再通过Transformer结构将特征进行编码预测。下图为网络各部分具体的结构。1.主干

该论文为机器翻译方向。是attention机制为基础，以减少顺序计算为目标，将编码器解码器的复杂递归或卷积神经网络改进成本文的Transformer网络架构，避免了递归和卷积的使用。实验中表明，该模型在质量上更优越，同时更具有并行性，并且减少了训练的时间。网络结构上图为Transformer的网络结构，采用堆叠的自注意力（self-attention）和逐点全连接的解码器和编码器。编码器（Encoder）编码器结构为上图左边，由N=6个的相同层堆叠而成，每层有两个子层。这两个子层分别由Multi-

该论文为one-stage目标检测。设计了ARM（Anchor Refinement Module）、TCB（Transfer Connection Block）、ODM（Object Detection Module）。通过ARM将box由粗到细的进行回归，再通过TCB将特征输入到ODM中。网络结构该论文采用的FPN（Feature Pyramid Network），使用了VGG16和ResNet-101作为主干网络，分别构建了ARM和ODM进行回归和分类，通过TCB将ARM和ODM的每层进行

该论文为one-stage目标检测。是以RetinaNet为基础，增加了FRM（feature refinement module）以及设计了一个可导的近似偏斜损失函数（approximate SkewIoU），目的为了解决目标检测的三大挑战：1.大纵横比目标，2.密集目标的图像，3.任意旋转目标的图像。针对不同的场景做出相对应的解决方案。网络结构该论文是在RetinaNet的基础上进行增加新的模块和改变损失函数设计而成的，每层FPN连接着分类子网（class subnet）和边界盒回归子网（b

本文为one-stage目标检测。主要对损失函数进行改进（Focal Loss），用来解决正负样本类别不平衡问题，并且增加hard sample在损失函数中的重要性。网络结构本文的网络名为RetinaNet，基于FPN（Feature Pyramid Networks）。以FPN为主干网络，FPN可以提取不同尺度的特征。在每个特征层有两个子网络，一个是分类子网络（class subnet），另一个是边界盒回归子网络（box subnet）。1.分类子网络（class subnet）分类子