摘要：
1. 现象阐述 描述现象，产生原因，建议和总结观点 Nobody coulld have failed to notice the fact that __ has become agrave problem with which modern citizens are confronted . A 阅读全文
摘要：
1. 体素下采样，网格采样 在网格采样中，点云被分割成规则的网格或体素，然后从每个网格或体素中选择一个代表点。 效率高采样点分布相对比较均匀可以通过控制网格尺寸控制点间距不能精确控制采样点个数可能会导致信息丢失，因为它可能无法捕捉到点云中的局部细节 2. 随机下采样 这是最简单的点云随机采样方法之一 阅读全文
摘要：
域适应(Domain Adaptation) 是机器学习领域中的一个重要问题，它涉及将一个域中训练的模型或算法应用到另一个相关但不同的域中，以提高模型在目标域中的性能。在实际应用中，数据分布通常在不同域之间存在差异这可能会导致在目标域中性能下降的问题。域适应的目标是通过适应数据分布差异，使模型在目标 阅读全文
摘要：
加速计算(效果不一定好)-> CNN 如何做选择，可以不同head做不同选择。 CNN中注意力的获取 SENet 的核心思想在于通过网络根据 损失函数值loss去学习特征权重，使得对于任务更为效 果明显的特征图权重变大，无效果或效果不明显的特征 图权重变小的方式来训练模型从而达到更好的结果 注意力机 阅读全文
摘要：
赛题任务 : 语义分割任务赛题思路 : 构建深度学习语义分割模型完成步骤1: 基本的语义分割模型 (FCN或UNet )、损失函数，跑通流程步骤2 : 根据交又验证训练多个模型，完成模型结果集成步骤3 : 对预测闻值进行搜索&可视化，改进损失函数&模型结构步骤4 :寻找外部数据，构建预训练模型步骤5 阅读全文
摘要：
摘要核心1.本文提出一种可以适用于多种任务的backbone->swin transformer2.Transformer迁移到CV中有两点挑战->物体尺度不一，图像分辨率大3.为了解决尺度不一的问题，Swin Transformer使用了分层的结构(Pyramid)4.为了能够在高分辨率上运行，S 阅读全文
摘要：
目前的方法，无论是单阶段的还是两阶段的，无论是Anchor Based还是Ancho一例外的需要使用后处理方法->NMS来过滤掉冗余的预测框这是因为目前的方法全都基于Dense Frediction,合人类识别物体的方在原理上，这种操作方式不符式。在实践中，这会导致目标检测中会有一系列的手工设计痕迹 阅读全文
摘要：
DETR是一个简洁的pipeline，但有一部分操作还是Dense的DETR提出了一套不同于Dense Prediction的pipeline，将检测视为一个Set Prediction问题，成功去掉了Anchor Generation和NMS但是在Decoder中，Object Query和Fea 阅读全文
摘要：
1. 为什么有patch0，需要一个整合信息的向量，如果只有原始输出的9个向量，用哪个向量来分类都不好。 全用计算量又很大所以加一个可学习的vector，也就是patch 0来整合信息。分类需要，分割和检测不是 2. 位置编码 图像切分重排后失去了位置信息并且Transformer的内部运算是空间信 阅读全文
摘要：
1. 一阶段和二阶段目标检测 一阶段：直接输出，端到端 二阶段：先提取候选框，再分析甄别 histogram of oriented gradient，HOG scale invariant feature transform，SIFT 单发多框检测与区域卷积神经网络(R-CNN)也存在以下主要区别 阅读全文
