过客

接上篇:重逢

“美碟”两字让云剑的内心为之一颤,他连忙沿着云剑所指方向望去,却没有看见美碟。

“停车,我要下车。” 云剑坐在后排,身子探前拍了拍月京的肩膀。

“等下,我靠边。” 月京说完找了个路边把车停下,车还未停稳当,云剑便急忙下了车,往回走找去。

“你等下,我去看看。” 一倌说完,便也随云剑下了车。

此刻,天空忽然转暗,骤然下起了雨,其实雨不大,是风搞得紧张。

街上的行人四散,就近找屋檐避雨,云剑在风雨中奔跑张望。

一倌赶了上来,“应该是那个方向。” 说完用手指向路口的一边,云剑便大步奔走过去,不一会儿,便远远的望见一个女子在向躲雨的人发放传单。

没错!就是美碟,云剑的心情越发有些激动。但他却放慢了脚步,慢慢走近美碟。大约有三年时间不见了,她还是那么妩媚动人,眼睛依然明亮,那不是腿,那是观澜河的春水,还有那头发,被雨淋湿的头发贴在不加装饰的面颊上,风卷起了她的裙摆。

他接过她的传单,美碟抬头望见了云剑,目光相遇的瞬间,美碟充满了惊讶,她竟然有些说不出话来,只是痴痴的望着。

云剑看了一眼传单,只见上面印着他的画像,该是她找人素描的,虽然差的有点离谱,但尚能分辨的出来,传单上留有她的联系方式,她在找他,不知道找了多久。

“你好吗?” 云剑开口问她。

“嗯,好,还好。”  美碟答道,停顿了一会儿之后,美碟继续说:“你离开成都,为什么不跟我告别?”

“去过你楼下,没亲口对你说。” 云剑有些愧疚,回忆起了那晚的情景。

云剑接着说:“来这边多久了?”

“有一段时间了,只知道你在深圳,不知道你住什么地方?所以...” 美碟说完晃了一下手里的传单。

“嗯,对了,之前给你买的衣服,终于有机会送给你了。” 美碟说完卸下背包,从里面拿出一件休闲西服,递给云剑,示意他试穿一下。

云剑脱下身上的外套,接过美碟的衣服,穿上试了试。

“谢谢!” 云剑说。

“不错,不过貌似有点小,按当时你晾在二楼的衣服尺寸买的,你胖了。” 美碟说。

“是的,上学那会儿120多,现在快140了。” 云剑说。

“看来过的不错。” 美碟说。

“为什么送我衣服?” “你不是因为我打架把衣服划坏了嘛,所以就想着送你一件,没想到还没送出手,你人就消失了。”

这时一倌走上前去,“嗨,冒昧的打搅一下,两位的情话能不能等下倾诉,现在时机不对,正下着雨呢!”

美碟听罢颇有些不好意思,“嗯,不好意思。”

“这是一倌,大学同学,现在跟我一起合租。” 云剑介绍说。

“你好。” 美碟点头回应。

“你好,美碟,云剑经常提起你。” 一倌接着说,“咱们先找个地方坐下来聊,这雨似是变大了。” 

“好啊。” 说完,三人便去找月京,见了面相互认识,寒暄过后,便找了个馆子点了些酒菜吃起来。

“哎,也不知道美倩咋样了?到家没有。” 推杯置盏之后,一倌感慨了一句。

“谁是美倩啊?” 美碟接过一倌的话问道。

“云剑老婆呗,今天上午被云剑赶走了!” 一倌大概是有点喝多了,“哦。” 美碟听一倌这么一说,忽然倍感失落。

云剑向一倌使了一个眼神,示意他不要胡说,但一倌显然是有点上头,“你说多好一个姑娘,天天给他洗衣做饭,就这,还不满意,人啊!”

云剑在桌子下用脚踢了一下一倌,一倌依然不为所动,“来,来,吃串。” 云剑抓起一根肉串堵住一倌的嘴。

“哎,是啊,这世道真是混账,尽是些痴男怨女的荒唐事,落花有意流水无情,我本江心向明月,奈何明月照沟渠...” 月京饱读《知音》,自从声称被文化抚摸过灵魂之后,说话就出口成章,时而假冒天真,时而故意深刻。

一倌割下手里的串,“什么玩意儿?谁家傻儿子?皇图霸业不学,尽整些没用的风月清雅。” 说完,二话不说,离开桌子,冲出门外,拦了辆车,直冲火车站方向而去。

“我靠!什么情况?受啥刺激?叫我吃饭,自己先跑了??!” 月京说完一脸错愕的看向云剑。

“搞不懂,别管他了,我们继续喝,来,碰一个!” 云剑说完给月京倒上酒。

几瓶啤酒下肚,看见美蝶不远千里,追寻云剑而来,此情此景,不免令月京心生感慨。

“哎,美碟,我可告诫你,不要惯着云剑,不要当舔狗,舔狗舔到最后都一无所有,我就是舔狗的经典案例,你要警惕啊!” 月京一本正经的对美碟诉说道。

就这样,三个人,一边说一边喝,直到小店打烊。

因为喝了酒也不能开车,几人便在街边晃荡,路边的霓虹灯闪烁,夜已深了,没有了白日里的喧嚣繁忙。

这个城市,形形色色很多人,有人结婚,有人单身,但就像萧伯纳说的那样,想结婚的就结婚,想单身的就维持单身,反正最终都会后悔,巷子里的猫很自由,去没有归宿,围墙里的狗有归宿,却终身都得低头...

而此刻的一倌,却正在奔赴美倩老家城市的火车上...

### 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 1
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