DETR系列
未读
DeformableDETR论文阅读梳理
DCN(Deformable Convolution Networks): 在卷积当中引入了学习空间集合形变的能力，不再是使用常规的领域矩阵卷积，而是让卷积自动的去学习需要卷积的周围像素，以此可以适应更复杂的几何形变任务。 作者想法：将DCN和DETR相结合，DETR不是收敛慢和计算量大麻，而且主要
DETR系列
未读
DETR论文阅读梳理
创新点 端到端: 去除NMS和anchor，没有那么多的超参，计算量也大大减少，整个网络变得很简单。 提出一种全新的基于集合的损失函数: 通过二分图匹配的方法强制模型输出一组独一无二的预测框，每个物体只会产生一个预测框，这样就将目标检测问题直接转换为集合预测的问题，所以才不用nms，达到端到端的效果
RGB目标检测
未读
LSKNet论文阅读梳理
论文的模型结构图 论文中说的就是我用两个串联的5×5、7×7的分组卷积来模拟大核卷积，这两个卷积串联它们的感受野就相当于23×23的卷积，至于用分组卷积主要是在空间维度上进行操作，通道维度不变。通过两个串联的卷积后，然后通过两个并行的1×1的卷积，将通道数减半，并将两个特征图沿着通道维度进行拼接。我