目录文章信息写在前面Background&MotivationMethodDCNV2DCNV3模型架构Experiment分类检测文章信息Title：InternImage:ExploringLarge-ScaleVisionFoundationModelswithDeformableConvolutionsPaperLink：https://arxiv.org/abs/2211.05778CodeLink：https://github.com/OpenGVLab/InternImage写在前面拿到文章之后先看了一眼在ImageNet1k上的结果，确实很高，超越了同等大小下的VAN、RepLK

文章目录摘要“书生2.5”的应用1.图像模态任务性能2.图文跨模态任务性能核心技术安装DCNV3改进方法改进一改进二改进三结果对比改进一改进二改进三总结摘要他来了！他来了！他带着氩弧焊的光芒过来了！作为CV的大模型，InternImage的光芒太强了。2023年3月14日:🚀“书生2.5”发布！2023年2月28日:🚀InternImage被CVPR2023接收!2022年11月18日:🚀基于InternImage-XL主干网络，

所谓“复现”，不过是跑通了官方的代码，以下仅为个人的一些经验和理解，欢迎指正。（其实仅作为个人学习使用，也欢迎交流）首先贴出官方文献和代码：官方文献：InternImage:ExploringLarge-ScaleVisionFoundationModelswithDeformableConvolutions，链接：InternImage:ExploringLarge-ScaleVisionFoundationModelswithDeformableConvolutions|PapersWithCode官方Github代码：GitHub-OpenGVLab/InternImage:[CVPR2

声明本篇文章的相关图片来源于论文：InternImage:ExploringLarge-ScaleVisionFoundationModelswithDeformableConvolutions论文链接如下：https://arxiv.org/pdf/2211.05778.pdf碍于本人的知识水平所限，本篇文章的总结可能存在不妥之处如作为参考，请谨慎推理内容的真实性欢迎各路大佬指出问题！文章分类领域定位计算机视觉领域细分骨架Backbone这篇文章得出的结论是什么？或者说：这篇文章讨论了什么问题？基于CNN的不同于常规视觉ViTs的新型模型骨架架构InternImage介绍与讨论这篇文章的创新