- 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？ __init__() self.conv1 = nn.Conv2d(inp_dim, out_dim, (3, 3), = self.low3(low2) up2 = self.up(low3) return up1 + up2 其中有两个主要的函数make_layer和make_layer_revr nstack为2时的hourglass网络 3.
2.2K30发布于 2020-08-04 - 来自专栏鲜枣课堂
大话中国骨干网（上）
美国对这根专线提出了苛刻的要求：1、只能连入能源科学网（ESNET）；2、不得散布病毒；3、不得用于军事和商业领域。 为了长远考虑，中方接受了这些条件。 这个网，就是现在大名鼎鼎的中国第一骨干网——ChinaNet。 中国金桥信息网（CHINAGBN） 1993年3月12日，朱镕基副总理主持会议，提出和部署建设国家公用经济信息通信网（简称金桥工程）。 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。。。 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
3. self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, = BatchNorm(bottle_planes) self.conv2 = nn.Conv2d(bottle_planes, bottle_planes, kernel_size=3, out) out = self.bn3(out) out += residual out = self.relu(out) return = Tree(levels[3], block, channels[2], channels[3], 2, level_root=True, root_residual
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
右边(b)图代表PeleeNet中设计的基本模块，除了将原本的主干分支的filter减半(主干分支感受野为3x3)，还添加了一个新的分支，在新的分支中使用了两个3x3的卷积，这个分支感受野为5x5。 仔细看看上图展示的结构，先使用strided 3x3卷积进行快速降维，然后用了两分支的结构，一个分支用strided 3x3卷积, 另一个分支使用了一个maxpool。 这一部分和组合池化非常相似，stem block使用了strided 3x3卷积和最大值池化两种的优势引申而来的池化策略(组合池化使用的是最大值池化和均值池化)，可以丰富特征层。 残差预测模块 ResBlock模块中使用1x1卷积相比直接用3x3卷积，可以减少21.5%的计算量。 PeleeNet是按照以下结构进行组织的。 ? 网络架构 ? 实验 消融实验： ?
1.5K10发布于 2020-05-20 - 来自专栏GiantPandaCV
CNN骨干网络新选择HS-ResNet
介绍 这篇工作里面我们考虑以下3个问题 如何避免在特征图产生冗余信息 如何在不增加计算复杂度前提下，让网络学习到更强的特征表达 如何得到更好的精度同时，保持较快的推理速度 基于上述3个问题，我们设计了HS-Block HS-Block模块示意图 只有第一组的能直接送入到最后的输出中 从第二组开始操作就开始不一样了： 第二组的特征图经过3x3卷积后，得到了图示的黄色方块 然后它会被分离成两组子特征图 一组子特征图拼接到最后的输出 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。 类似的，第三组特征图经过3x3卷积后，也以elementwise-add的形式加到第四组特征图上。 下面我们看看GhostNet模块： ? 特征图冗余 部分特征图是可以在已有特征图上生成，因此借助GhostNet的思想，我们在模块内将 S2 组卷积得到的特征图，部分拼接到 S3 组，实现了特征图的复用，后续组也是这样一个做法，成功用 GhostNet
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。 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。 Part3 大核注意力机理与骨干网络 下面介绍大核注意力的机理和VAN的设计。 注意力机制 注意力机制可以理解为：计算机视觉系统在模拟人类视觉系统中可以迅速高效地关注到重点区域的特性。 对于SENet[3] 来说，attention map 是一个C维向量，该向量反映了每个通道的重要程度。 图3 不同模块的结构 视觉注意力网络VAN 基于LKA，本文搭建了一个新的视觉骨干网络VAN。
1.1K20编辑于 2023-09-03 使用轻量级骨干网络MobileNetV3替换backbone的python源码+训练源码
【MobileNetV3介绍】 总体介绍：采用神经架构搜索（NAS）技术优化网络宽度和深度，重新设计耗时层结构，分为 MobileNetV3-Large 和 MobileNetV3-Small 两种结构 如 MobileNetV3-Large 适用于对精度要求较高的场景，MobileNetV3-Small 则更注重轻量性。 新增MoileNetV3.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. 'MobileNetV3_large_n', 'MobileNetV3_large_s', 'MobileNetV3_large_m', 'MobileNetV3_small_n', 'MobileNetV3 ]] # Detect(P3, P4, P5) 3.
89810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。 不久前，2024年3月，中国移动开通了全球首条400G全光省际（北京-内蒙古）干线，被视为一个重要的标志事件。 骨干网升级400G的原因，是显而易见的。 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。 所以，长途骨干网早期设计阶段的时候，基本上聚焦于16QAM和QPSK。后来有了16QAM-PCS，也加入了竞争。 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。
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
(3) 模型分析 时序依赖可视化： ? 对于序列的最后一个时间点，各模型学到的时序依赖可视化，图(a)中红色线表示学习到的过程的位置。
1.4K40发布于 2021-07-14 - 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！ (3) 模型分析 时序依赖可视化： 对于序列的最后一个时间点，各模型学到的时序依赖可视化，图(a)中红色线表示学习到的过程的位置。
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。
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！
目前的网络结构大都采取一种层次划的组网方式，大体可以分为以下几个部分： 核心层网络 交换数据包，实现数据包的高速转发，核心层的设备要求交换容量、转发快、高稳定性 汇聚层网络 隔离拓扑结构变化，防止其不断变化对骨干网造成影响 、引起网络振荡，控制路由表的大小 接入层网络 将终端用户接入到网络，其具有网络接口类型丰富，接口数量多的特点 网络结构模型 骨干网模型 省网接入模型 城域网接入模型 NETWORK命令发布，避免通过直接引入IGP路由导致频繁的骨干网路由振荡。 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
5K21发布于 2019-07-23 - 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 在今年3月9日，作为网络业务创新的重要标志，中国联通发布了“云联网”等多个面向政企客户和OTT的云网协同新产品，率先开启了国内运营商提供云网一体化服务的进程。 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。 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。 （3）先进的系统架构 通过自定义接口规范，实现了全解耦的分层SDN控制架构。控制器和网络设备解耦，应用层和控制器解耦。实现了多厂家设备、多厂家控制器的完全互操作。
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 1.VGG 网络架构: VGG16网络由13层卷积层+3层全连接层构成。 1.1改进： 更小的卷积核，对比AlexNet,VGG网络使用的卷积核大小不超过3x3，这种结构相比于大卷积核有一个优点，就是两个3x3的卷积核堆叠对于原图提取特征的感受野(特征图一个像素融合了输入多少像素的信息决定了感受野的大小 )相当于一个5x5卷积核(如图)，并且在同等感受野的条件下，两个3x3卷积之间加入激活函数，其非线性能力比单个5x5卷积要强。 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。
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
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。 模型平台项目主页链接： https://sota.jiqizhixin.com/project/moat 2）论文链接： https://arxiv.org/abs/2210.01820 3）代码仓库： 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。 如果你也有最新工作希望分享或提交你感兴趣的内容方向，随时告诉我们吧：https://jiqizhixin.mikecrm.com/fFruVd3 机器之心 · 机动组 机动组是机器之心发起的人工智能技术社区
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
重参数化卷积：将多个卷积层（如3×3卷积、1×1卷积、恒等映射）合并为一个等价的3×3卷积，减少了推理时的计算量。 高效训练：多分支结构有助于模型更好地学习特征，提高训练效率和模型精度。 2.3 新要素引入 本文引入了以下3个前批次/前文章中完全未出现的新要素： YOLOv10动态骨干网络设计：详细介绍了YOLOv10的动态骨干网络架构和工作原理，包括自适应结构调整、动态计算分配等。 骨干网络轻量化技术对比：系统对比了不同轻量化技术（如CSP、RepVGG、分组卷积等）在YOLO骨干网络中的应用效果和性能差异。 3. 技术深度拆解与实现分析 3.1 Darknet-53实现细节 Darknet-53是YOLOv3中使用的骨干网络，其核心设计是残差连接。 与主流方案深度对比 4.1 YOLO骨干网络与其他主流骨干网络对比 骨干网络 来源 参数量 (M) FLOPs (G) Top-1 Accuracy (%) 特点 适用场景 Darknet-53 YOLOv3
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
如果仅看结果，这些工作基本上已经可以做到替换掉3x3 conv不掉点，但有一个通病就是速度慢，即使是写kernel依然抵不过对conv的强大优化，导致这一类方法在当时并没有成为主流。 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。
1.5K60发布于 2021-04-21 使用轻量级骨干网络MobileNetV1替换backbone的python源码+训练源码
新增MoileNetV1.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. , 2, "nearest"]] - [[-1, 2], 1, Concat, [1]] # cat backbone P3 - [-1, 2, C3k2, [256, False]] # 12 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 9], 1, Concat, [1]] # cat head P4 - [-1, 2, C3k2, [512, False]] # 15 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 6], 1, Concat, [1] ]] # Detect(P3, P4, P5) 3.
47810编辑于 2025-07-18- 来自专栏云计算
从内循环到全球化：联通骨干网的破局之路
一、联通骨干网的"三级跳"发展历程中国联通的骨干网发展犹如一场精心编排的"三级跳"比赛，从最初的B网起跳，经过169网的腾空，最终以A网完美落地。 联通B网作为第一跳，诞生于2G向3G过渡的关键时期。这张网络就像一位勤勤恳恳的邮差，主要负责承载2G/3G移动网业务。但随着技术发展，这位"老邮差"逐渐完成了历史使命，将接力棒交给了更先进的网络。 这条国际骨干网就像一座横跨大洋的桥梁，连接着中国与全球互联网。 中国联通通过持续优化骨干网架构，为数字中国建设提供了坚实支撑。
1K10编辑于 2025-04-16
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