企业官网建设流程全解析

建设一个网站的文案需要,抖音代运营mcn,网站策划书10个点怎么写,浙江建设信息港电工证查询核心目标#xff1a; 在避免过度增加计算成本的前提下#xff0c;突破局部窗口建模的限制#xff0c;实现高效的全局特征提取。 核心思想#xff1a; 通过全局聚类将语义相似的图像块分组为簇#xff0c;再对每个簇使用共享卷积核进行卷积操作。既保留 CNN 的归纳偏置和计…核心目标在避免过度增加计算成本的前提下突破局部窗口建模的限制实现高效的全局特征提取。核心思想通过全局聚类将语义相似的图像块分组为簇再对每个簇使用共享卷积核进行卷积操作。既保留 CNN 的归纳偏置和计算效率又获得类似 Transformer 的全局建模能力。如图所示主要包括五个步骤图像分块与聚类中心初始化将输入图像转换为 H×W 个图像块每个块均作为潜在聚类中心并通过可学习参数将原始块特征转换为聚类中心特征向量下方黄色特征。提取特征向量子向量提取特征向量的子向量进行距离计算采样间隔 d 设为 8可以降低高分辨率图像处理的计算成本上方绿色向量。全局动态聚类计算每个聚类中心与特征向量子向量的 L₂范数距离通过 Top-K 算法选择距离最近的 K-1 个块与聚类中心共同组成大小为 K 的簇。得到N个簇使用 IndexSelect 从聚类中心向量中选择最终形成 H×W N 个全局分布的簇。簇上卷积操作对每个簇采用共享卷积核执行分组卷积借鉴深度可分离卷积思想平衡参数数量与计算效率生成新的特征图。实验部分可以参考作者论文这里不过多介绍。