DETR(detectiontransformer)简介DETR是FacebookAI的研究者提出的Transformer的视觉版本，是CNN和transformer的融合，实现了端到端的预测，主要用于目标检测和全景分割。DETR的Github地址：https://github.com/facebookresearch/detrDETR的论文地址：https://arxiv.org/pdf/2005.12872.pdfDETR训练自己数据集数据准备DETR需要coco数据集才可以进行训练，需要将数据标签和图片保存为如下格式：其中，annotations是如下json文件，test、train和

DETR(detectiontransformer)简介DETR是FacebookAI的研究者提出的Transformer的视觉版本，是CNN和transformer的融合，实现了端到端的预测，主要用于目标检测和全景分割。DETR的Github地址：https://github.com/facebookresearch/detrDETR的论文地址：https://arxiv.org/pdf/2005.12872.pdfDETR训练自己数据集数据准备DETR需要coco数据集才可以进行训练，需要将数据标签和图片保存为如下格式：其中，annotations是如下json文件，test、train和

参考教程：ScriptableRenderFeatureUnity版本：2019.4搭建URP场景RenderFeature作用是支持SRP扩展自定义渲染pass，因此需要在SRP下使用，这里选择URP，在packagemanager中找到UniversalRP并install。 创建一个前向渲染管线资产，会生成一个UniversalRenderPipelineAsset和UniversalRenderPipelineAsset_Renderer文件。 在Edit-ProjectSettings-Graphics中将渲染管线设置为刚设置好的URPAsset 场景就自由发挥搭建吧RenderFe

参考教程：ScriptableRenderFeatureUnity版本：2019.4搭建URP场景RenderFeature作用是支持SRP扩展自定义渲染pass，因此需要在SRP下使用，这里选择URP，在packagemanager中找到UniversalRP并install。 创建一个前向渲染管线资产，会生成一个UniversalRenderPipelineAsset和UniversalRenderPipelineAsset_Renderer文件。 在Edit-ProjectSettings-Graphics中将渲染管线设置为刚设置好的URPAsset 场景就自由发挥搭建吧RenderFe

遥感图像目标检测论文阅读分享-Fastandaccuratemulti-classgeospatialobjectdetectionwithlarge-sizeremotesensingimageryusingCNNandTruncatedNMS本文介绍介绍（Introduction）目前遥感图像目标检测存在的困难:本文提出的方法Multi-volumeYOLOv4YOLOv4网络结构networkpruningornetworkexpansion网络剪枝和网络扩张Manhattan-DistanceintersectionoverunionlossTruncatedNMSalgorithmE

遥感图像目标检测论文阅读分享-Fastandaccuratemulti-classgeospatialobjectdetectionwithlarge-sizeremotesensingimageryusingCNNandTruncatedNMS本文介绍介绍（Introduction）目前遥感图像目标检测存在的困难:本文提出的方法Multi-volumeYOLOv4YOLOv4网络结构networkpruningornetworkexpansion网络剪枝和网络扩张Manhattan-DistanceintersectionoverunionlossTruncatedNMSalgorithmE

AttentionalFeatureFusion注意力特征融合最近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！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia

AttentionalFeatureFusion注意力特征融合最近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！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia

YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/

YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/