开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么损失继续减少，而性能保持不变？

损失继续减少而性能保持不变的原因是因为云计算技术的应用。

云计算是一种基于互联网的计算模式，通过将计算资源、存储资源和应用程序等虚拟化，提供给用户按需使用。它具有以下优势：

弹性扩展：云计算可以根据用户需求动态调整计算资源的规模，实现弹性扩展。当用户需求增加时，可以快速增加计算资源，以满足业务需求；当需求减少时，可以自动释放多余的资源，避免资源浪费。
高可用性：云计算提供了高可用性的服务，通过将应用程序和数据复制到多个地理位置的服务器上，实现故障转移和容灾备份。当某个服务器发生故障时，系统可以自动切换到备用服务器，保证服务的连续性。
灵活性：云计算提供了灵活的服务模式，用户可以根据自己的需求选择公有云、私有云或混合云等部署方式。同时，用户可以根据实际需求选择不同的服务模块，如计算、存储、数据库等，以满足不同业务场景的需求。
成本效益：云计算采用按需付费的模式，用户只需支付实际使用的资源，无需购买和维护昂贵的硬件设备。这样可以降低企业的IT成本，并提高资源利用率。
安全性：云计算提供了多层次的安全保障机制，包括数据加密、身份认证、访问控制等。云服务提供商会定期进行安全审计和漏洞修复，确保用户数据的安全性。

云计算在各个领域都有广泛的应用场景，例如：

企业应用：云计算可以提供企业级的应用服务，如企业资源规划（ERP）、客户关系管理（CRM）等，帮助企业提高管理效率和业务响应能力。
大数据分析：云计算可以提供强大的计算和存储能力，用于处理和分析海量的数据。通过云计算平台，可以快速构建大数据分析系统，挖掘数据中的价值。
移动应用：云计算可以为移动应用提供后端支持，如用户认证、数据存储、消息推送等。通过云计算，开发者可以快速构建稳定可靠的移动应用。

腾讯云作为国内领先的云服务提供商，提供了丰富的云计算产品和解决方案。以下是一些相关产品和介绍链接：

云服务器（ECS）：提供弹性计算能力，支持按需创建、配置和管理云服务器实例。链接：https://cloud.tencent.com/product/cvm
云数据库（CDB）：提供高可用、可扩展的数据库服务，支持主从复制、自动备份和容灾备份。链接：https://cloud.tencent.com/product/cdb
云存储（COS）：提供安全可靠的对象存储服务，支持海量数据的存储和访问。链接：https://cloud.tencent.com/product/cos
人工智能（AI）：提供丰富的人工智能服务，包括图像识别、语音识别、自然语言处理等。链接：https://cloud.tencent.com/product/ai

总之，云计算技术的应用可以帮助用户降低成本、提高效率、增强安全性，并且具有广泛的应用场景。腾讯云作为云服务提供商，提供了丰富的产品和解决方案，可以满足用户的各种需求。

相关搜索:为什么UITableView contentOffset在tableview reloadData期间变化很大，而不是一成不变？如何让它在reloadData之后保持不变？为什么损失会减少，而准确率保持不变？准确度和验证准确度保持不变，同时这两个损失都减少了。我试了所有我能找到的东西，还是不起作用训练损失正在减少，但准确率保持不变微信智能开放平台微信自助点餐系统怎么搭建微信平台照片提取文字软件照片文字提取软件智能客服解决方案

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

DC电源模块在传输过程中如何减少能量的损失

DC电源模块是电子设备中常见的电源转换器，它可以将交流电转换成稳定的直流电，并且具有高效能、低功耗、可控性强等优点。在DC电源模块传输过程中，由于电能的转换过程中会产生一定的能量损失，因此如何减少能量损失，提高转换效率成为一个重要的问题。

02

CALF：用于长期时间序列预测的高效跨模态LLM微调框架

深度学习在多变量时间序列预测（MTSF）领域取得了显著进展。尽管现有的方法大多依赖于单一模态的时间序列输入进行训练，但近期基于大语言模型（LLMs）的跨模态时间序列预测方法在数据有限的情况下展示了卓越的性能。然而，现有的 LLM-based MTSF 方法通常忽略了文本和时间序列输入之间的分布差异，导致性能次优。

01

深度人脸识别中不同损失函数的性能对比

无约束人脸识别是计算机视觉领域中最难的问题之一。人脸识别在罪犯识别、考勤系统、人脸解锁系统中得到了大量应用，因此已经成为人们日常生活的一部分。这些识别工具的简洁性是其在工业和行政方面得到广泛应用的主要原因之一。但是同时，这种易用性掩盖了工具设计背后的复杂度和难度。很多科学家和研究人员仍然在研究多种技术以获得准确、稳健的人脸识别机制，未来其应用范围仍然会以指数级增加。2012 年，Krizhevsky 等人 [1] 提出 AlexNet，这一变革性研究是人脸识别领域的一项重大突破，AlexNet 赢得了 ImageNet 挑战赛 2012 的冠军。之后，基于 CNN 的方法在大部分计算机视觉问题中如鱼得水，如图像识别、目标检测、语义分割和生物医疗图像分析等。过去几年研究者提出了多种基于 CNN 的方法，其中大部分方法处理问题所需的复杂度和非线性，从而得到更一般的特征，然后在 LFW [12]、Megaface [13] 等主要人脸数据集上达到当前最优准确率。2012 年之后，出现了很多基于深度学习的人脸识别框架，如 DeepFace [14]、DeepID [15]、FaceNet [16] 等，轻松超越了手工方法的性能。

04

苹果和洛桑联邦理工学院发布全新视觉模型4M-21，单模型可以处理21种模态任务

苹果公司与瑞士洛桑联邦理工学院（EPFL）联手打造了一款前沿的全能视觉模型4M-21，该模型通过跨模态的大规模协同训练，实现了在21种不同模态下的优异表现。4M-21模型的推出，标志着从传统单模态优化模型向多模态综合处理能力的重大转变。

01

光伏圈告别「看天吃饭」，塞浦路斯大学耗时 2 年，发现机器学习预测污染损失未来可期

内容一览：光伏系统是一种利用太阳能发电的可再生能源解决方案，具有减少温室气体排放、分散式发电、经济效益等优势，对于推动可持续能源发展和应对环境挑战具有重要作用。然而，许多具有最高太阳辐射的地点也存在地面干燥、多尘的缺点，这可能会影响光伏系统的性能。近期，塞浦路斯研究人员用了 6 种不同的模型评估污染损失，应对这一挑战。

03

为 Llama2 剪「驼毛」，清华 & 普林斯顿 | 提出最新大模型剪枝法：LLM-Shearing

自大型语言模型（LLM）出现以来，它们便在各种自然语言任务上取得了显著的效果。不过，大型语言模型需要海量的计算资源来训练。因此，业界对构建同样强大的中型规模模型越来越感兴趣，出现了 LLaMA、MPT 和 Falcon，实现了高效的推理和微调。

03

EdgeYOLO来袭 | Xaiver超实时，精度和速度完美超越YOLOX、v4、v5、v6

如图1所示，还为具有较低计算能力的边缘计算设备设计了参数较少的轻量化模型，这也显示了更好的性能。 github：https://github.com/LSH9832/edgeyolo

04

知识蒸馏——深度学习的简化之道！！

在深度学习的世界里，大型神经网络因其出色的性能和准确性而备受青睐。然而，这些网络通常包含数百万甚至数十亿个参数，使得它们在资源受限的环境下（如移动设备和嵌入式系统）运行变得不切实际。知识蒸馏（Knowledge Distillation）技术应运而生，旨在解决这一挑战，通过将大型网络的知识“蒸馏”到更小、更高效的模型中，以实现类似的性能，但以更低的计算成本。

01

ICML 2020 | 提升神经网络架构搜索稳定性，UCLA提出新型NAS算法

可微网络架构搜索（DARTS）能够大幅缩短搜索时间，但是其稳定性受到质疑。随着搜索进行，DARTS 生成的网络架构性能会逐渐变差。最终生成的结构甚至全是跳过连接（skip connection），没有任何卷积操作。在 ICML 2020 中，UCLA 基于随机平滑（random smoothing）和对抗训练（adversarial training），提出了两种正则化方法，大幅提升了可微架构搜索算法的鲁棒性。

03

多任务学习中的网络架构和梯度归一化

在计算机视觉中的单任务学习已经取得了很大的成功。但是许多现实世界的问题本质上是多模态的。例如为了提供个性化的内容，智能广告系统应该能够识别使用的用户并确定他们的性别和年龄，跟踪他们在看什么，等等。多任务学习(Multi-Task Learning, MTL)可以实现这样的系统，其中一个模型在多个任务之间分配权重，并在一次正向传递中产生多个推理。

02

多任务学习中的网络架构和梯度归一化

来源：DeepHub IMBA本文约2600字，建议阅读5分钟本文介绍了多任务学习中的网络架构与梯队归一化。在计算机视觉中的单任务学习已经取得了很大的成功。但是许多现实世界的问题本质上是多模态的。例如为了提供个性化的内容，智能广告系统应该能够识别使用的用户并确定他们的性别和年龄，跟踪他们在看什么，等等。多任务学习(Multi-Task Learning, MTL)可以实现这样的系统，其中一个模型在多个任务之间分配权重，并在一次正向传递中产生多个推理。多任务学习中的优化因为有多个任务同时运行所以M

02

时间序列损失函数的最新综述！

A Comprehensive Survey of Regression Based Loss Functions for Time Series Forecasting

04

DeepSpeed-MoE:训练更大及更复杂的混合专家网络

这是微软发布在2022 ICML的论文，MoE可以降低训练成本，但是快速的MoE模型推理仍然是一个未解决的问题。所以论文提出了一个端到端的MoE训练和推理解决方案DeepSpeed-MoE：它包括新颖的MoE架构设计和模型压缩技术，可将MoE模型大小减少3.7倍；通过高度优化的推理系统，减少了7.3倍的延迟和成本;与同等质量的密集模型相比，推理速度提高4.5倍，成本降低9倍。

02

论文推荐：CCNet用于语义分割的交叉注意力

CCNet， Transformer递归交叉自注意力，比非局部神经网络更有效。华中科技大学、地平线、ReLER 和伊利诺伊大学香槟分校联合研发

02

VarGFaceNet：地平线提出轻量级、有效可变组卷积的人脸识别网络

作者 | Mengjia Yan、Mengao Zhao、Zining Xu、Qian Zhang、Guoli Wang、Zhizhong Su

03

Windows系统如何实现对高通ARM处理器的支持探讨

近年来，随着移动设备和低功耗计算的兴起，ARM架构的处理器越来越受到关注。微软作为操作系统领域的巨头，推出了Windows系统对高通公司开发的ARM架构处理器的支持，这无疑引起了广泛的兴趣与讨论。那么，微软是如何实现对ARM处理器的支持的呢？是否采用了原生支持？是否由于增加了抽象层导致性能损失？本文将深入探讨这些问题。

01

Tensorflow入门教程（四十七）——语义分割损失函数总结

今天介绍了过去五年中常用的15种分割损失函数，大致分成四类：基于分布，基于区域，基于边界和基于合成，实现代码链接：

02

Generative Modeling for Small-Data Object Detection

本文探讨了小数据模式下的目标检测，由于数据稀有和注释费用的原因，只有有限数量的注释边界框可用。这是当今的一个常见挑战，因为机器学习被应用于许多新任务，在这些任务中，获得训练数据更具挑战性，例如在医生一生中有时只看到一次罕见疾病的医学图像中。在这项工作中，我们从生成建模的角度探讨了这个问题，方法是学习生成具有相关边界框的新图像，并将其用于训练目标检测器。我们表明，简单地训练先前提出的生成模型并不能产生令人满意的性能，因为它们是为了图像真实性而不是目标检测精度而优化的。为此，我们开发了一种具有新型展开机制的新模型，该机制联合优化生成模型和检测器，以使生成的图像提高检测器的性能。我们表明，该方法在疾病检测和小数据行人检测这两个具有挑战性的数据集上优于现有技术，将NIH胸部X射线的平均精度提高了20%，定位精度提高了50%。

02

目标检测 | 已开源！全新水下目标检测算法SWIPENet+IMA框架

论文地址：https://arxiv.org/abs/2005.11552.pdf

04

ICLR 2022 | 减少跨语言表示差异，字节跳动AI Lab通过流形混合增强跨语言迁移

机器之心发布字节跳动人工智能实验室、加利福尼亚大学圣塔芭芭拉分校字节跳动人工智能实验室和加利福尼亚大学圣塔芭芭拉分校的研究者提出了跨语言流形混合（X-Mixup）方法为目标语言提供 “折衷” 的表示，让模型自适应地校准表示差异。此方法不仅显著地减少了跨语言表示差异，同时有效地提升了跨语言迁移的效果。基于多语言预训练语言模型（比如 mBert、XLM-R 等），各种跨语言迁移学习方法取得了不错的迁移效果，但其中许多目标语言的性能仍然远远落后于源语言。字节跳动人工智能实验室和加利福尼亚大学圣塔芭芭拉分校通

01

MutualNet：一种“宽度-输入分辨率”互相学习的网络轻量化方法

本文分享一篇来自 ECCV'20 Oral 的论文『MutualNet: Adaptive ConvNet via Mutual Learning from Network Width and Resolution』。

02

CVPR 2023 中的领域适应: 通过自蒸馏正则化实现内存高效的 CoTTA

我们介绍了 CoTTA 方法，这次介绍的是基于它的优化工作：EcoTTA，被接受在 CVPR 2023 上。

03

从Densebox到Dubox：更快、性能更优、更易部署的anchor-free目标检测

最近 Anchor-free (no-prior box)的概念又重新火热起来，anchor-free的概念从2015年densebox, yolov1开始出现，但一开始性能并不是很好，后来基于anchor(prior box)的概念的检测算法如faster rcnn, ssd性能有很大的提升，于是目标检测从此走进anchor时代，但是最近anchor-free的文章出现很多，目标检测发现不使用anchor依然可以达到较好的效果。今天要介绍的Dubox和Densebox都是由百度提出的无先验框的一阶段目标检测算法。

03

MCTF 即插即用 | 多准则Token融合让DeiT将FLOPs减少了44%，性能却得到了提升

视觉Transformer [12]（ViT）被提出用于借助自注意力机制解决视觉任务，这一机制最初是为自然语言处理任务而开发的。随着ViT的出现，Transformers已成为广泛视觉任务的主流架构，例如，分类，目标检测，分割等。仅由自注意力和多层感知机（MLP）构建的ViTs，与传统方法（如卷积神经网络（CNN））相比，提供了极大的灵活性和令人印象深刻的性能。然而，尽管有这些优势，自注意力关于 Token 数量的二次计算复杂性是Transformers的主要瓶颈。随着对大规模基础模型（如CLIP）的兴趣日益增长，这一局限变得更加重要。为此，一些研究提出了有效的自注意力机制，包括在预定义窗口内的局部自注意力。

01

提升速度与精度，FedReg: 减轻灾难性遗忘加速联邦收敛（ICLR 2022）

这是一篇最新ICLR2022论文，Acceleration of Federated Learning with Alleviated Forgetting in Local Training，作者通过从一个灾难性遗忘的角度分析联邦学习性能不佳的原因，并进行改进提升收敛速度与精度。

03

10招解决机器学习模型过拟合

增加更多的训练数据有助于防止过拟合，主要是因为更多的数据能够提供更全面、更准确的信息，从而使模型更好地学习数据中的真实模式。以下是一些解释：

04

针对大型数据库，如何优化MySQL事务的性能？

在大型数据库中，事务处理是一项非常关键的任务。MySQL作为一种流行的关系型数据库管理系统，在处理事务时也需要考虑性能优化的问题。

01

iPhone两秒出图，目前已知的最快移动端Stable Diffusion模型来了

Stable Diffusion （SD）是当前最热门的文本到图像（text to image）生成扩散模型。尽管其强大的图像生成能力令人震撼，一个明显的不足是需要的计算资源巨大，推理速度很慢：以 SD-v1.5 为例，即使用半精度存储，其模型大小也有 1.7GB，近 10 亿参数，端上推理时间往往要接近 2min。

03

精度 VS 效率：模型越小，精度就一定越低吗？

以下是我最近在伦敦 O’Reilly AI Conference 和 DroidCon 上的两次谈话的改编。

01

Facebook：对比COPA 与CUBIC，BBR v1在拥塞控制及视频质量的表现

原文 https://engineering.fb.com/video-engineering/copa/

03

Facebook：对比COPA 与CUBIC，BBR v1在拥塞控制及视频质量的表现

原文 https://engineering.fb.com/video-engineering/copa/

02

端侧模型带来的三个新思考：剪枝、蒸馏、量化

端侧化是指将人工智能模型部署到终端设备上，直接在数据产生和处理的源头进行智能计算。随着人工智能技术的飞速发展，大型模型（大模型）在诸多领域取得了显著的成果，例如自然语言处理、计算机视觉和语音识别等。然而，大模型的部署和应用面临着诸多挑战，如计算资源消耗大、数据传输延迟、隐私保护等问题。因此，端侧化成为大模型落地的重要方式。

01

Online Hard Example Mining（OHEM）

在传统的随机采样训练中，每个训练批次都从数据集中随机选择样本，包括容易分类的样本和难以分类的样本。这可能导致模型过度关注容易分类的样本，而对难以分类的样本不够关注，从而降低了性能。Online Hard Example Mining 试图解决这个问题，其核心思想如下：

01

聊一聊PowerFlex® 755T

3.设备及电缆过热，并且影响同电网设备运行、这将导致计划外停机时间的增加和生产力的降低

01

《ELF》即插即用！解决长尾问题！GT&UIUC联合提出基于Early-Exiting的网络框架，涨点并加速！

自然世界中的数据通常遵循长尾分布，大多数样本中只占据少数几个类。这种长尾分布导致分类器倾向于过拟合多数类（majority class）。为了解决这一问题，以前的解决方案通常采用类别平衡的策略，如数据重采样和损失函数重加权。

04

加速扩散模型，最快1步生成SOTA级图片，字节Hyper-SD开源了

最近，扩散模型（Diffusion Model）在图像生成领域取得了显著的进展，为图像生成和视频生成任务带来了前所未有的发展机遇。尽管取得了令人印象深刻的结果，扩散模型在推理过程中天然存在的多步数迭代去噪特性导致了较高的计算成本。近期出现了一系列扩散模型蒸馏算法来加速扩散模型的推理过程。这些方法大致可以分为两类：i) 轨迹保持蒸馏；ii) 轨迹重构蒸馏。然而，这两类方法会分别受到效果天花板有限或者或输出域变化这两个问题的限制。

01

大模型的模型压缩与有效推理综述

本文对大型语言模型的压缩和效率推理进行了综述。大型语言模型基于Transformer架构，具有强大的性能，但也带来了巨大的内存和计算成本。本文从算法角度对大型语言模型的压缩和效率推理方法进行了分类，包括量化、剪枝、知识蒸馏、紧凑架构设计和动态网络。大型语言模型有两个显著特点：

01

超越MobileNet V3 | 详解SkipNet+Bias Loss=轻量化模型新的里程碑

近年来，Compact卷积神经网络(CNNs)的性能有了显著的提高。然而，在参数众多的情况下，它们仍然无法提供与普通CNN相同的预测能力。这些层捕获的多样且丰富的特征是这些CNN的一个重要特征。

03

放弃反向传播后，Geoffrey Hinton参与的前向梯度学习重磅研究来了

机器之心报道机器之心编辑部图灵奖得主 Geoffrey Hinton 等研究者让前向梯度学习变得实用了。我们知道，在人工智能领域里，反向传播是个最基本的概念。反向传播（Backpropagation，BP）是一种与最优化方法（如梯度下降）结合使用的，用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。简而言之，BP 的核心思路其实就是负反馈，我们试图用这种方式实现神经网络系统面对给定目标的自动迭代、校准。随着算力

04

放弃反向传播后，Hinton参与的前向梯度学习重磅研究来了

反向传播（Backpropagation，BP）是一种与最优化方法（如梯度下降）结合使用的，用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。

03

优思学院｜盘点，精益生产25个工具！【必需收藏】

精益生产方法需要一种全面的方法才能有效实施。精益这个概念是每个接触产品供应链的人都要实践的，无论是在计划方面还是在分析方面。

03

PyTorch 模型性能分析和优化 - 第 2 部分

这是有关分析和优化在 GPU 上运行的 PyTorch 模型主题的系列文章的第二部分。在第一篇文章中，我们演示了使用 PyTorch Profiler 和 TensorBoard 迭代分析和优化 PyTorch 模型的过程以及巨大潜力。在这篇文章中，我们将重点关注 PyTorch 中由于使用急切执行而特别普遍的特定类型的性能问题：模型执行部分对 CPU 的依赖。识别此类问题的存在和根源可能非常困难，并且通常需要使用专用的性能分析器。在这篇文章[1]中，我们将分享一些在使用 PyTorch Profiler 和 PyTorch Profiler TensorBoard 插件时识别此类性能问题的技巧。

02

α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统

Bounding box 回归通过预测目标的bbox来定位图像/视频中的目标，这是目标检测、定位和跟踪的基础。例如，最高级的目标检测器通常由一个bbox回归分支和一个分类分支组成，其中bbox回归分支生成用于定位对象进行分类的bbox。在这项工作中，作者探索了更有效的损失函数。

05

放弃反向传播后，Geoffrey Hinton参与的前向梯度学习重磅研究来了

来源：机器之心本文约3800字，建议阅读5分钟图灵奖得主 Geoffrey Hinton 等研究者让前向梯度学习变得实用了。我们知道，在人工智能领域里，反向传播是个最基本的概念。反向传播（Backpropagation，BP）是一种与最优化方法（如梯度下降）结合使用的，用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。简而言之，BP 的核心思路其实就是负反馈，我们试图用这种方式实现神经网络系统面对给定目标的自动迭代

02

VarifocalNet (VF-Net)一种新型的目标检测网络

几周前，当我在做一个物体检测Kaggle竞赛时，我偶然发现了VarifocalNet。我非常惊讶地看到它与许多SOTA对象检测模型(如YoloV5和EfficientDet)相匹配，在某些情况下甚至优于它们。我自己查阅了这篇论文，我非常喜欢。它引入了许多我发现有趣的新概念，如Varifocal Loss，IoU-aware classification score (IACS)，等等。

04

Integrated Multiscale Domain Adaptive YOLO

领域自适应领域在解决许多深度学习应用程序遇到的领域转移问题方面发挥了重要作用。这个问题是由于用于训练的源数据的分布与实际测试场景中使用的目标数据之间的差异而产生的。在本文中，我们介绍了一种新的多尺度域自适应YOLO（MS-DAYOLO）框架，该框架在YOLOv4目标检测器的不同尺度上采用了多个域自适应路径和相应的域分类器。在我们的基线多尺度DAYOLO框架的基础上，我们为生成领域不变特征的领域自适应网络（DAN）引入了三种新的深度学习架构。特别地，我们提出了一种渐进特征约简（PFR）、一种无人分类器（UC）和一种集成架构。我们使用流行的数据集与YOLOv4一起训练和测试我们提出的DAN架构。我们的实验表明，当使用所提出的MS-DAYOLO架构训练YOLOv4时，以及当在自动驾驶应用的目标数据上进行测试时，物体检测性能显著提高。此外，相对于更快的R-CNN解决方案，MS-DAYOLO框架实现了数量级的实时速度改进，同时提供了可比的目标检测性能。

02

干货 | 携程AI推理性能的自动化优化实践

携程度假AI研发团队致力于为携程旅游事业部提供丰富的AI技术产品，其中性能优化组为AI模型提供全方位的优化方案，提升推理性能降低成本，实现AI技术在旅游场景的成功落地。

04

上海交大 SDPose-T | 以4.4M参数和 1.8 GFLOPs 获得了69.7%的mAP SOTA 性能！

人体姿态估计（HPE）旨在给定图像中估计人体每个关节点的位置。HPE任务支持广泛的下游任务，如活动识别，运动捕捉等。近年来，随着ViT模型在许多视觉任务上被证明有效，许多基于Transformer的方法在HPE任务上取得了优异的性能。与过去的基于CNN的方法相比，基于Transformer的模型在捕捉视觉元素之间的关系方面要强大得多。

01

Safety-Adapted Loss | 让行人目标检测器也具有安全意识，让路边的行人不被漏检误检

）指标结合距离信息来考虑最坏情况的威胁，并量化关键性。作者使用RetinaNet和FCOS在nuScenes数据集上的评估结果表明，用作者的Safety-Adapted Loss函数训练模型，可以在不牺牲一般情况（即安全关键区域外的行人）性能的前提下，减少对关键行人的漏检。

01

Q-YOLOP来啦 | 一个具有量化感知全景驾驶感知模型

全景感知系统是自动驾驶汽车的关键部件，使其能够全面感知和理解环境。这些系统同时解决了多个视觉任务，包括物体检测、车道线分割、可驾驶区域分割，并对道路场景产生了丰富的理解。

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭