深度学习之BP神经网络
算法是神经网络深度学习中最重要的算法之一，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。基本结构如图：其主要包含三部分（由左到右）1：输入层：输入数据2：隐含层：输入与输出之间的数据分析加工厂，通过各种参数（权重，偏差值）以及激活函数等其他数据处理方法与两边建立联
[YOLOv7/YOLOv5系列算法改进NO.11]主干网络C3替换为轻量化网络MobileNetV3
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效
手把手带你Yolov5 (v6.x)添加注意力机制(一)（并附上30多种顶会Attention原理图）(新增8种)
Yolov5 (v6.x)添加注意力机制教程（并附上30多种顶会Attention原理图）2022/10/30新增8种源码，完美适配YOLO系列算法🍀
YOLOv4网络详解
YOLOv4是2020年Alexey Bochkovskiy等人发表在CVPR上的一篇文章，并不是Darknet的原始作者Joseph Redmon发表的，但这个工作已经被Joseph Redmon大佬认可了。之前我们有聊过YOLOv1～YOLOv3以及Ultralytics版的YOLOv3 SPP
计算机视觉项目-实时目标追踪
目标追踪技术对于民生、社会的发展以及国家军事能力的壮大都具有重要的意义。它不仅仅可以应用到体育赛事当中目标的捕捉，还可以应用到交通上，比如实时监测车辆是否超速等！对于国家的军事也具有一定的意义，比如说导弹识别目标等方向。所以说实时目标追踪技术对于整个社会来说都是非常重要的！目前被应用的比较多的，而且
基于pyskl的poseC3D训练自己的数据集
基于骨骼点的视频目标识别
【pytorch】ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
[YOLOv7/YOLOv5系列算法改进NO.7]损失函数改进
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效
[ 注意力机制 ] 经典网络模型3——ECANet 详解与复现
[ 注意力机制 ] 经典网络模型3——ECANet 详解与复现1、Efficient Channel Attention Module2、ECANet 详解3、ECANet 复现简称 ``ECA``，2020年 提出的一种 ``高效通道注意力(ECA)模块`` ；该模块只涉及少数几个 参数，但具有明
综述：计算机视觉中的通道注意力机制
综述：计算机视觉中的通道注意力机制这是一篇从数据域的角度，给注意力机制分为六类的综述，涵盖论文数量多。论文题目：Attention Mechanisms in Computer Vision: A Survey论文链接：https://arxiv.org/pdf/2111.07624.pdf论文代码
自注意力机制(Self-Attention)
自注意力机制
PyTorch的Dataset 和TorchData API的比较
从版本1.11开始，PyTorch引入了TorchData库，它实现了一种不同的加载数据集的方法。
Yolov5算法解读
yolov5于2020年由glenn-jocher首次提出，直至今日yolov5仍然在不断进行升级迭代。Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中，这几个模型的结构基本一样，不同的是和这两个参数。yolov5主要分为输入端，backbone，Neck
论文推荐：CCNet用于语义分割的交叉注意力
CCNet， Transformer递归交叉自注意力，比非局部神经网络更有效。华中科技大学、地平线、ReLER 和伊利诺伊大学香槟分校联合研发
变分自编码器VAE的数学原理
变分自编码器(VAE)是一种应用广泛的无监督学习方法，它的应用包括图像生成、表示学习和降维等。
焊缝质量检测数据集
很多人在最开始做目标检测的时候没有自己的数据集，或者是由于自己的专业方向需要的就是比如：缺陷、质量等特定专业领域内的数据集，所以看到这里就感觉很相关。写这篇文章最大的初衷就是最近频繁的有很多人私信问我相关的数据集的问题，基本上都是从我前面的目标检测专栏里面的。由于之前的文章过去的时间有点久了，上周一
论文精读：Towards Total Recall in Industrial Anomaly Detection
背景：在工业图像的异常检测中，最大的问题就是冷启动的问题。首先，在训练集中都是正常的图片，模型很容易捕获到正常图像的特征，但是很难捕获到异常缺陷的样本（这类样本很少，获取也难）其次，分布漂移。正常图像和异常图像分布是不一样的，模型学习的是正常图像的数据分布，而异常图像的数据分布和正常图像不一样AD数
nn.Flatten()函数详解及示例
torch.nn.Flatten(start_dim=1,end_dim=-1)作用：将连续的维度范围展平为张量。 经常在nn.Sequential()中出现，一般写在某个神经网络模型之后，用于对神经网络模型的输出进行处理，得到tensor类型的数据。
Yolov5实例分割Tensorrt部署实战
基于ultralytics最新发布的yolov5，6.2版本，本文对其中的实例分割模型，采用cpp与tensorrt加速推理
