文章参考于芒果大神，在自己的数据集上跑了一下，改了一些出现的错误。一、配置yolov5_swin_transfomrer.yaml#Parametersnc:10#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultipleanchors:-[10,13,16,30,33,23]#P3/8-[30,61,62,45,59,119]#P4/16-[116,90,156,198,373,326]#P5/32#YOLOv5v6.0backbonebyyoloairbackbo
文章参考于芒果大神，在自己的数据集上跑了一下，改了一些出现的错误。一、配置yolov5_swin_transfomrer.yaml#Parametersnc:10#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultipleanchors:-[10,13,16,30,33,23]#P3/8-[30,61,62,45,59,119]#P4/16-[116,90,156,198,373,326]#P5/32#YOLOv5v6.0backbonebyyoloairbackbo
pre{line-height:125%;margin:0}td.linenospre{color:rgba(0,0,0,1);background-color:rgba(240,240,240,1);padding-left:5px;padding-right:5px}span.linenos{color:rgba(0,0,0,1);background-color:rgba(240,240,240,1);padding-left:5px;padding-right:5px}td.linenospre.special{color:rgba(0,0,0,1);background-color:
pre{line-height:125%;margin:0}td.linenospre{color:rgba(0,0,0,1);background-color:rgba(240,240,240,1);padding-left:5px;padding-right:5px}span.linenos{color:rgba(0,0,0,1);background-color:rgba(240,240,240,1);padding-left:5px;padding-right:5px}td.linenospre.special{color:rgba(0,0,0,1);background-color:
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、ViT原理图二、算法实现过程三 、ViT-B/16结构详图四、ViT-B/16预训练权重简析总结前言ViT(VisionTransformer) 是首次成功将Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。这里先对ViT的原理进行阐述，并对预训练文件ViT-B_16.npz的内容做一个简要介绍。一、ViT原理图ViT(VisionTransformer) 是首次成功将Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。其原理如图1所示。图1ViT原
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、ViT原理图二、算法实现过程三 、ViT-B/16结构详图四、ViT-B/16预训练权重简析总结前言ViT(VisionTransformer) 是首次成功将Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。这里先对ViT的原理进行阐述，并对预训练文件ViT-B_16.npz的内容做一个简要介绍。一、ViT原理图ViT(VisionTransformer) 是首次成功将Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。其原理如图1所示。图1ViT原
文章目录【代码精读】DiffusionModel扩散模型1.代码来源：2.代码结构3.``Diffusion``Package3.1.Diffusion.py3.1.1.正向扩散过程3.1.2.反向扩散过程3.2.Model.py3.3.Train.py4.``DiffusionFreeGuidence``Package4.1.DiffusioinCondition.py4.2.ModelCondition.py4.3.TrainCondition.py【代码精读】DiffusionModel扩散模型本篇博客不会很详细介绍diffusionmodel的原理，而是用“知其然”的方式直接上代码。1
文章目录【代码精读】DiffusionModel扩散模型1.代码来源：2.代码结构3.``Diffusion``Package3.1.Diffusion.py3.1.1.正向扩散过程3.1.2.反向扩散过程3.2.Model.py3.3.Train.py4.``DiffusionFreeGuidence``Package4.1.DiffusioinCondition.py4.2.ModelCondition.py4.3.TrainCondition.py【代码精读】DiffusionModel扩散模型本篇博客不会很详细介绍diffusionmodel的原理，而是用“知其然”的方式直接上代码。1
记录几篇Transformer的超分辨率重建论文。1LearningTextureTransformerNetworkforImageSuper-Resolution（TTSR，CVPR2020）本文引用已经有200多了。原文链接1.1摘要文章做的是RefSR工作，主要观点是将Transformer作为一个attention，这样可以更好地将参考图像（Ref）的纹理信息转移到高质图像（HR）中。做法还是比较有意思的，如下图所示，将上采样的LR图像、依次向下/上采样的Ref图像、原始Ref图像中提取的纹理特征分别作为Q、K、V。纹理Transformer包含了4个结构：1）DNN实现的可学习的纹
记录几篇Transformer的超分辨率重建论文。1LearningTextureTransformerNetworkforImageSuper-Resolution（TTSR，CVPR2020）本文引用已经有200多了。原文链接1.1摘要文章做的是RefSR工作，主要观点是将Transformer作为一个attention，这样可以更好地将参考图像（Ref）的纹理信息转移到高质图像（HR）中。做法还是比较有意思的，如下图所示，将上采样的LR图像、依次向下/上采样的Ref图像、原始Ref图像中提取的纹理特征分别作为Q、K、V。纹理Transformer包含了4个结构：1）DNN实现的可学习的纹
