AConvNetforthe2020s摘要1.引言2.ConvNet现代化：路线图2.1训练技巧2.2宏观设计2.3ResNeXt-ify2.4倒置瓶颈结构（Mobilenetv2）2.5大卷积核2.6微观设计3.Imagenet上的实验评估3.1实验配置3.2结果3.3各向同性的ConvNeXtVS.ViT4下游任务的实验评估5.相关工作6.结论本博客仅作为AConvNetforthe2020s这篇论文的中文翻译，供日后学习使用，侵删。作者：ZhuangLiu1,2*HanziMao1Chao-YuanWu1ChristophFeichtenhofer1TrevorDarrell2Saini

1、简介    Inception网络是卷积神经网络发展史上一个重要的里程碑。在Inception网络出现之前，大部分流行卷积神经网络都是把卷积层堆叠得越来越多，使网络越来越深，来对特征进行多次处理，以此希望能够得到更好的性能。Inception网络对输入图像进行并行采集特征，并将所有输出结果拼接为一个非常深的特征图，由于并行提取特征时卷积核大小不一样，这也就在一定程度上丰富了特征，使特征多样化。2、inception网络结构          类似上述这种并行采集信号特征的方式，输入一张图片进来，会有1*1、3*3、5*5等不同大小的卷积核进行特征提取。这样，网络中每一层都能学习到不同的特征

💖💖>>>加勒比海带，QQ2479200884🍀🍀>>>【YOLO魔法搭配&论文投稿咨询】✨✨>>>学习交流|温澜潮生|合作共赢|共同进步📚📚>>>人工智能|计算机视觉|深度学习Tricks|第一时间送达ICLR2022 助力YOLO|动态卷积ODConv：大幅提升小目标检测能力！！论文题目：Omni-DimensionalDynamicConvolution论文链接：https://openreview.net/forum?id=DmpCfq6Mg39作者将CondConv中一个维度上的动态特性进行了扩展，同时了考虑了空域、输入通道、输出通道等维度上的动态性，故称之为全维度动态卷积。ODCo

💖💖>>>加勒比海带，QQ2479200884🍀🍀>>>【YOLO魔法搭配&论文投稿咨询】✨✨>>>学习交流|温澜潮生|合作共赢|共同进步📚📚>>>人工智能|计算机视觉|深度学习Tricks|第一时间送达ICLR2022 助力YOLO|动态卷积ODConv：大幅提升小目标检测能力！！论文题目：Omni-DimensionalDynamicConvolution论文链接：https://openreview.net/forum?id=DmpCfq6Mg39作者将CondConv中一个维度上的动态特性进行了扩展，同时了考虑了空域、输入通道、输出通道等维度上的动态性，故称之为全维度动态卷积。ODCo

前言：卷积神经网络是深度学习算法中一个重要组成部分，在深度学习图像识别技术的应用中起到了关键作用。卷积神经网络和循环神经网络(RNN)都是类似于传统的全连接神经网络(也叫深度神经网络，简称DNN)，CNN属于编码了空间相关性的DNN，RNN属于编码了时间相关性的DNN。由于图像任务的不同，CNN的网络层也会有些许变动，但是基本上都会使用到卷积层、池化层以及非线性层。为了加深这方面理论知识的理解，本文将从多方面深入讲解CNN中的卷积操作、池化操作以及激活函数。目录1、卷积层1.1卷积计算1.2卷积层的特点1.3 常用的卷积操作2、池化层2.1池化的作用2.2 常用的池化操作3、非线性层3.1激活

一、区块链        区块链源于比特币，比特币交易系统背后的技术就是用的区块链技术，相对于现实社会中，账本往往掌握在少数人手中，比如会计等，账本是集中的，而比特币交易中每个人手中都有一份账本，交易系统每次通过一定的奖励机制安排一个网络用户来记录账本，记录完成后会公布账本，因为账本传播的方式是p2p也就点到点的方式，所以账本是分布式账本，如果有人像篡改账本，那就要修改所有账本，所以账本具有公开透明，账目可靠，去中心化等特点，区块链技术从本质上讲，它是一个共享数据库，存储于其中的数据或信息，具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征，区块链在金融，支付等方面有非常大

13d卷积的官方详解 22D卷积与3D卷积1）2D卷积    2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积    对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：  2D多通道卷积    在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该被怎样扫描呢？会有怎样的输出呢？    在一次扫描中，我们输入了一张拥有三个通道的彩色图像。对于这张图，拥有同样尺寸、但不同具体数值的三个卷积核会分别在三个通道上进

1.空洞卷积的介绍空洞卷积（AtrousConvolution）又名膨胀卷积（DilatedConvolution）。dilated英[daɪˈleɪtɪd]美[daɪˈleɪtɪd]v.扩大;(使)膨胀，扩张;[词典]dilate的过去分词和过去式;atrousadj.深黑的；暗灰色的；纯黑色的;1.1空洞卷积和普通卷积的对比下面是普通的卷积：kernel_size=3,stride=1,padding=0下面是空洞卷积：kernel_size=3,dilated_ratio=2,stride=1,padding=0二者的卷积核大小都是一样的（滑窗的实际大小是一样的），但空洞卷积的滑窗（ke

前言：作为当前先进的深度学习目标检测算法YOLOv5、v7系列算法，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLO系列算法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果提供自己的微薄帮助和参考。具体改进办法请关注后私信留言！关注即免费获取深度学习资料！解决问题：ICLR2022前段时间已经放榜，涌现了大量优秀的工作。动态卷积的工作：ODConv，其通过并行策略采用多维注意力机制沿核空间的四个维度学习互补性注意力。作为一种“即插即用”的操作，它可以轻易的嵌入到现有CN

每周汇报，实属不易。近期学习了关于动态卷积的相关内容，写成一个小节，帮助理解什么为动态卷积。内容较为宽泛，若想学习细节知识，可以参考论文。和知乎链接：https://zhuanlan.zhihu.com/p/141868898?from_voters_page=true首先看到的是这篇ICLR2022年的文章：omnidimensionaldynamicconvolution但为了理解这一篇文章，需要了解关于动态卷积的相关工作。因此，阅读了改文章引用的两片最重要的参考文献，因此在这里一起分享学习。第一篇是：CondConv:ConditionallyParameterizedConvoluti