- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI智韵
Yolo11改进策略：主干网络改进|FastVit与Yolo11完美融合，重参数重构Yolo11网络（全网首发）
通过将FastViT引入Yolo11，并替换其原有的主干网络，我们成功实现了一次突破性的改进。 这一融合不仅保留了Yolo11原有的高效性和准确性，更在此基础上实现了显著的涨点效果，为目标检测领域带来了新的活力。 将FastViT与Yolo11相结合，我们充分利用了FastViT在效率和准确性上的优势，进一步提升了Yolo11的检测性能。 此外，由于FastViT的引入，Yolo11在处理复杂场景和多目标检测任务时，也展现出了更为出色的稳定性和可靠性。 我们使用批归一化而不是层归一化，因为它可以在推理时与前一层融合。此外，它不需要额外的重塑操作来为LayerNorm获得适当的张量布局，就像在ConvNeXt块的原始实现中那样。
1.9K10编辑于 2024-12-27 - 来自专栏计算摄影学
11. 图像合成与图像融合
三、多频段融合 要想让Alpha融合结果显得自然，很关键的一点是选择合适的融合窗口大小。我用下面的实例来说明这个问题。 让我们把以下两张照片融合到一起。 ? OK，因此如果重建出原始图像可以看到，我们这里讲的多频段融合，即拉普拉斯金字塔融合，实际上是在半自动的计算最佳的融合窗口和权重大小，其本质上还是一种线性融合： ? 由于两层金字塔融合，甚至多层金字塔融合同时考虑到了图像中的不同频率的信息，因此通常融合出来的效果相比单层的Alpha融合（线性融合）更好。 而今天给大家介绍了图像合成和融合的几个基本的方法，包括cut-and-paste，alpha融合，以及多频段融合。它们基本上都可以归纳为图像之间的线性融合，其中多频段融合是一种多层的线性融合。 我下一讲将要讲到一种效果非常好的融合方式：泊松融合。 ?
2.1K50发布于 2020-04-17 - 来自专栏IT技术精选文摘
大规模异构网络数据融合
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1.1K70发布于 2018-05-30 - 来自专栏SDNLAB
全融合网络虚拟化技术
网络的扁平化架构还可以减少网络管理设备数量，使数据中心网络布线更加方便，大二层网络也更加适合虚拟机的部署和迁移，同时数据转发平面的虚拟化，方便网络自动化编排。 ? 四、 网络计算融合虚拟化 通过Overlay技术实现网络虚拟化后，实现了应用与物理网络的解耦，但是网络与计算还是相互独立的，当前的网络架构还无法实现网络与虚拟机的联动，因此，必须要有一种新的IT架构来实现应用与网络的联动 VCF架构是通过集中控制的方式，实现网络与应用联动，同时可以兼容Overlay的自学习模式，从而实现网络与计算的融合虚拟化。 ? iMC云管理平台，融合了终端管理、网络管理以及云业务管理三大管理平台，实现了云业务端到端的管理。 五、 结束语 H3C VCF架构融合了网络计算存储，其最大的特征是增加了一个统一的控制器，把底层物理设备的控制权集中起来，从而能够实现所有资源的相互联动，同时对外提供了开发的接口供第三方进行定制化开发，
1.6K90发布于 2018-04-03 - 来自专栏Linux基础入门
（11）Linux网络命令
：ping 命令所在路径：/bin/ping 执行权限：所有用户 语法：ping 选项 IP地址 -c 指定发送次数 功能描述：测试网络连通性 例1:time越短，网络越好。同时在ping时我们重点关注packet loss，如果丢包率非常高，即使ping通了，说明网络状态也很差。 ? ? 4. 命令名称：netstat 命令所在路径：/bin/netstat 执行权限：所有用户 语法：netstat [选项] 功能描述：显示网络相关信息 选项： -t: 例2：netstat -an 查看本机所有网络链接 相对于-tlun，最大的区别在于，-tlun只能查看监听，-an可以查看正在连接的网络程序 ? 命令名称：setup 命令所在路径：/usr/bin/setup 执行权限：root 语法：setup 功能描述：配置网络 例1：输入setup后显示如下图 ?
76620发布于 2020-08-26 - 来自专栏最新医学影像技术
图像融合生成对抗网络案例
前几篇文章给大家分享了各种基于小波变换方法的图像融合例子，今天我将分享如何使用生成对抗网络来进行图像融合。 简单说明一下，FusionGAN是由生成网络和判别网络构成，生成网络采用的是VNet模型，判别网络采用的是常规分类网络，生成网络的输入是两幅多模态的原始图像，两幅原始图像经过VNet网络产生生成融合图像结果 ，然后将金标准融合图像和生成网络的融合图像一起输入到分类结构的判别网络中去进行真假判别。 首先是生成网络损失函数和判别网络损失函数曲线训练结果。 ? ? 然后是训练过程中生成的融合图像与金标准融合图像如下所示，可以看到随着不断训练生成的融合图像与金标准融合图像越来越相似。 ? 四、生成融合图像效果 最后用训练好的FusionGAN模型来对输入红外图像和自然图像进行融合，并与基于小波变换的脉冲耦合神经网络融合结果进行比对，结果还是比较接近的，如下图所示。 ?
1.6K30发布于 2020-06-29 Java EE(11)——初识网络
这便是本文所要讨论的内容 IP地址 IP地址用于表示网络设备（如路由器）的网络地址。换言之，IP用于定位主机的网络地址。 网络通信为了解决上述问题，就引出了“协议”。协议又叫做网络协议，是网络数据传输经过的所有设备都必须遵守的一组约定和规则，协议最终体现在网络上传输的数据包的格式。 协议分层 网络通信是一件十分复杂的事情，需要的场景越复杂，要求就越高。 这里以UDP协议为例，在应用层数据包前面添加UDP报头，然后提交给网络层 UDP报头主要包含源端口和目的端口 3.网络层 网络层基于IP协议在UDP数据报前面添加IP报头，然后提交给数据链路层 3.网络层 网络层解析出IP报头，将IP数据报的载荷部分提交给传输层 4.传输层 传输层解析出UDP报头，将UDP载荷部分提交给应用层 5.应用层 应用层将数据包进行解析
13610编辑于 2026-01-13基于yolov11融合改进检测头特征融合模块AFPN的python源码+训练源码
本文 提出了一种支持非相邻层次直接交互的渐近特征金字塔网络 (AFPN)。 AFPN首先融合两个相邻的低级特征， 然后逐渐将高级特 征纳入融合过程。 实验评估表明， 所 提出的方法比其他最先进的特征金字塔网络取得了更具竞争力的结 果。 索引术语-目标检测， 特征金字塔网络， 渐近融合， 自适应空 间融合。 受HRNet网络架构的启发，本文提出一种渐近特征金字塔网络(AFPN)来解决上述限制。在主干的自底向上特征提取过程中，我们通过在第一阶段结合两个不同分辨率的低级特征来启动融合过程。 3、渐进特征金字塔网络 A. 提取多层次特征 与许多基于特征金字塔网络的目标检测方法一样，在特征融合之前，从主干网络中提取了不同级别的特征。 在主干网络自下而上的特征提取过程中，AFPN渐近地融合了低级、高级和顶级特征。具体来说，AFPN最初融合了低级特征，接着融合了深层特征，最后融合了最顶层的特征，即最抽象的特征。
46000编辑于 2025-07-22基于yolov11引入特征融合注意网络FFA-Net的python源码+训练源码
【FFA-Net介绍】 北大和北航联合提出的FFA-net: Feature Fusion Attention Network for Single Image Dehazing图像增强去雾网络，该网络的主要思想是利用特征融合注意力网络 FFA-Net的主要思想是利用特征融合注意力网络（Feature Fusion Attention Network）直接恢复无雾图像。这种架构通过三个关键组件实现高效的图像去雾效果： 1. 基于注意力的不同级别特征融合（FFA）结构：通过特征注意力（FA）模块自适应学习的特征权重，给予重要特征更多的权重。这种结构还可以保留浅层的信息，并将其传递到深层。 个人总结： FFA-Net通过特征注意力机制和特征融合注意力结构的创新设计，有效地提升了单图像去雾技术的性能。 FFA - Net网络结构 【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。
39210编辑于 2025-07-22- 来自专栏边缘计算
云网络：云网融合的新型网络发展趋势
关键词：云网络；云网融合；软件定义广域网 2021年10月18日，习近平总书记在主持中共中央政治局第三十四次集体学习时指出，要加快新型基础设施建设，加强战略布局，加快建设高速泛在、天地一体、云网融合、智能敏捷 该特征在反映到现实世界中时，将演变为“云网络”这一新型网络形态。这种网络形态将使得云和网的传统边界变得模糊，使云和网在连接层面率先实现融合。 1. （3）网络边界深入云内。网络连接的端点需要与云业务相关联，以实现信息传送的深度直达，即让信息的“包裹” 能够送到用户手中。 （4）网络服务与云融合。 网络导航层主要解决的是网络服务与云融合的问题，可形成多维全域资源视图，为不同的应用和业务设计相应的网络策略，并结合实际资源效能形成最优的调度和配置。 从云网络承载的角度看，只有让IP+光传输成为一个整体网络，才能发挥网络最大价值。因此，业界争论多年的“彩光”技术将为IP和光网络的融合带来新的机遇。
2.4K20编辑于 2022-04-01 - 来自专栏杨熹的专栏
TensorFlow-11-策略网络
AlphaGo 主要使用了快速走子，策略网络，估值网络，和蒙特卡洛搜索树等技术。 深度强化学习模型本质上也是神经网络，主要分为策略网络和估值网络。 ---- 今天要先来实现一下策略网络，就是要建立一个神经网络模型，可以通过观察环境状态预测出目前最应该执行的策略以及可以获得的最大的期望收益。 每个环境信息包含四个值，例如小车的位置速度等，我们不需要编写逻辑来控制小车，而是设计一个策略网络，让它自己从这些数值中学习到环境信息，并制定最佳策略。 我们的策略网络是要使用一个简单的带有一个隐含层的 MLP，隐含层节点数为10，环境信息的维度为4。 ? 用 reshape 得到策略网络输入的格式，然后获得网络输出的概率 tfprob，然后在 0-1 之间随机抽样得到 action，如果它小于这个概率就利用行动取值为1，否则为0。 ?
85550发布于 2018-04-03 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
作者 | kaiyuan 整理 | NewBeeNLP公众号 最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈（下次一定 ） ? Representations[1] 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 。 采用随机游走有两个好处： 「利于并行化」：随机游走可以同时从不同的顶点开始采样，加快整个大图的处理速度； 「较强适应性」：可以适应网络局部的变化； Skip Gram word2vec的skip-gram 一个小结 deepwalk可以说给网络学习方向打开了一个新思路，有很多优点： 支持数据稀疏场景 支持大规模场景（并行化） 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图
1.1K31发布于 2020-10-21 - 来自专栏SDNLAB
新三网融合——计算存储与网络
网络转发设备用于传输流量，不同类型的流量对网络的需求是不同的。 数据中心中有三大类资源，计算、存储和网络，之前讲过的数据网络都是用来传输用户到用户的应用流量的，这类流量对于网络的容忍度比较高，丢包多一点、时延高一点或者抖动大一点都没什么关系，以太网+TCP/IP的协议栈基本上统治了数通网络领域 对于HPC流量，通常使用IB网络（Infinite Band，无限带宽网络）进行高带宽、低时延的传输，对于存储流量，则通常使用FC网络（Fibre Channel，光纤通道网络）进行高带宽、无丢包的传输 下图给出了数据中心中业务网络组网的简化模型。 ? 三张独立的网络往往意味着远超3倍的CAPEX/OPEX，整合势在必行。而三种网络的协议栈不同，要实现整合必须使用一个通用的承载协议。 这个专题我们就来讲一讲FCoE（Fibre Channel over Ethernet，ANSI T11），其演化思路是先整合接入层，再改造汇聚/核心层，以做到端到端的数据、存储整合，如下图所示。
2.3K60发布于 2018-04-02 - 来自专栏AI智韵
DyCAF-Net：动态类感知融合网络
同时，隐式神经架构，如深度均衡模型（DEQ）[10, 11]，通过求解固定点提供了一种替代堆叠深层的方法，实现了与深度无关的内存效率。 为此，我们提出了动态类感知融合网络（DyCAF-Net），这是一种通过三个互补原则重新思考颈部设计的新颖检测框架： 输入条件动态融合：用基于隐式均衡的颈部替换静态多尺度融合规则，该颈部学习根据输入场景条件传播特征直至收敛 残差连接确保保留原始特征图，这有助于稳定训练并促进网络中的梯度流。 B. 隐式多尺度均衡融合 传统多尺度融合技术，如PANet[4]中的技术，使用具有显式启发式的堆叠卷积层。 早期工作如特征金字塔网络(FPN)[3]引入了自上而下的路径，将语义丰富的深层特征与空间精确的浅层特征进行融合。 基于隐式建模的多尺度融合 像深度均衡网络(DEQ)[10]及其多尺度变体[11]这样的隐式模型，通过求解均衡状态而不是存储中间激活，为目标检测提供了内存高效的替代方案。
31710编辑于 2025-09-11 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈 [20200920100614548.png? Social Representations 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 \mathbf{X}_{e} \in \mathbb{R}^{|V| \times d} 。 采用随机游走有两个好处： 利于并行化：随机游走可以同时从不同的顶点开始采样，加快整个大图的处理速度； 较强适应性：可以适应网络局部的变化； Skip Gram word2vec的skip-gram相信大家都非常熟悉了 ，有很多优点： 支持数据稀疏场景 支持大规模场景（并行化） 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图、带权图
91820发布于 2020-09-23 - 来自专栏Miigon's Blog
笔记 Lab11: Networking | 网络
Lab 11: Networking (hard) 熟悉系统驱动与外围设备的交互、内存映射寄存器与 DMA 数据传输，实现与 E1000 网卡交互的核心方法：transmit 与 recv。 return; } rx_mbufs[ind]->len = desc->length; net_rx(rx_mbufs[ind]); // 传递给上层网络栈
69010编辑于 2022-10-27 - 来自专栏我爱计算机视觉
DLA：一种深度网络特征融合方法
本文回顾一篇CVPR 2018 的论文 Deep Layer Aggregation，一种网络特征融合方法，谷歌学术显示目前该文已有398次引用，希望对研究网络基础结构设计的同学有启发。 2.HDA (Hierarchical Deep Aggregation) IDA能够有效融合多个stage的特征，但是没有对stage内部多个block的特征进行融合。 Node中的特征引回到Backbone中，使得当前block将前面聚合后的特征作为输入，如下图所示： 为提高计算效率，将上图中同一深度的Aggregation Node进行融合，融合后的结构如下图所示 5.使用DLA构造CNN DLA是一个通用的架构，可以很方便地融合到现有的CNN结构中来完成多种计算机视觉任务。 5.1 分类 使用类似ResNet的结构，以DLA为基础构造网络完成分类任务。 6.总结 提出了IDA和HDA，用来融合不同block和不同stage的特征，并将IDA和HDA融合为DLA模块，以DLA为基础构造CNN； 通过实验证明了在分类和语义分割任务中，相比于同等规模的网络，
2.3K30发布于 2021-04-20 - 来自专栏AI SPPECH
YOLO Neck网络设计与特征融合：从FPN到自适应融合的演进
同时，本文对比了不同特征融合方法的性能差异，分析了Neck网络优化对YOLO检测精度的影响。 最后，本文展望了Neck网络的未来发展趋势，包括动态融合、轻量化设计、跨模态融合等方向，为研究者和工程师提供了深入理解YOLO Neck网络的宝贵参考。 1. 背景动机与当前热点 1.1 Neck网络在YOLO中的核心地位 Neck网络是YOLO算法的重要组成部分，位于骨干网络和检测头之间，负责将骨干网络提取的多尺度特征进行融合和增强，为检测头提供更有效的特征表示 核心更新亮点与新要素 2.1 Neck网络的核心创新点 YOLO系列算法在Neck网络设计上的核心创新主要体现在以下几个方面： 版本 Neck网络设计 核心创新点 性能提升 YOLOv3 FPN 自上而下的特征融合 78.3 41 33.5 79.2 +18% +14% 很高 中 轻量化融合 76.5 55 22.4 48.7 +14% +11% 中高 高 4.2 特征融合技术的优劣势分析 技术类型 优点 缺点
62310编辑于 2026-01-03 基于神经网络的图像融合算法
基于神经网络的图像融合算法神经网络图像融合基础核心思想与传统基于变换域或稀疏表示的融合方法不同，神经网络通过学习大量图像数据中的特征表示，自动提取最适合融合的特征层次，实现更智能、更自适应的图像融合。 卷积神经网络融合方法基本CNN融合架构% 简单的CNN融合网络示例layers = [ imageInputLayer([256 256 2], 'Name', 'input') % 双输入源图像 生成对抗网络融合方法GAN通过生成器和判别器的对抗训练，能产生视觉质量更高的融合图像。 fprintf('开始训练图像融合网络... 多尺度融合网络金字塔结构处理不同尺度特征U-Net-like 编码器-解码器架构残差连接保持细节信息3.
34310编辑于 2025-11-03- 来自专栏网络安全观
军民融合的网络安全体系研究
美国政府、军方和私营企业协调配合，相互融合，共同构筑了坚实的国家网络安全屏障。 军民融合是保障国家网络安全的根本举措。 一是走军民融合之路保障国家网络安全是世界各国的通行做法；二是产业性质和特点决定了国家网络安全必须走军民融合之路；三是军民融合是由网络空间作战特点决定的；四是军民融合已成为国家网络安全的战略需求；五是军民融合是实现我国自主可信确保国家安全的根本保障 如我国空军歼-10飞机、歼-11B飞机、歼轰-7A飞机、预警机、以及新型地空导弹等，国产武器装备种类迅速增多，系统配套方面也已接近或达到世界先进水平。 1．强化政策保障，加大军民融合网络安全支持力度 政策保障是实现军民融合网络安全的重要内容。发展军民融合的网络安全需要国家政策的大力支持，需要相关部门的有机配合和联合支撑。 2．加强组织保障，形成军民融合网络安全支撑体系 强大的组织保障是实现军民融合网络安全的基础条件。
1.8K40发布于 2021-02-25
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