BERT详解：概念、原理与应用
对bert的原理，结构，预训练过程进行介绍
YOLOv5训练结果分析
YOLOv5训练结果分析
BraTS2021脑肿瘤分割实战
脑肿瘤分割是MICCAI所有比赛中历史最悠久的，到2021年已经连续举办了10年，参赛人数众多，是学习医学图像分割最前沿的平台之一。简介： 胶质母细胞瘤和具有胶质母细胞瘤分子特征的弥漫性星形细胞胶质瘤（WHO 4 级星形细胞瘤）是成人中枢神经系统最常见和最具侵袭性的恶性原发性肿瘤，在外观、形状和组
连夜看了30多篇改进YOLO的中文核心期刊 我似乎发现了一个能发论文的规律
第1种：焕然一新的创新；比如Faster-RCNN、Yolov1、Transformer、ShuffleNet等，能……第2种：守正出奇的创新；比如将图像金字塔改进为特征金字塔……第3种：各种先进算法集成的创新，比如……
一些关于Yolov5的改进点及实验结果(新增YOLOv5网络结构图)
公开了个人实验数据及配置文件代码
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🍀
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。
