摘要 将UniRepLKNet应用到RT-DERT的改进中，经过测试，涨点明显，运算量也有下降！ 论文：《UniRepLKNet：用于音频、视频、点云、时间序列和图像识别的通用感知大内核ConvNet》 https://arxiv.org/abs/2311.15599 大核卷积神经网络(ConvNets)最近受到了广泛的研究关注，但存在两个未解决的关键问题需要进一步研究。(1)现有大核Con

文章目录 摘要1、简介2. 相关研究2.1、实时目标检测器2.2、端到端目标检测器2.3、用于目标检测的多尺度特征 3、检测器的端到端速度3.1、 NMS分析3.2、端到端速度基准测试 4、实时DETR4.1、模型概述4.2、高效的混合编码器4.3、IoU-aware查询选择4.4、RT-DETR的缩放 5、实验5.1、设置5.2、与SOTA方法比较5.3、混合编码器的消融研究5.4、IoU

decoder并行同时进行。   decoder没有mask，不需要遮盖后面的q，同时输入输出。    匈牙利匹配，损失最小的方法作为目标框，剩下为背景。

目录 1.前言 2. ONNX模型 (1) backbone使用的是resnet50  (2) Transformer结构 (3)模型输出 3.代码展示(不收费！！！) 4.结果展示 5.源代码地址 1.前言         DETR的全称是DEtection TRansformer，是Facebook提出的基于Transformer的端到端目标检测网络，发表于ECCV

把这个编码器的自注意给可视化出来。我们在每个牛身上找一个基准点，然后我们用这个点和图像上其他点算自注意力，我们会发现他已经做的很好了。已经接近实力分割里面的mask的形状。我们在这个基础上去做decoder 或者目标检测 或者实力分割 任务 都会简单很多。 decoder中也自注意力机制，我们把每个物体自注意力用用不同颜色表现出来。 encorder学的是全局特征，能基本把物体分开，但是这还不够

1 transformer Attention Is All You Need https://arxiv.org/abs/1706.03762 NLP 机器翻译 具有全局语义特征提取融合及并行计算的特点。 1.1 整体模型结构 是一个encoder--decoder的结构，最核心的是attention模块。 ​ Transformer 中有两种注意力机制，self-attenti