- 综合排序
- 最热优先
- 最新优先
- 来自专栏GiantPandaCV
CenterNet骨干网络之hourglass
CenterNet中主要提供了三个骨干网络ResNet-18(ResNet-101), DLA-34, Hourglass-104，本文从结构和代码对hourglass进行讲解。 Ground Truth Heatmap 在开始讲解骨干网络之前，先提一下上一篇文章中有几位群友私聊我的问题：CenterNet为什么要沿用CornerNet的半径计算方式？ 2. = self.conv2(relu1) bn2 = self.bn2(conv2) skip = self.skip(x) return self.relu =[256, 256, 384, 384, 384, 512], modules=[2, 2, 2, 2, 2, 4]), ''' def __init__(self, n, nstack
2.2K30发布于 2020-08-04 - 来自专栏鲜枣课堂
大话中国骨干网（上）
1996年2月，中科院做出决定，将以NCFC为基础发展起来的这个互联网络，正式改名为“中国科技网（CSTNet）”。 这个网，就是现在大名鼎鼎的中国第一骨干网——ChinaNet。 最终，国内形成了四大骨干网的格局。正是这些网络，支撑起了中国互联网的起步。 ? 1997年12月，四大骨干网实现互联互通。此后，中国的互联网，进入了崭新的时代！ 未完待续。。。 想知道169、CN2、CMNet的故事吗？ 敬请期待：大话中国骨干网（下） 参考文献： 1、中国互联网发展史，B站 2、互联网的起源发展历史，百度 3、中国互联网二十年发展历程回顾，刘璐、潘玉 4、中国计算机发展历史，百度
2.5K30发布于 2020-12-16 - 来自专栏GiantPandaCV
CenterNet的骨干网络之DLASeg
2. class DLA(nn.Module): ''' DLA([1, 1, 1, 2, 2, 1], [16, 32, 64, 128, 256, 512], : root_dim += in_channels ''' self.level2 = Tree(levels[2], block, channels [1], channels[2], 2, level_root=False, root_residual=residual_root) self.level3 = Tree(levels[3], block, channels[2], channels[3], 2, level_root
7.6K31发布于 2020-08-10 - 来自专栏GiantPandaCV
Pelee：移动端实时检测骨干网络
ResNet和DenseNet在第一层都是用的是一个7x7、stride为2的卷积层，浅层网络的作用是提取图像的边缘、纹理等信息，一般。 TX2上的结果 ? COCO测试集上结果 ? 总结 PeleeNet相当于是避开了深度可分离卷积的使用，仅仅使用普通的卷积，就让模型能在移动端设备上实时运行。
1.5K10发布于 2020-05-20 - 来自专栏GiantPandaCV
CNN骨干网络新选择HS-ResNet
个人感觉是res2net，ghostnet的结合，并且训练阶段没引入过多的trick，最后的实验结果很惊艳，或许是炼丹的一个好选择。 ? Res2Net的模块结构如下： ? Res2Net模块示意图 Res2Net的模块也是将一组特征图分离成4组，分层做卷积。特殊点在于第二组特征图经过3x3卷积后，是以 elementwise-add 的形式加到第三组特征图上。 在后面的特征图，拼接进来的特征卷积次数较多，感受野较大，能关注全局信息 这部分思想来源于res2net，通过不同感受野，增加特征的丰富性。 作者的思想也不是很复杂，将res2net和ghostnet的思想融合进来，也保留了灵活性，拓展性，相信这个模型还会有更大的潜力。 ----
1.7K20发布于 2020-11-17 - 来自专栏AIWalker
视觉骨干网络VAN 背后的故事
）和新的骨干网络 VAN。 该论文已2022年2月在ArXiv上发布，目前该文章的Google scholar的引用次数已达215次。 Part1 视觉骨干网络的发展 对图像进行特征提取，是计算机视觉任务的基础。 在计算机视觉中，用于对图像进行特征提取的网络被称之为骨干网络。随着骨干网络的不断演进，计算机视觉也取得了飞跃式发展。 基于这种大核注意力机制，作者提出了一种简单且有效的视觉骨干网络 Visual Attention Network(VAN), 该网络在图像分类、目标检测和语义分割任务上均取得了优异的效果[2]。 ) 一个(2d-1)x (2d-1) 的 depth-wise convolution； c) 一个 1x1 卷积。
1.1K20编辑于 2023-09-03 使用轻量级骨干网络MobileNetV2替换backbone的python源码+训练源码
【MobileNetV2介绍】 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。 新增MoileNetV2.py实现骨干网络（代码太多，核心模块源码请参考改进步骤.docx） 2. MobileNetV2_n, MobileNetV2_s, MobileNetV2_m # YOLO11n backbone backbone: # [from, repeats, module, args] - [-1, 1, MobileNetV2_n, []] # 0-4 P1/2 这里是四层 - [-1, 1, SPPF, [1024, 5]] # 5 - [-1, 2, C2PSA "]] - [[-1, 2], 1, Concat, [1]] # cat backbone P3 - [-1, 2, C3k2, [256, False]] # 12 (P3/8-small)
61610编辑于 2025-07-18- 来自专栏鲜枣课堂
骨干网光通信的最新趋势
今天这篇，小枣君和大家聊聊骨干网光通信的一些最新技术动向。 █ 400G，真的来了 大家也许都有所耳闻，从去年开始，国内运营商骨干网已经全面拉开了400G商用的帷幕。 另一方面，全行业都在推动数字化转型，来自行业数字化系统的流量激增，加剧了骨干网的压力。 骨干网压力陡增，还有一个关键的原因——AI大爆发。 AIGC大模型崛起之后，引发了一股AI浪潮。 小枣君在以前的文章中介绍过，GPU算力集群其实就是海量的GPU卡（GPU服务器）通过高性能网络（例如InfiniBand、RoCEv2）连接在一起的一个阵列。 从2022年2月开始，我国启动了东数西算工程，打造全国一体化算力体系。 参考文献： 1、《AI时代高速光传输关键技术、应用进展及未来展望》，信通院技术与标准研究所，张海懿； 2、《算力网络开启400G全光新时代》，中国移动研究院，段晓东； 3、《AI时代的400G全光算力互联网
83520编辑于 2024-05-17 - 来自专栏贾志刚-OpenCV学堂
SwinTransformer多尺度特征提取的Vit骨干网络
为突破这些限制，我们提出了一种名为Swin Transformer的通用Transformer骨干网络，它能够构建分层特征图，并实现与图像尺寸呈线性关系的计算复杂度。 这些优势使Swin Transformer适用于多种视觉任务的通用骨干网络，与此前仅生成单一分辨率特征图且具有二次计算复杂度的基于Transformer的架构形成鲜明对比。 对于包含 h × w 个图像块的图片，其计算复杂度分别为： 全局多头自注意力 (MSA)：4hwC² + 2(hw)²C （公式1） 基于窗口的多头自注意力 (W-MSA)：4hwC² + 2M²hwC （公式2） 其中前者与图像块数量 hw 呈二次方关系，而当 M 固定时（默认设置为7），后者复杂度呈线性增长。 同时推出了Swin-T、Swin-S和Swin-L三个变体，其模型规模与计算复杂度分别约为基准模型的0.25倍、0.5倍和2倍。
32010编辑于 2026-04-02 - 来自专栏深度学习技术前沿
清华大学提出全新Autoformer骨干网络
（2）自相关机制 观察到，不同周期的相似相位之间通常表现出相似的子过程，利用这种序列固有的周期性来设计自相关机制，实现高效的序列级连接。 (2) 对比实验 深度分解架构的通用性：将提出的深度分解架构应用于其他基于Transformer的模型，均可以得到明显提升，验证了架构的通用性。
1.4K40发布于 2021-07-14 - 来自专栏小俊博客
网络线路的那些事，带你了解 163骨干网 CN2 GT 线路 CN2 GIA 线路的含义与区别
163 骨干网 在上世纪的时候，中国电信建设了一条线路：电信骨干网络，也就是我们通常所说的 163 骨干网，并将这条线路接入了全球互联网 ChinaNET 。 163 骨干网不堪重负 CN2 出现 中国电信后来建设了下一代承载网络， CN2 网络或者说 CN2 线路，又叫 中国电信CN2 ，即互联网第二平面（俗称二平面），是中国电信的下一代承载网， CN2 线路全称 CN2 网络第一期工程由骨干网络和精品业务网络组成，尤其是承载网对新业务的支持能力，是中国电信骨干网络和其商业客户之间的重要纽带，将直接决定中国电信提供的质量和灵活性。 实际上 CN2 GT 共享上的是 163 骨干网的出口，CN2 GT 并没有自己的中国出口。省级 / 出国节点为 202.97 开头，国际骨干节点有 2～4 个 59.43 开头的CN2节点。 这也是为什么 CN2 GT 会走到很多 202.97 的 163 骨干网上去就是这个原因。 什么是 CN2 GIA 线路？
18.9K22发布于 2020-03-30 - 来自专栏数据派THU
清华大学提出全新Autoformer骨干网络
来源：深度学习技术前沿 本文约2500字，建议阅读9分钟 全新Autoformer骨干网络，长时序预测达到SOTA！ （2）自相关机制 观察到，不同周期的相似相位之间通常表现出相似的子过程，利用这种序列固有的周期性来设计自相关机制，实现高效的序列级连接。 (2) 对比实验 深度分解架构的通用性：将提出的深度分解架构应用于其他基于Transformer的模型，均可以得到明显提升，验证了架构的通用性。
2.2K10编辑于 2023-03-29 - 来自专栏贾志刚-OpenCV学堂
Swin Transformer 多尺度特征提取的Vit骨干网络
为突破这些限制，我们提出了一种名为Swin Transformer的通用Transformer骨干网络，它能够构建分层特征图，并实现与图像尺寸呈线性关系的计算复杂度。 这些优势使Swin Transformer适用于多种视觉任务的通用骨干网络，与此前仅生成单一分辨率特征图且具有二次计算复杂度的基于Transformer的架构形成鲜明对比。 对于包含 h × w 个图像块的图片，其计算复杂度分别为： 全局多头自注意力 (MSA)：4hwC² + 2(hw)²C （公式1） 基于窗口的多头自注意力 (W-MSA)：4hwC² + 2M²hwC （公式2） 其中前者与图像块数量 hw 呈二次方关系，而当 M 固定时（默认设置为7），后者复杂度呈线性增长。 同时推出了Swin-T、Swin-S和Swin-L三个变体，其模型规模与计算复杂度分别约为基准模型的0.25倍、0.5倍和2倍。
35510编辑于 2026-04-02 - 来自专栏网络技术联盟站
网络工程师做了那么多项目了，骨干网懂多少？骨干网网络规划设计技术图文讲解的够详细了！
和STUB 区(LEVEL1)，由于其LEVEL1访问其他区域网络是采用到最近的L2 路由器方式，容易产生路由次优化问题 总的来说：从中等规模到大规模网络，OSPF应用更加广泛；ISIS比较适合在运营商的骨干网络中承担 1、保持网络的稳定 通过路由聚合（IP地址规划很重要）、设置缺省路由等减小路由表规模，同时也可以屏蔽下层网络频繁变化对骨干网络造成的影响 2、控制数据流量的走向 在 由于在骨干网络上部署IntServ太复杂，目前在骨干网上大都使用DiffServ模型，即在网络的边缘给报文分类，在骨干网络上面根据分类的结构进行区别转发。 2、同一个V**的用户的IP地址尽量连续，便于控制及QOS的部署 3、同一个Site下的V**用户的IP地址尽量连续，便于路由的汇聚 V**路由规划 V**路由分为两个部分，即骨干网路由和V **内部路由，骨干网路由前面讨论过（PE之间一定要能学到对端PE的LoopBcak 地址） V**内部路由指PE-CE之间的路由，目前有以下选择： RIP version 2 OSPF BGP-
5K21发布于 2019-07-23 - 来自专栏huofo's blog
【科普】网络线路的那些事，带你了解 163骨干网 CN2 GT 线路 CN2 GIA 线路的含义与区别
163 骨干网 在上世纪的时候，中国电信建设了一条线路：电信骨干网络，也就是我们通常所说的 163 骨干网，并将这条线路接入了全球互联网 ChinaNET 。 163 骨干网不堪重负 CN2 出现 中国电信后来建设了下一代承载网络， CN2 网络或者说 CN2 线路，又叫 中国电信CN2 ，即互联网第二平面（俗称二平面），是中国电信的下一代承载网， CN2 线路全称 CN2 网络第一期工程由骨干网络和精品业务网络组成，尤其是承载网对新业务的支持能力，是中国电信骨干网络和其商业客户之间的重要纽带，将直接决定中国电信提供的质量和灵活性。 实际上 CN2 GT 共享上的是 163 骨干网的出口，CN2 GT 并没有自己的中国出口。省级 / 出国节点为 202.97 开头，国际骨干节点有 2～4 个 59.43 开头的CN2节点。 这也是为什么 CN2 GT 会走到很多 202.97 的 163 骨干网上去就是这个原因。 什么是 CN2 GIA 线路？
4.7K30编辑于 2022-03-17 - 来自专栏SDNLAB
中国联通发布IP骨干网SDN创新实践成果
4月18日，在2018中国SDN/NFV大会期间,中国联通邀请业界SDN专家在北京召开了“中国联通IP骨干网SDN实践成果发布与研讨会”，会上中国联通发布了基于CUBE-NET 2.0的IP骨干网SDN 这些网络服务产品背后的技术基础，正是中国联通基于CUBE-NET2.0架构实施IP骨干网SDN重构的一系列技术创新。 联通中讯设计院数据技术部总工马季春具体介绍了联通实施IP骨干网SDN重构的技术路线、方案特点、技术成果和实践经验。 通过一年多的自主研发，攻克了大量技术难题，在IP骨干网的SDN演进上取得了重大突破。 解决了现有业务网络平滑演进问题，将含有大规模存量业务的IP骨干网升级为SDN驱动的网络，具有很高的示范价值。 （2）强大的软件控制能力 通过控制器支持全网业务配置分钟级下发。
1.3K50发布于 2018-06-11 - 来自专栏机器学习AI算法工程
基于PyTorch的卷积神经网络经典BackBone(骨干网络)复现
但我们仍然可以在一些最新的网络结构中发现它们的身影，这些经典CNN网络有时候是整个算法提取特征的骨架(特征的质量往往直接影响到分类结果的准确度，表达能力更强的特征也能给模型带来更强的分类能力)，因此又称为“Backbone”(骨干网络 )/Stride+1 (Kernel:卷积核尺寸，Stride:步长，Padding:边界填充) 若要保证输出尺寸和原尺寸一致,Padding可以设置为:Padding = (kernel-1)/2) 2.2.2改进(Inception v2) 卷积分解 Inception v2较Inception v1将5x5的大卷积分解成两个3x3的小卷积(效仿VGG网络的处理方式，减少了参数量同时增加网络的非线性能力 自上而下网络(提供高层语义特征)：在这一结构中，首先对C5进行1x1卷积降低通道数得到M5，接着依次上采样得到M4，M3，M2.目的是得到与C4，C3，C2相同尺寸但不同语义的特征。 值得注意的是，在网络的上采样过程中采用的不是反卷积或者非线性插值方法，而是普通的2倍最邻近上采样(可以最大程度保留特征图的语义信息，得到既有良好的空间信息又有较强烈的语义信息的特征图。)
1.9K40编辑于 2022-05-10 - 来自专栏机器之心
MOAT项目原作解读：强大的可扩展视觉骨干网络
该工作概念简单的 MOAT 网络出人意料地展现出高性能，在 ImageNet-1K / ImageNet-1K-V2 上仅用 ImageNet-22K 预训练的情况下，达到了 89.1% / 81.5% 分享主题：MOAT：强大的可扩展视觉骨干网络 分享嘉宾：杨程麟，约翰霍普金斯大学计算机系博士生，导师是 Bloomberg 杰出教授 Alan Yuille。 研究方向为计算机视觉和人工智能，包括视觉骨干网络设计，知识蒸馏和强化学习。目前以第一作者身份在计算机视觉以及机器学习顶级会议上发表过多篇论文。 ，北京时间 2 月 6 日 19:00 开播。 如群已超出人数限制，请添加机器之心小助手：syncedai2、syncedai3、syncedai4 或 syncedai5，备注「MOAT」即可加入。
73630编辑于 2023-03-29 - 来自专栏AI SPPECH
YOLO骨干网络优化与创新：从Darknet到动态架构的演进
1.3 YOLO骨干网络的演进历程 YOLO系列算法的骨干网络经历了从简单到复杂、从固定到动态的演进过程： YOLOv1：使用自定义的卷积神经网络，包含24个卷积层和2个全连接层，结构简单但特征提取能力有限 YOLOv10：引入动态骨干网络，能够根据输入图像的复杂度自适应调整网络结构，实现精度与速度的最佳平衡。 2. 核心更新亮点与新要素 2.1 YOLO骨干网络演进概览 版本 骨干网络 核心创新 参数量 (M) FLOPs (G) 特征提取能力 YOLOv1 自定义CNN 单阶段检测框架 41 30.6 基础 YOLOv2 YOLO中的性能表现 骨干网络 YOLO版本 mAP@50 速度 (FPS) 参数量 (M) FLOPs (G) Darknet-19 YOLOv2 76.8% 67 50 31.0 Darknet-53 }') print(f' Parameters: {params:.2f} M') print() 关键词： YOLO, 骨干网络, Darknet, CSPDarknet, RepVGG
83010编辑于 2026-01-03 - 来自专栏AI算法与图像处理
最强骨干网络：Swin Transformer来了
2. 替代convolution。在这个方向上尝试不多，早期有LocalRelationNet、Stand-alone Self-attention Net。 ViT的出现改变了很多固有认知，我的理解主要有两点：1. locality（局部性）；2. translation invariance（平移不变性）。 基于这些理解，我们组提出了一个通用的视觉骨干网络，Swin Transformer [paper] [code]，在这里简单介绍一下。 2. 图片中的物体大小不一，而ViT中使用固定的scale进行建模或许对下游任务例如目标检测而言不是最优的。
1.5K60发布于 2021-04-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号