Attentional Feature Fusion 注意力特征融合
看到一篇比较不错的特征融合方法，基于注意力机制的 AAF ，与此前的 SENet、SKNet 等很相似，但 AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在 Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！
【CUDA安装详细教程】
windows10 版本安装 CUDA ，需要下载两个安装包CUDA toolkit（toolkit就是指工具包）和cuDNN，cuDNN 是用于配置深度学习使用官方教程。
Faster R-CNN最全讲解
Faster R-CNN最全讲解
AI画图 Disco-diffusion 本地搭建测试
Disco Diffusion图像生成网络，输入文字输出美图。
YOLOv5改进之十一：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
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
手把手教你安装CUDA（一看就会）
手把手教你安装CUDA（一看就会）
在CPU上跑yolov5（详细步骤+适合入门）
非常详细的步骤，适合新手，不要一天就可以跑通！
[ 注意力机制 ] 经典网络模型2——CBAM 详解与复现
[ 注意力机制 ] 经典网络模型2——CBAM 详解与复现1、Convolutional Block Attention Module2、CBAM 详解Channel Attention ModuleSpatial Attention Module3、CBAM 复现简称 ``CBAM``，2018年
【魔改YOLOv5-6.x（中）】加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN
文章目录前言一、ACON激活函数论文简介ACON familyYOLOv5中应用二、注意力机制CBAM论文简介CBAM注意力机制YOLOv5中应用CA论文简介Coordinate AttentionYOLOv5中应用三、BiFPN特征融合论文简介双向加权特征金字塔BiFPNYOLOv5中应用Refe
YOLOV7详细解读（一）网络架构解读
继美团发布YOLOV6之后，YOLO系列原作者也发布了YOLOV7。YOLOV7主要的贡献在于：1.模型重参数化YOLOV7将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。2.标签分配策略YOLOV7的标签分配策略采用的是YOLOV5的跨网格搜索，以及YOLOX的匹配策略。
YOLOv5改进之YOLOv5+GSConv+Slim Neck
3、修改配置文件，将YOLOv5s.yaml的Neck模块中的Conv换成GSConv ，C3模块换为VoVGSCSP。将YOLOv5s.yaml的Neck模块中的Conv换成GSConv，C3模块换为VoVGSCSP。2、找到yolo.py文件里的parse_model函数，将类名加入进去，注意有
LabelImg（目标检测标注工具）的安装与使用教程
本篇文章主要是方便大家安装labelimg以及使用labelimg的一些小技巧，在目标检测上面，在标注图片上面，了解一些labelimg及其使用还是很有必要的。
R-CNN史上最全讲解
R-CNN史上最全讲解
手把手教你用UNet做医学图像分割系统
兄弟们好呀，这里是肆十二，这转眼间寒假就要过完了，相信大家的毕设也要准备动手了吧，作为一名大作业区的UP主，也该蹭波热度了，之前关于图像分类和目标检测我们都出了相应的教程，所以这期内容我们搞波新的，我们用Unet来做医学图像分割。我们将会以皮肤病的数据作为示范，训练一个皮肤病分割的模型出来，用户输入
YOLOV7改进--添加CBAM注意力机制
YOLOV7改进--添加CBAM注意力机制
“OSError: [WinError 1455]页面文件太小，无法完成操作。”解决方案
引言某次在Windows系统上跑深度强化学习多进程程序时报错：OSError: [WinError 1455]页面文件太小，无法完成操作。具体错误如下图所示最后借助这篇博文：多种方法彻底解决pycharm中: OSError: [WinError 1455] 页面文件太小，无法完成操作 的问题，顺利
fast-rcnn详解
FastR-CNN算法及训练过程R-CNN显著提升了目标检测算法的性能，但因为计算过于复杂，耗时很长，所以在实际的应用系统中，大都无法使用。经过分析可知，R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的。在训练
【目标检测-YOLO】YOLOv5-v5.0-yolov5s网络架构详解（第一篇）
源码：GitHub - ultralytics/yolov5 at v5.0由于YOLO v5 代码库在持续更新，如上图，有多个版本，每个版本的网络结构不尽相同。以下内容以 v5.0 为准，网络结构选用 yolov5s。为了方便画图和理解网络结构，选用可视化工具：Netron 网页版进行可视化， 然
全局平均池化/全局最大池化Pytorch实现：
全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算
