论文

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/2201.03545 A ConvNet for the 2020s 之前的论文都是基于Transfo

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 http://arxiv.org/abs/2010.11929 AN IMAGE IS WORTH 16X16 WORDS: TRANSFORME

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/1706.03762，Transformer，注意力机制

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 BASNet: Boundary-Aware Salient Object Detection https://ieeexplore.ieee.o

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://doi.org/10.1007/978-3-031-19815-1_36 本文贡献 本文提出了一种新的基于Transformer的

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 SegFormer， 一个有效但简单的目标分割网络一个高效、准确且简单的基于Transformer的目标分割网络。

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/2110.02178 纯Transformer模型缺点： 参数多，算力要求高 缺少空间归纳偏置 绝对位

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/2101.03697 其中a和b是控制宽度的，a是控制stage1-4的宽度，b控制stage5的宽度

本文已参与「新人创作礼」活动，一起开启掘金创作之路。EfficientNetV2：https://arxiv.org/abs/2104.00298 引入Fused-MBConv模块

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 EfficientNetV1：https://arxiv.org/abs/1905.11946 EfficientNetV1 卷积后都默认跟有BN

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 ShuffleNet V2：https://arxiv.org/abs/1807.11164（值得读，硬核，内容多，提到的思想和做的实验都很全面）

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 ShuffleNet V1：https://arxiv.org/abs/1707.01083v2 ShuffleNetV1 注意：对于stage2

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 MobileNetV1：https://arxiv.org/abs/1704.04861 MobileNetV2：https://arxiv.or

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/1611.05431 在这篇文章中，作者介绍了ResNeXt。ResNeXt是ResNet和Incep

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/1512.03385 网络亮点 超深的网络（突破1000层） 提出residual模块（残差模块） 使

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/1409.4842 网络亮点 引入了Inception结构（融合不同尺度特征信息） 使用1×1卷积核进

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 https://arxiv.org/abs/1409.1556v6 常用D的配置，即16层的配置（13个卷积层+3个全连接层） 网络结构 3×3卷

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 相关工作 深度学习方法分为两类： 其一是从传统浅层一致性的方法向 深度学习方法的自然拓展，它通过探索深层次相似性来增强多张图像中相似 的候选区域。

这是一篇CoSOD综述，阐述了什么是CoSOD，发现了现存数据集的缺陷，并公开了一个新的数据集CoSOD3k，提出了一个统一的、可训练的框架CoEG-Net，并总结了40个前沿算法，在4个数据集对其中