@wxp_5adf 不嫌弃的话，可以到知乎逛，我后续都在那边玩了~
源码解析目标检测的跨界之星DETR（六）、模型输出与预测生成Date: 2020/07/19 Coder: CW Foreword: 本文是该系列的最后一篇，解析的源码内容包括如何将模型输出转化为预测结果以及评估验证过程，在该系列前面...
发简信
IP属地：广东
-
-
@Zz强 麻烦去知乎follow下，我后续都在那边玩了~
源码解析目标检测的跨界之星DETR（四）、Detection with Transformer
Date: 2020/07/25 Coder: CW Foreword: 本文是该系列的重点之一，通过对DETR中Transformer部分的代码解析，你就会知道Transf...
-
@傅华涛 比如特征图大小是(h,w) 你可以在网络中分别设置可学习的参数 nn.Parameter(h, embedd_dim), 和 nn.Parameter(w, embedd_dim) 对应行、列编码，其中 embedd_dim 代表需要对每个位置需要嵌入的维度；也可以使用 nn.Embedding()，同理。
具体在我的这篇 https://www.jianshu.com/p/1d93cde5581a 有详细讲述，请问是不是这里看不了？如果不嫌弃可以follow我知乎号(和这里的同名)，然后看 “源码解析目标检测的跨界之星DETR（三）”这篇文章Transformer 修炼之道（一）、Input Embedding
Attention is All You Need[https://arxiv.org/pdf/1706.03762.pdf] Date: 2020/06/12 Author...
-
@Diligence_6155 DETR复现..满满的金钱味道啊
源码解析目标检测的跨界之星DETR（六）、模型输出与预测生成
Date: 2020/07/19 Coder: CW Foreword: 本文是该系列的最后一篇，解析的源码内容包括如何将模型输出转化为预测结果以及评估验证过程，在该系列前面...
-
@wush 你是不熟悉 Detectron2 框架吧..
可以先去了解下
Sparse R-CNN: 青出于蓝的R-CNN家族新晋小生，稀疏交互机制 & No RPN & No NMS = E2E
Date: 2020/01/11 Coder: CW Foreword: 这段时间的paper不是E2E(End-to-End)就是Transformer，什么都拿Trans...
-
@loovelj 谢谢支持，如不嫌弃，可以follow我知乎号(和简书号同名)，后续会在那边更新多些
EAST 算法超详细源码解析（六）、模型训练
Date: 2020-06-04 Author: CW 前言： 有了该系列前面几篇的内容作为铺垫，是时候“行动”起来了！只有将模型成功训练出好的效果，才能证明算法是正确的。当...
-
@不吃草的 详情可看第一篇
源码解析目标检测的跨界之星DETR（六）、模型输出与预测生成
Date: 2020/07/19 Coder: CW Foreword: 本文是该系列的最后一篇，解析的源码内容包括如何将模型输出转化为预测结果以及评估验证过程，在该系列前面...
-
@Volare 回归是全部样本都会回归，但是计算loss时仅对正样本计算。
EAST 算法超详细源码解析（四）、损失函数
Date: 2020/05/19 Author: CW 前言： EAST 的损失函数由三部分构成，对应预测输出的三个map——score map、loc map 以及 ang...
-
@21_c781 是什么错误呢？源码都是跑过的
源码解析目标检测的跨界之星DETR（一）、概述与模型推断
Date: 2020/06/27 Author: CW 前言： 阅读了 DETR 的论文后，近期梳理了相关代码，本系列会结合源码对 DETR 进行解析，包含模型效果的简单演示...
-
这是一个类，从第i个图__init__的部分开始就是
源码解析目标检测的跨界之星DETR（一）、概述与模型推断
Date: 2020/06/27 Author: CW 前言： 阅读了 DETR 的论文后，近期梳理了相关代码，本系列会结合源码对 DETR 进行解析，包含模型效果的简单演示...
-
@15494dc321b1 謝謝支持 感恩！😊
源码解析目标检测的跨界之星DETR（五）、loss函数与匈牙利匹配算法
Date: 2020/07/17 Coder: CW Foreword: 本文将对 loss函数的实现进行解析，由于 DETR 是预测结果是集合的形式，因此在计算loss的时...
-
@learnering 谢谢支持啦～😊
源码解析目标检测的跨界之星DETR（一）、概述与模型推断
Date: 2020/06/27 Author: CW 前言： 阅读了 DETR 的论文后，近期梳理了相关代码，本系列会结合源码对 DETR 进行解析，包含模型效果的简单演示...
-
怎麼扯到RNN去了?😂
Sparse R-CNN: 青出于蓝的R-CNN家族新晋小生，稀疏交互机制 & No RPN & No NMS = E2E
Date: 2020/01/11 Coder: CW Foreword: 这段时间的paper不是E2E(End-to-End)就是Transformer，什么都拿Trans...
-
CornerNet: 将目标检测问题视作关键点检测与配对前言 CornerNet于2019年3月份提出，CW近期回顾了下这个在当时引起不少关注的目标检测模型，它的亮点在于提出了一套新的方法论——将目标检测转化为对物体成对关键点(角...
-
@tjuquentin 客氣，很高興能幫助到你，感謝支持！
源码解析目标检测的跨界之星DETR（六）、模型输出与预测生成
Date: 2020/07/19 Coder: CW Foreword: 本文是该系列的最后一篇，解析的源码内容包括如何将模型输出转化为预测结果以及评估验证过程，在该系列前面...
-
github上不去？试试这招
Date: 2021/02/22 Author: CW Foreword: 相信大家都遇见过github上不去或者很慢才能显示出页面的情况，通常是由于节点ip选择得不够好导致...
-
Deformable DETR: 基于稀疏空间采样的注意力机制，让DCN与Transformer一起玩！Date: 2021/02/02 Coder: CW Foreword: DETR提出后，Transformer就被带到目标检测这边玩起来了，而且还玩出各种花样，你看，这不就...
-
@只知有网不知有鱼 真的很迷 我自己推了下感覺不到任何道理😂 paper也沒有說
代码阅读-deformable DETR （四）
接下来我们来看下deformable detector的总体构造： 这里面值得注意的点： 对于检测而言，分类分支与回归分支结构不同，分类分支直接一个线性层，回归分支采用了3层...
