能够自适应地处理低照度，图像去雾等退化条件，提升物体检测能力。引入了链式思考提示机制，实现了对未知退化条件下图像的自适应增强。核心在于能够利用CoT提示对图像退...

AOD-Net是一个端到端的可训练去雾模型，直接从有雾图像产生清晰图像，而不是依赖于任何单独和中间参数估计步骤。基于重新公式化的大气散射模型设计，与现有工作共享...

可逆列网络去发表于ICLR2022，其是一种新型的神经网络设计(和以前的网络结构的传播方式不太一样)，由多个子网络（列）通过多级可逆连接组成。这种设计允许在前向...

近年来，在资源受限的移动设备上，与轻量级卷积神经网络相比，轻量级视觉Transformer(ViTs)表现出更高的性能和更低的时延。 这种改进通...

通过从小尺寸patch（灰色轮廓）开始，逐渐在更深的 Transformer 层中合并相邻patch，从而构造出一个层次化表示（hierarchical rep...

1. GhostNetV1核心原理 1.1 Ghost模块设计 GhostNet的核心创新在于Ghost模块，其通过两步生成特征图：

一. EfficientNet V1 神经网络介绍 EfficientNet 是 Google 提出的一种高效的神经网络架构，它的核心思想是通过比例缩放网络的...

【FasterNet介绍】 为了设计快速神经网络，许多工作都集中在减少浮点运算的数量（FLOPs）上。 然而，我们观察到FLOPs的减少并不一定会导致延迟的类...

UnfogNet是一种专为图像去雾设计的深度学习网络，旨在通过先进的算法恢复雾霾天气下图像的清晰度，提升视觉效果与后续计算机视觉任务的性能。其核心架构融合了编码...

大内核卷积神经网络（ConvNet）最近受到了广泛的研究关注，但有两个未解决的关键问题需要进一步研究。1）现有大内核ConvNet的架构很大程度上遵循传统Con...

一、VanillaNet概述 1.1 摘要 基础模型的核心是“更多不同”的理念，计算机视觉和自然语言处理方面的出色表现就是例证。然而，Transformer...

同时，预训练好的 ConvNeXt V2 作为 backbone 连接 Mask R-CNN 做 head 在 COCO 上目标检测和实例分割；与结合 Uper...

反向残差块（Inverted Rsidual Block，IRB）是轻量级CNNs的基础架构，但在基于注意力的研究中还没有相应的对应部分。这项工作从统一的视角重...

2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。YOLOv11 是 YOLO 的最新版本，...

ShuffleNetV2是一种专为移动端和嵌入式设备设计的高效轻量级卷积神经网络架构，由旷视科技的研究团队提出。它在保持较高精度的同时，通过优化网络结构显著降低...

传统卷积神经网络， 内存需求大、 运算量大导致无法在移动设备以及嵌入式设备上运行.VGG16的权重大小有450M，而ResNet中152层的模型，其权重模型64...

MobileNet v2 是由 google团队在 2018 年提出的，相比于 MobileNet v1 而言准确率更高，模型更小。其原始论文为 MobileN...

SE 模块类似注意力机制，通过全局平均池化和两个全连接层，计算每个通道的权重系数，自适应调整特征。SE 模块细节介绍如下

MobileNetV4是专为移动设备设计的轻量化神经网络架构，其核心原理与显著优点如下：

遥感图像（RSIs）中的目标检测通常面临越来越多的挑战，包括物体尺度变化大和上下文多样化等问题。以往的方法试图通过大核卷积或膨胀卷积来扩展骨干网络的空间感受野。...