- 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？ 以上两个都用的是5阶的hourglass exkp(n=5, nstack=2, dims=[256, 256, 384, 384, 384, 512], modules=[2, 2, 2, 2, 2, 4] 堆叠多次hourglass self.num_classes = num_classes curr_dim = dims[0] # 快速降维为原来的1/4
2.2K30发布于 2020-08-04 - 来自专栏鲜枣课堂
大话中国骨干网（上）
1994年4月初，中美科技合作联委会在美国华盛顿举行。会前，中科院副院长胡启恒代表中方向美国国家科学基金会（NSF）重申连入Internet的要求，得到美方的认可。至此，所有的阻碍都被消除。 ? 胡启恒 1994年4月20日，NCFC接入Internet的64K国际卫星专线正式开通（通过美国Sprint公司），实现了与Internet的全功能连接。 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。。。 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
class Tree(nn.Module): ''' self.level5 = Tree(levels[5], block, channels[4], channels[5], 2, = Tree(levels[4], block, channels[3], channels[4], 2, level_root=True, root_residual __init__() assert down_ratio in [2, 4, 8, 16] self.first_level = int(np.log2(down_ratio = [2 ** i for i in range(len(channels[self.first_level:]))] # first_level = 2 if down_ratio=4 # channels = [16, 32, 64, 128, 256, 512] to [64, 128, 256, 512] # scales = [1, 2, 4,
7.6K31发布于 2020-08-10 - 来自专栏云头条
全球骨干网中断 4 小时：谷歌云、AWS、Azure 等均受到影响
OVHcloud发布了一份报告，称网络骨干网性能降级从6月6日12：24 UTC开始，到15：00 UTC结束。 报告称：“马赛和新加坡之间的骨干网连接现已修复。延迟已恢复到最佳状态。”
71120编辑于 2022-06-09 - 来自专栏GiantPandaCV
Pelee：移动端实时检测骨干网络
Two-Way Dense Layer 上边左边(a)图是DenseNet中设计的基本模块，其中k、4k代表filter的个数。 Stem Block 这个模块设计受Inceptionv4和DSOD的启发，想要设计一个计算代价比较小的模块。 瓶颈层设置动态变化的通道数 在DenseNet中，有一个超参数k-growth rate, 用于控制各个卷积层通道个数，在DenseNet的瓶颈层中，将其固定为4k，也就是说瓶颈层是增加了模型的计算量，
1.5K10发布于 2020-05-20 - 来自专栏GiantPandaCV
CNN骨干网络新选择HS-ResNet
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。
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。 图2 13 x 13 卷积的分解 如上这种分解与 mobilenet[4] 中的分解相比，不同之处在于，作者对空间进行了二次分解，这使得该方法更加适用于大卷积核的分解。 图4 与 ConvNeXt、Swin transformer以及 PVT 的比较 通过 Grad-CAM方法[7]，进行可视化的结果如下。 , Ming-Ming Cheng and Shi-Min Hu, Visual attention network, Computational Visual Media, Vol. 9, No. 4,
1.1K20编辑于 2023-09-03 使用轻量级骨干网络MobileNetV4替换backbone的python源码+训练源码+改进流程+改进原理
【MobileNetV4介绍】 MobileNetV4是专为移动设备设计的轻量化神经网络架构，其核心原理与显著优点如下： 原理介绍 MobileNetV4通过三大核心创新实现高效性能： 通用倒瓶颈（UIB 推理速度与精度双提升：MNv4-Hybrid-Large模型在ImageNet-1K上达到87%的Top-1准确率，同时在Pixel 8 EdgeTPU上仅需3.8ms完成推理，较前代模型MACs减少39 MobileNetV4凭借其模块化设计、硬件感知优化及蒸馏技术，在移动端实现了精度与效率的双重突破，为实时性要求高的应用场景提供了理想解决方案。 新增MoileNetV4.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. ', 'MobileNetV4ConvSmall', 'MobileNetV4ConvMedium', 'MobileNetV4HybridMedium', 'MobileNetV4HybridLarge
1.4K10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。 骨干网升级400G的原因，是显而易见的。 一方面，居民数字生活（高清视频、远程会议、在线直播、在线游戏等）所带来的消费互联网流量增长，仍在持续。 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。 这就对DCI（数据中心互联网络）提出了更高要求，光通信骨干网必须在技术性能上能够满足这一需求。 我们国家在算力上的战略，还是秉承了“全国统筹、整体布局”的思路。 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。
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 默认设置中窗口尺寸M=7，所有实验均采用每个注意力头的查询维度d=32，且每个MLP中的扩展层维度放大系数α=4。
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
尽可能延长预测时效是时序预测的核心难题，对于能源、交通、经济的长期规划，气象灾害、疾病的早期预警等具有重要意义。
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！
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 默认设置中窗口尺寸M=7，所有实验均采用每个注意力头的查询维度d=32，且每个MLP中的扩展层维度放大系数α=4。这些模型变体的具体架构超参数如下： 性能与对比
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！
连续性 IP地址的连续性有利于路由的聚合，尤其是在目前的分层网络中，能极大的缩减路由表的规模，有利于QOS的部署 3、业务相关性 同种业务的IP地址尽量在一个地址段中，便于业务的控制 4、 OSPF更加灵活，OSPF协议是基于接口的，而IS-IS路由器只能属于一个Area，并且不提供对FR、ATM、X.25网络的专门支持； 3、IS-IS占用网络资源相对较少，支持网络规模大于OSPF 4、 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。 5 Video （AF） 4 上网业务 （BE） 1 MPLS V**网络的规划 MPLS 4 static routing 对于大客户或者V**内路由数量比较多的情况建议采用BGP-4 作为PE-CE之间的路由协议。
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 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。 （4）多种新技术应用 国内首次实现Segment Routing在运营商网络部署，首次实现了多厂家设备的SR互通应用，首次实现SDN配合SR-TE进行业务调度。
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 ] https://www.cnblogs.com/qianchaomoon/p/12315906.html ResNet-50网络整体架构 Bottleneck结构 论文中将Resnet-50分成了4个大的卷积组 自下而上网络(提供不同尺度的特征)： 最左侧为普通的特征提取卷积网络(ResNet)，C2-C4代表resnet中的四个大的卷积组，包含了多个Bottleneck结构，原始图像的输入就从该结构开始。 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。 zhuanlan.zhihu.com/p/92005927 横向连接： 将高层的语义特征与浅层的细节特征相融合(中途使用1x1卷积使得两者的通道数相同) 卷积融合： 得到相加的特征后，再利用3x3卷积对M2-M4进一步融合
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。 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
53个卷积层 引入残差连接，解决了深层网络的梯度消失问题 采用步长为2的卷积层替代池化层，保留了更多特征信息 参数量约为61M 2.2.2 CSPDarknet设计理念 CSPDarknet是YOLOv4中引入的骨干网络 _make_residual_block(128, 256, 8) self.layer4 = self. x) x = self.layer5(x) return x 3.2 CSPDarknet实现细节 CSPDarknet是YOLOv4中引入的骨干网络，其核心设计是跨阶段局部连接 : x = layer(x) * control_params[3] return x 4. 参考链接： YOLOv3论文：YOLOv3: An Incremental Improvement YOLOv4论文：YOLOv4: Optimal Speed and Accuracy of Object
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
Swin Transformer 代码于2021年4月13日凌晨刚刚开源！ 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。 在这里我们还是follow传统CNN构建了一个层次化的transformer模型，从4x逐渐降分辨率到32x，这样也可以在任意框架中无缝替代之前的CNN模型。
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
9倍 3.MobileNetV1的性能统计 Multiply-Add计算量 α-Width Multiplier（卷积核个数的倍率） β-Resolution Multiplier（图像尺寸的大小） 4. 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. m # YOLO11n backbone backbone: # [from, repeats, module, args] - [-1, 1, MobileNetV1_n, []] # 0-4 head: - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 3], 1, Concat, [1]] # cat backbone P4 - [-1, 2, C3k2, [512, False]] # 15 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 6], 1,
47810编辑于 2025-07-18
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