DETRs Beat YOLOs on Real-time Object Detection组会汇报 现有的实时检测器一般为基于cnn的架构，在检测速度和准确性上实现了合理的权衡。然而，这些实时检测器通常需要NMS来进行后处理，这通常很难进行优化，而且不够健壮，从而导致检测器的推理速度慢。近年来，基于transformer的检测器取得了显著的性能。然而，DETR的高计算成本问题尚未得到有效的解决，这限制了DETR的实际应用，导致无法充分利用其好处。虽然DETR简化了目标检测流程（pipeline）的过程，但由于模型本身的计算成本高，很难实现实时目标检测。本文重新考虑了DETR，并对其关键组件进行了详细的分析和实验，减少了不必要的计算冗余。提出了一种实时检测器（RT-DETR），RT-DETR不仅在精度和速度方面优于目前最先进的实时检测器，而且不需要后处理，因此检测器的推理速度没有延迟，而且保持稳定，充分利用了端到端检测流程（pipeline）的优势。

包含Informer时间序列预测模型的论文源码和组会报告ppt Informer模型的主要特点包括： 多尺度时间编码器和解码器：Informer模型采用了一种多尺度时间编码器和解码器的结构，可以同时考虑不同时间尺度上的信息。 自适应长度的注意力机制：Informer模型采用了一种自适应长度的注意力机制，可以根据序列长度自动调整注意力范围，从而很好地处理长序列。 门控卷积单元：Informer模型采用了一种新的门控卷积单元，可以减少模型中的参数数量和计算量，同时提高模型的泛化能力。 缺失值处理：Informer模型可以很好地处理序列中的缺失值，使用了一种新的掩码机制，可以在训练过程中自动处理缺失值。 Informer模型已经在多个时间序列预测任务中取得了很好的效果，包括电力负荷预测、交通流量预测、股票价格预测等。 ———————————————— 版权声明：本文为CSDN博主「超级码猴k」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_48108092/article/details/129

论文来源：Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in neural information processing systems, 2014, 27. 根据上面论文，做一个简短的ppt汇报、分别讲述GAN的背景、结构、模型和目标函数等方面的理解

ConvNeXt + ParC Net论文梳理||组会汇报PPT，其中ConvNeXt部分参考了博主https://blog.csdn.net/qq_37541097的结构。欢迎指正交流

Transformer组会PPT

系统描述了自监督学习的来源与发展（偏向于对比学习在CV的应用），比如SimCLR, MoCo，BYOL, SimSiam等

参考文献： 原论文名称：EfficientNetV2: Smaller Models and Faster Training 论文下载地址：https://arxiv.org/abs/2104.00298 原论文提供代码：https://github.com/google/automl/tree/master/efficientnetv2 参考博文：https://blog.csdn.net/qq_37541097/article/details/116933569?spm=1001.2014.3001.5502 参考在bilibili上的讲解视频：https://b23.tv/M4hagB

RGB-T的组会PPT，希望大家能用上

CV方向关于Transformer的组会PPT，希望大家可以用上，自认为做的很不错了

第八次组会的PPT，讲解的内容为Vision Transformer 1.全文翻译：http://t.csdn.cn/P5i1H 2.知识点总结：深入浅出一文图解Vision in Transformer http://t.csdn.cn/NlVDJ