1.涨点神器结合，助力YOLO1.1 ICLR2022涨点神器——即插即用的动态卷积ODConv论文：Omni-DimensionalDynamicConvolution论文地址：Omni-DimensionalDynamicConvolution|OpenReviewODConv通过并行策略引入一种多维注意力机制以对卷积核空间的四个维度学习更灵活的注意力。上图给出CondConv、DyConv以及ODConv的差异图。延续动态卷积的定义，ODConv可以描述成如下形式：其中，表示卷积核的注意力标量表示新引入的三个注意力，分别沿空域维度、输入通道维度以及输出通道维度。这四个注意力采用多头注意力

ConvNeXtV2：与屏蔽自动编码器共同设计和缩放ConvNets，论文+代码+实战自从Transformer模型在计算机视觉领域封神后，Facebook发表了ConvNeXtV1版本，证明了使用传统的卷积神经网络模型也能表现出优异的成绩，而ConvNeXtV2是对Transformer模型发起的又一新的挑战！论文地址：该论文的一句话总结：本文利用MAE设计了全卷积掩码自编码器：FCMAE和新的全局响应归一化（GRN）层，并提出一个卷积主干新系列：ConvNeXtV2，它显著提高了纯ConvNet在各种视觉基准上的性能，最小的Atto版本仅有3.7M参数，而最大的Huge版本可高达88.9%

纯卷积神经网络超越SwinTransformer论文地址：https://arxiv.org/pdf/2201.03545.pdf代码地址：https://github.com/facebookresearch/ConvNeXt视觉识别的“Roaring20年代”始于视觉变换器（ViTs）的引入，它很快取代了ConvNets，成为最先进的图像分类模型。另一方面，普通ViTs在应用于一般的计算机视觉任务（如目标检测和语义分割）时面临困难。正是层次变换器（例如，Swin变换器）重新引入了几个ConvNetPrior，才使得Transformers作为一个通用的视觉骨干网络切实可行，并在各种视觉任务

纯卷积神经网络超越SwinTransformer论文地址：https://arxiv.org/pdf/2201.03545.pdf代码地址：https://github.com/facebookresearch/ConvNeXt视觉识别的“Roaring20年代”始于视觉变换器（ViTs）的引入，它很快取代了ConvNets，成为最先进的图像分类模型。另一方面，普通ViTs在应用于一般的计算机视觉任务（如目标检测和语义分割）时面临困难。正是层次变换器（例如，Swin变换器）重新引入了几个ConvNetPrior，才使得Transformers作为一个通用的视觉骨干网络切实可行，并在各种视觉任务

ConvNeXt论文名称：AConvNetforthe2020s论文下载链接：https://arxiv.org/abs/2201.03545论文对应源码链接：https://github.com/facebookresearch/ConvNeXt视频讲解：https://www.bilibili.com/video/BV1SS4y157fu文章目录ConvNeXt0前言1设计方案2Macrodesign3ResNeXt-ify4InvertedBottleneck5LargeKernelSizes6MicroDesign7ConvNeXtvariants8ConvNeXt-T结构图0前言自从

目录引言一、ConvNeXt的介绍1、目标检测的重要性2、YOLOv5的介绍3、ConvNeXt原理和特点4、ConvNeXt结构二、相关研究综述1、目标检测的基础原理和流程2、YOLOv5的特点与局限性3、ConvNeXt技术在目标检测中的应用现状三、ConvNeXt在YOLOv5中的应用与改进1、安装PyTorch和torchvision库，并下载COCO数据集作为训练数据。2、定义ConvNeXt网络结构。这里使用PyTorch的nn.Module模块来创建网络。3、使用ConvNeXt替换YOLOv5的backbone网络。这里采用了更深的ConvNeXt-99结构，并在其后面添加了若

文章目录一、VisionTransformer二、Swin-Transformer三、MobileViT3.1为什么引入CNN与Transformer的混合架构3.2性能对比3.3模型结构3.4MobileViTblock3.5PatchSize对性能的影响3.6模型详细配置四、MobileNet系列模型4.1前言4.2MobileNetV14.2.1深度可分离卷积Depthwiseseparableconvolution4.2.2MobileNetV1网络结构4.3MobileNetv24.3.1Invertedresidualblock4.3.2MobileNetv2网络结构4.3.3Mo

论文地址： https://arxiv.org/pdf/2303.16900.pdf代码： GitHub-sail-sg/inceptionnext:InceptionNeXt:WhenInceptionMeetsConvNeXt单位：NUS,SeaAILab(颜水成等人)1. InceptionNeXt介绍摘要：受ViT的long-range建模能力的启发，大核卷积来扩大感受野用于提升模型性能，比如ConvNeXt了采用7x7深度卷积。虽然这种深度操作符只消耗少量FLOPs，但高内存访问成本，它在很大程度上损害了强大计算设备上的模型效率。为了解决这个问题，我们提出将大核深度卷积分解为沿通道维

文章目录摘要安装包安装timm安装grad-cam数据增强Cutout和MixupEMA项目结构计算mean和std生成数据集关于不上分的问题摘要论文：https://arxiv.org/pdf/2301.00808.pdf论文翻译：https://wanghao.blog.csdn.net/article/details/128541957官方源码：https://github.com/facebookresearch/ConvNeXt-V2当前的主干网络几乎是Transformers的时代，ConvNeXt为数不多的的高性能CNN网络，V1版本就证明了其强大的存在，在V2版本中，作者提出了

文章目录1、前言2、设计方案3、Macrodesign4、ResNeXt-ify5、InvertedBottleneck6、LargeKernelSizes7、MicroDesign8、ConvNeXtvariants9、ConvNeXt-T结构图代码部分1、StochasticDepth2、Block3、ConvNeXtConvNeXt论文名称：AConvNetforthe2020s论文下载链接：https://arxiv.org/abs/2201.03545源码链接：https://github.com/facebookresearch/ConvNeXt太阳花的小绿豆的视频讲解：https