Felix的个人博客

统一视觉模型 Florence-2

Florence-2 主要解决的问题是如何把多种视觉任务统一为一个生成模型，为了达成这样的目标，在 Florence-2 算法中涉及到三个主要的部分：1. DaViT 视觉编码器，用于提取图片的语义信息；2. 多模态融合，用于提示词和图像语义的拼接；3. 多模态编解码器，根据指定的任务 prompt，生成最终的任务结果。这一套方案将众多领域的视觉问题都转化成了生成问题，对于数据的共享，输出的...

2026-10-26 23:46 CV 12 阅读

目标检测 YOLO v3 算法

YOLO v3 整体上与 YOLO v2 结构上保持一致，保留了锚框的机制，但在各细节上，也是吸收了其他模型的发展，把一些优秀的设计引入到 YOLO v3 中，总结起来来看，主要有这样几点：1. 更深的网络，从 YOLO v2 中使用的 Darknet-19 提升到了 Darknet-53，通过更深的网络和残差连接获取更强的特征表达能力；2. 借鉴了特征金字塔 FPN，解决多尺度目标检测的问...

2026-10-25 22:23 CV 39 阅读

Swin Transformer

ViT 首次使用 Transformer 处理图像，证明了 Transformer 在视觉领域的可行性，Swin Transformer 则是在 ViT 的基础上，结合了图像的特点，设计了 W-MSA 和 SW-MSA 两种基于窗口的 Attention 计算方法，将 ViT 中基于全局的 Attention 的算法时间复杂度降低，同时，在 Block 之间加入 Patch Merging，...

2026-10-24 18:18 CV 59 阅读

目标检测 Pix2Seq 算法

目标检测从最初的基于候选框与密集预测开始，通过在预设的位置或者候选框上预测类别和边界框，这个阶段，代表性的算法有 Faster R-CNN、YOLO、RetinaNet 等；DETR 摒弃了这一套的思路，基于 Transformer 框架，将目标检测问题转换成集合预测的问题，在整个检测过程中，终于没有了繁杂的后处理流程，而且也不再需要 Anchor 的操作；Pix2Seq 算法进一步将目标检...

2026-10-20 23:27 CV 89 阅读

深入理解 CLIP 模型

CLIP 利用图像编码器和文本编码器将图片-文本对映射到一个共享的语义空间中，并通过对比学习，同时调整两个编码器的参数，使得在同一个语义空间中，匹配的图片-文本对之间的相似度高，不匹配的图片-文本对之间的相似度尽量变差，以此得到两个编码器。有了这两个编码器之后，可以完成很多基于相似度计算的下游任务，同时，也为后续的模型发展提供了一些思路，成为发展史上很重要的一环。

2026-10-19 22:54 CV 102 阅读

基于 Transformer 的目标检测算法 DETR

DETR 算法将 Transformer 引入到目标检测中，但是缺失了预测边框与 Ground Truth 之间的对应关系，在 DETR 中，将目标检测视为集合预测问题，并利用 Transformer 的编码器-解码器架构和基于集合的全局损失函数，从而简化了检测流程并去除了传统组件如非极大值抑制和锚框生成，相比较于之前的 Faster R-CNN 以及 YOLO 等算法，DETR 已经在端到...

2026-10-13 23:44 CV 144 阅读

特征金字塔 FPN

FPN 是 CNN 网络的一个重要模块，通常伴随着一个具体任务存在，如目标检测。FPN 的核心是对多个语义特征层采用横向连接和自顶向下的连接，这样简单的操作就能解决目标检测中的多尺度问题，让浅层特征获得更强的语义，让高层特征保留多尺度表达。

2026-10-12 23:08 CV 139 阅读

目标检测 RetinaNet 算法

RetinaNet 的网络和运行机制也是结合了 YOLO 和 Faster R-CNN，以及在此基础上增加的特征金字塔 FPN，但实际上，更大的贡献在于 Focal Loss 损失函数的设计，更优雅的解决了单阶段目标检测算法的正负样本问题，Focal Loss 的成功也深刻影响了后续许多单阶段目标检测算法的设计。

2026-10-11 15:38 CV 150 阅读

目标检测 FCOS 算法

在 FCOS 算法中，完全移除了与锚框相关的复杂计算和大量超参数，使模型设计更简单，训练更稳定，同时，FCOS 通过逐像素预测和中心度这两个核心设计，在保持单阶段检测器速度优势的同时，实现了与两阶段检测器相媲美的精度，为后续的无锚框检测算法奠定了重要基础。

2026-10-08 00:06 CV 206 阅读

目标检测 SSD 算法

SSD 借鉴了 YOLO v1 的单阶段的目标检测的速度优势，同时又借鉴了 Faster R-CNN 中 Anchor 的设计逻辑，增加了先验框，相比较与 two-stage，保留了速度的优势，同时又能提升整体的效果；在此基础上，还采用了层级的特征图，优化了在 YOLO v1 中只有单个特征图的问题，能够同时适应大目标和小目标。要注意一点的是，在 SSD 中先验框是相对于原图设计的，其先验框...

2026-10-06 23:40 CV 185 阅读

目标检测 YOLO v2 算法

YOLO v2 在 YOLO v1 的基础上，重点解决 YOLO v1 的两个痛点：定位不够准和召回率偏低。通过引入 Anchor Box，并在 Anchor Box 的基础上，学习基于此的微调，能够极大降低学习的难度；同时，每个 cell 引入了 5 个 Anchor Box，再加上两个语义特征层，可召回的数量极大提升，这也奠定了 YOLO 的基本框架，为后续的优化升级奠定了基础。

2026-10-06 17:41 CV 175 阅读

目标检测 YOLO v1 算法

YOLO v1 的提出开创了 one-stage 的目标检测，检测速度得到了极大提升，但是从上述 YOLO v1 的整个过程来看，YOLO v1 中也存在着很多的问题，如每个 cell 预测 B 个候选框，如果两个物体靠得很近，检测效果并不好，同时也导致对密集物体的检测效果欠佳；算法中对负样本的定义，导致了大量背景负样本的存在，缺乏对困难负样本的学习，这也会导致模型效果受到影响。得益于其优秀...

2026-10-05 20:08 CV 299 阅读

REINFORCE 算法的优化

REINFORCE 算法是最经典、最基础的 Policy Gradient（策略梯度）算法，由 Ronald J. Williams (1992) 提出，直接对策略建模，寻找到最优的策略使得总体回报的期望最高。在此基础上，在 REINFORCE 的梯度公式中，减去一个与动作无关的基线 b，可以在不引入偏差的情况下降低梯度方差，从而提升训练稳定性，并通常提高收敛效率。

2026-09-19 23:32 强化学习 330 阅读

目标检测 Fast R-CNN 算法

Fast R-CNN 在 R-CNN 的基础上，通过 CNN 对全图提取特征，同时保留了 Selective Search 在原图生成 RoI 的过程，通过特征映射将原图的 RoI 映射到特征图上，最后通过 RoI Pooling 得到固定的尺寸，方便后续的分类和回归计算。纵观整个过程，Proposal Region 的特征计算只需要一次 CNN 计算加上特征映射就能完整，同时，摒弃掉了 R...

2026-09-19 18:12 CV 286 阅读

LLM 网络结构的优化：SwiGLU 激活函数

SwiGLU 激活函数的全称是 Swish‑Gated Linear Unit，现在已经成为 LLM 中的标配激活函数，实际上，SwiGLU 激活函数是由两部分组成的，分别是 Swish 激活函数和 GLU（Gated Linear Unit）激活函数，集合了两个激活函数的特点。

2026-09-11 01:26 NLP 303 阅读

Felix的专栏 Keep your eyes open and your feet moving forward. You'll find what you need.