YOLO_v4讲解
YOLO_v4最全讲解
2022图像去雨综述研读——单幅图像去雨数据集和深度学习算法的联合评估与展望
数据集的质量依据数据集构建方式分类：基于背景雨层简单加和背景雨层复杂融合GAN数据驱动合成的数据集半自动化采集的真实数据集图像去雨方法依据任务场景单任务——雨滴、雨纹、雨雾和暴雨的去除联合任务——雨滴和雨纹、所有噪声去除依据采取的学习机制和网络设计CNN结构多分支组合GAN的生成结构循环和多阶段结构
基于yolov5s+bifpn实践隧道裂缝裂痕检测
基于yolov5s+bifpn实践隧道裂缝裂痕检测
李沐论文精读系列二：Vision Transformer、MAE、Swin-Transformer
本文是参考李沐bilibil论文精度视频和太阳花的视频/博文后所写
yolov5中的best.pt
yolov5中的best.pt，best是啥意思？
【代码解读】Transformer（一）——Encoder
encoder-decoder
rknn_yolov5执行流程
RV1109上测试rknn_yolov5_demo以及分析
torch.cat()中dim说明
初次接触众多博客对dim的讲解为，对于两个二维张量作为输入，dim取0结果为两个张量按行拼接，取1结果为按列拼接，但是对于高维来说就有点难以直观想象结果了，我们尝试三维情况进而总结规律。其中初学者最费解的就是dim的选取，dim的取值范围由输入张量的维度决定，输入为n维张量，dim取值在[0,n-1
使用OpenAI的Whisper 模型进行语音识别
Whisper模型是在68万小时标记音频数据的数据集上训练的，其中包括11.7万小时96种不同语言的演讲和12.5万小时从”任意语言“到英语的翻译数据。该模型利用了互联网生成的文本，这些文本是由其他自动语音识别系统(ASR)生成而不是人类创建的。该数据集还包括一个在VoxLingua107上训练的语
BP神经网络
1.概念： BP（back propagation）即为反向传播，意为反向传播神经网络。
YOLOv5内置--hyp超参配置文件对比
YOLOv5内置--hyp超参配置文件对比YOLOv5有大约30个超参数用于各种训练设置。这些是在目录中*.yaml的文件中定义的/data。更好的初始猜测会产生更好的最终结果，因此在演化之前正确初始化这些值很重要。lr00.01#初始学习率(SGD=1E-2,Adam=1E-3)lrf0.01#最
【YOLOV5-6.x讲解】YOLO5.0VS6.0版本对比+模型设计
减少操作：使用SPPF()代替原本的SPP() 更好的导出性：将Focus()替换为一个等效的Conv(k=6,s=2,p=2) 提高速度：将backbone中的 P3 中的 C3() 从重复次数从9减少为6更新超参数：增加了 mixup 和 copy-paste 的数据增强在最后一个C3() 主干
强化学习领域值得关注的国际顶级会议
强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。今天给大家介绍几个强化学习领域值得关注的顶级会议。
AdvDrop——一种通过丢弃频域信息的对抗样本
AdvDrop: Adversarial Attack to DNNs by Dropping Information——基于丢弃频域信息的对抗攻击
【YOLO系列】YOLOv5超详细解读（网络详解）
带你详细了解YOLOv5算法，超详细！
Pytorch 中打印网络结构及其参数的方法与实现
pytorch 中打印网络结构及其参数的方法与实现
k210——Maixhub 云端模型训练
k210——Maixhub 云端模型训练
使用Tansformer分割三维腹部多器官--UNETR实战
不会 transformer 没关系，本教程开箱即用。Tina姐总算对transformer下手了，之前觉得难，因为刚开始学序列模型的时候就没学会。然后就一直排斥学transformer。这两周没什么事，加上MONAI有现成的教程，就打算先跑通后，再学理论。然后，顺利的跑通了代码，再学了一周理论，发
EndNote登录或注册方法
EndNote登录或注册方法
论文阅读笔记：ShuffleNet
背景由于深度学习模型结构越来越复杂，参数量也越来越大，需要大量的算力去做模型的训练和推理。然而随着移动设备的普及，将深度学习模型部署于计算资源有限基于ARM的移动设备成为了研究的热点。ShuffleNet[1]是一种专门为计算资源有限的设备设计的神经网络结构，主要采用了pointwise group
