使用迁移学习，修改ConvNeXt-T网络，对特征进行融合 import torchimport torch.nn as nnimport torchvision.models as modelsclass CustomConvNeXtT(nn.Module):def __init__(self, in_channels=3, num_classes=2, chunk=2, csv_sha

前言：Hello大家好，我是小哥谈。2022年，Facebook AI Research和UC Berkeley一起发表了一篇文章A ConvNet for the 2020s，在文章中提出了ConvNeXt纯卷积神经网络，它对标的是2021年非常火的Swin Transformer，通过一系列实验比对，在相同的FLOPs下，ConvNeXt相比Swin Transformer拥有更快的推理

ConvNeXts 完全由标准 ConvNet 模块构建，在准确性和可扩展性方面与 Transformer 竞争，实现 87.8% ImageNet top-1 准确率，在 COCO 检测和 ADE20K 分割方面优于 Swin Transformers，同时保持标准 ConvNet 的简单性和效率。 论文链接：https://arxiv.org/pdf/2201.03545.pdf 代码链接

论文名称：ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders 发表时间：CVPR2023 code链接：代码 作者及组织: Sanghyun Woo，Shoubhik Debnath来自KAIST和Meta AI。 前言   ConvNextV2是借助MAE的思想来训练ConvnextV1。关于Conv

文献阅读：基于改进ConvNext的玉米叶片病害分类 CBAM注意力机制模块： 1：通道注意力模块，对输入进来的特征层分别进行全局平均池化（AvgPool）和全局最大池化（MaxPool）（两个池化都针对于输入特征层的高宽），再将平均池化和最大池化的结果利用共享的全连接层（Shared MLP）进行处理，然后将共享的全连接层所得到的结果进行相加再使用Sigmoid激活函数，进而获得通道注意图即

文章目录 一、背景二、方法2.1 训练方法2.2 宏观设计2.3 ResNeXt-ify：79.5%→80.5%2.4 Inverted Bottleneck： 80.5%→80.6%2.5 Large Kernel Sizes2.6 微观设计 三、实验四、结论 论文链接：https://arxiv.org/pdf/2201.03545.pdf 代码链接：https:/

文献阅读：基于改进ConvNext的玉米叶片病害分类 CBAM注意力机制模块： 1：通道注意力模块，对输入进来的特征层分别进行全局平均池化（AvgPool）和全局最大池化（MaxPool）（两个池化都针对于输入特征层的高宽），再将平均池化和最大池化的结果利用共享的全连接层（Shared MLP）进行处理，然后将共享的全连接层所得到的结果进行相加再使用Sigmoid激活函数，进而获得通道注意图即

作者丨科技猛兽 编辑丨极市平台 导读  ConvNeXt 可以看做是把 Swin Transformer 包括 ViT 的所有特殊的设计集于一身之后的卷积网络进化版，升级了 ResNet 架构，看看借助了2020年代 CV 设计范式之后的卷积网络的性能极限在哪里。这篇工作在年初炸起了CV圈子里又一股讨论的浪潮，因此本文从更加详细的角度去解读和理解作者的思路。 MLP三大工作超详细解读：wh

为了提升无人机视角下目标检测效果，基于YOLOv5算法，在YOLOv5主干中实现了Omnidimensional Convolution（ODConv），以在不增加网络宽度和深度的情况下提高精度，还在YOLOv5骨干网中用ConvNeXt块替换了原始的C3块，以加快检测速度。 1 Omni-dimensional dynamic convolution YOLOv5使用传统的二维卷积来生成

文章目录 前言一、ConvNeXt设计决策1.设计方案2.Training Techniques3.Macro Design🥇Changing stage compute ratio🥈Change stem to "Patchify" 4.ResNeXt-ify5. Inverted Bottleneck6.Large Kernel Size7.Micro Design✨Replacin