- 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？ 整体模型调用 large hourglass stack为2 small hourglass stack为1 n这里控制的是hourglass的阶数，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]),
2.2K30发布于 2020-08-04 - 来自专栏鲜枣课堂
大话中国骨干网（上）
1989年5月，中国研究网（CRN）通过当时邮电部的CNPAC，实现了与德国研究网（DFN）的互连。借助DFN的网关，CRN可以与Internet沟通。 一个月后，5月21日，中科院计算机网络信息中心完成了中国国家顶级域名（CN）服务器的设置，改变了中国的CN顶级域名服务器一直放在国外的历史。 ▉ 四大IP骨干网 1994年9月，就在中国迈入互联网世界后不久，邮电部电信总局与美国商务部签订协议，正式启动中国公用计算机互联网的建设。 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。。。
2.5K30发布于 2020-12-16 - 来自专栏GiantPandaCV
CenterNet的骨干网络之DLASeg
) cardinality = BottleneckX.cardinality # dim = int(math.floor(planes * (BottleneckV5. class Tree(nn.Module): ''' self.level5 = Tree(levels[5], block, channels[4], channels[5], 2, = Tree(levels[5], block, channels[4], channels[5], 2, level_root=True, root_residual down_ratio=down_ratio, final_kernel=1, last_level=5, DLASeg结构图 5.
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。
1.5K10发布于 2020-05-20 - 来自专栏GiantPandaCV
CNN骨干网络新选择HS-ResNet
【GiantPandaCV导语】这是最近百度的一篇网络结构设计文章，该网络结构是手工设计得来，主要改进在对特征图多级划分卷积，拼接，提升了网络的精度，同时也降低了推理时间。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。
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展示了将一个 13 x 13 的卷积分解成一个 5 x 5 的 depth-wise convolution 、一个 5 x 5 的depth-wise dilation convolution，和一个 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。 图5 表2中VAN-B2的可视化效果 Part5 后续工作 继该工作之后，计图团队在大核注意力的基础上继续探索。比如，如何将大核注意力用于语义分割任务和三维视觉任务。
1.1K20编辑于 2023-09-03 - 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。 目前，CMOS工艺从16nm提高到7nm和5nm，波特率也逐渐从30+Gbaud提高到64+Gbaud、90+Gbaud、128+Gbaud。 如果是C+L+S，那就是12T+5T，达到17THz的频宽。 多方面因素相叠加，单根光纤单个方向传输速率超过100Tbps，指日可待。 这些年，人们对很多技术（包括5G）都提出过质疑，但没有人会对光通信提出质疑，因为它是社会发展的刚需。 人类数据流量不断增加的趋势，在未来几十年都是不会变的。
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
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。
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！
_1 接口描述是为了能够确定设备接口连接的是什么设备，连到哪里去了，这些描述对以后的维护很重要 例如：TO_对端设备名_对端接口_带宽 举例：Description TO_NE40_POS5/ 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、扩展性 IP地址规划时留有一定的预留，便于在网络扩展时能延续网络的连续性 5、 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 我们这里说的MPLS V**的网络规划指的是V**内部的规划，公网部分的规划如前所示 1、确定V**的业务需求 2、网络设备类型的确定 3、V**-instance规划 4、RD规划 5、
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。 （5）新业务快速开发 在网络改造同时，中国联通基于CUII的SDN能力，同步开发了“云联网（CloudBond）”产品，可以提供安全、快速、弹性、电商化的云网协同连接服务。
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 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。 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。
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
YOLOv5：改进了CSPDarknet，引入了Focus层，增强了特征提取能力和计算效率。 _make_residual_block(256, 512, 8) self.layer5 = self. YOLOv3 83.2% 50 61 32.0 CSPDarknet53 YOLOv4 87.2% 62 64 33.0 CSPDarknet (YOLOv5) YOLOv5 89.0% 72 27 以下是一个简单的骨干网络性能测试脚本： import torch import time from yolov5 import YOLOv5 from yolov8 import YOLOv8 from yolov10 import YOLOv10 # 加载模型 models = { 'YOLOv5 Backbone': YOLOv5(weights='yolov5n.pt').backbone
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
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. MobileNetV1.yaml内容如下： # Ultralytics YOLO , AGPL-3.0 license # YOLO11 object detection model with P3-P5 ] # 5 - [-1, 2, C2PSA, [1024]] # 6 # YOLO11n head head: - [-1, 1, nn.Upsample, [None, 2, "nearest - [-1, 2, C3k2, [1024, True]] # 18 (P5/32-large) - [[12, 15, 18], 1, Detect, [nc]] # 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。 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 - 来自专栏云计算
三大运营商骨干网架构深度剖析：线路建设与用户体验
一、中国电信：双网并行 1. 163骨干网(AS4134) 物理层承载：覆盖全国98%地级市，2023年峰值流量达98.7Tbps 路由特征：全程"202.97.." 大众化服务网络(AS4837) 路由优化特征： 实施动态BGP选路策略，跨运营商平均延迟降低38ms 部署ECMP（等价多路径）负载均衡技术 全球实测表现： 东京IIJ线路时延：上海→东京63ms±5ms 新一代骨干网架构 智能路由系统： 部署AI预测模型，提前15分钟规避83%的拥塞风险 实施SRv6网络切片技术，创建12个业务专属通道 关键升级： 上海-洛杉矶400G海缆启用智能光交换技术 新加坡方向部署 德国智能制造通道 联通西门子专网： 部署TSN时间敏感网络，时钟同步精度±5μs 汽车产线数据回传时延<55ms 移动工业云实践： 在慕尼黑试点MEC边缘云，计算任务响应速度提升8倍 部署5G LAN技术实现工厂设备直连 业务类型直接决定网络架构的设计方向： 国内高并发业务（如电商、直播），可优先部署中国移动的智能路由网络，其AI流量预测与SRv6切片技术能动态规避拥塞，保障用户体验；若业务覆盖偏远地区，则需兼顾中国电信的广泛骨干网覆盖
6.5K10编辑于 2025-03-17
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