c语言修仙指针,C语言修仙

指针(7)(2/2)

AD1

AD4。”林浔答应了。

东君从一旁桌上打开眼睛盒,戴回了细金镜框的眼镜。

眼镜很好地淡化了他的五官,戴上的那一刹那,方才冰冷强大的低气压仿佛瞬间散去,林浔眼前又是那个优雅随和的东君了。

林浔产生了些微的好奇:“您近视么?”

东君:“不近视。”

林浔:“那……眼镜用来做装饰?”

东君看着他,似乎挑了挑眉,然后道:“防蓝光。”

“这样么。”林浔笑了笑:“只是觉得您戴眼镜很好看。”

东君也勾了勾唇。

“阮芷也这样说,”他道:“后来我发现,不戴眼镜的时候,他们好像不敢和我说话。”

“很不一样,”面对此时的东君,林浔的话渐渐多了起来:“现在我会觉得您很温柔,但是刚才,就觉得您是那种……很冷漠的人。”

东君微微蹙了眉:“吓到你了?”

“没有。”林浔摇头:“就是有点不敢说话。”

东君:“所以,你以为……现在我很好说话?”

林浔制止试图咬屏幕的指针,道:“嗯。”

他看见东君眼里笑意深了一些。

东君道:“或许。”

林浔:“毕竟您一直对我很好,还养了猫。”

说罢,他看着怀里乖巧的指针:“您一定很宠指针。”

东君:“你可以不用说‘您’。”

“不行,”林浔道:“那样我就不知道该怎么说话了。”

东君:“这样会让我觉得你和指针是同一个物种。”

林浔:“……”

他张了张嘴,想去掉敬语,尝试失败。

他只能道:“……您恐怕会一直这样觉得了。”

东君:“我适应一下。”

林浔抱着指针笑。

东君:“你在笑什么?”

林浔:“不知道。”

——仿佛只要东君对自己的态度比较和善,他就也放松很多。

东君:“好好休息。”

林浔:“……”

他:“我的精神状态还是很正常的。”

东君笑了笑,没有再说话。

接下来的话题普普通通,靠天气和指针的状态强行尬聊五分钟后,通话结束。

林浔从电脑椅上离开,仰面躺在床上,把指针举起来。

“指针,”他道:“我觉得你家东君还是挺待见我的。”

“我从很早就……”他说到这里,笑了一下,抿了抿唇,没有继续说下去:“我感觉好像在做梦。”

指针歪了歪脑袋。

林浔发现,它身上的程序框又没了。

他把指针放下来,猫在他胸口坐下,尾巴尖在身后甩了甩,去勾他的手臂。

林浔:“你还会这样玩?”

他想了想,自言自语:“不是说,猫不是很能感受到自己的尾巴么?所以它们经常追着尾巴转圈。”

指针的尾巴似乎僵住了。

AD2

AD3

温馨提示:按 回车[Enter]键 返回书目,按 ←键 返回上一页, 按 →键 进入下一页,加入书签方便您下次继续阅读。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值