1.毕业论文中能够引用程序的源码源代码吗？
2.FCOS：论文与源码解读
3.论文源码实战轻量化MobileSAM，分割一切大模型出现，论文模型缩小60倍，视频速度提高40倍

毕业论文中能够引用程序的源码源代码吗？

       在毕业论文中引用程序的源代码是可以的，特别是论文如果你的论文涉及到软件开发、编程或计算机科学等领域。视频ios alloc源码引用程序源代码可以用来支持你的源码论点、说明特定算法或方法的论文实现，或者展示你的视频研究成果。

       当引用程序源代码时，源码建议你遵循以下几点：

       清晰地标识引用的论文代码：包括代码的作者、代码的视频出处（例如网址或文献引用）、代码的源码许可证信息等。

       适当地解释引用的论文代码：在论文中解释引用的代码的作用、关键部分或者与论文内容的视频关联。

       遵守版权法和知识产权：确保你引用的代码符合版权法和知识产权的规定，尊重原作者的国外视频php源码权利。

       考虑代码长度：如果引用的代码较长，可以考虑将其放在附录中，而不是直接插入到正文中。

       总之，引用程序源代码可以丰富你的论文内容，但需要注意合适地进行标识和解释，以及尊重知识产权。

FCOS：论文与源码解读

       FCOS：全称为全卷积单阶段目标检测，它在锚框自由领域中占有重要地位，与RetinaNet在锚框基础领域中地位相似。它沿用ResNet+FPN架构，通过实验证明，在相同backbone和neck层下，锚框自由方法可以取得比锚框基础方法更好的效果。

       FCOS借鉴了语义分割的思想，成功地去除了锚框先验，android系统源码获取实现了逐点的目标检测，是全卷积网在目标检测领域的延伸。代码比锚框基础类简单，非常适合入门。

       1. 动机

       锚框基础类目标检测方法存在多处缺点，FCOS通过去除锚框，提出了简单、温柔且有力的目标检测模型。

       2. 创新点

       FCOS借鉴了语义分割的思想，实现了去除锚框、逐点的目标检测。以年提出的全卷积网（FCN）为例，FCOS借鉴了FCN的思想，将其应用于目标检测，主要步骤包括生成先验、分配正负样本和设计bbox assigner。影视源码php会员

       3. 模型整体结构与流程

       训练时，包括生成先验和正负样本分配。FCOS的先验是将特征图上的每一点映射回原始图像，形成逐点对应关系。分配正负样本时，正样本表示预测目标，负样本表示背景。

       3.1 训练时

       在训练阶段，先通过prior generate生成先验，然后进行bbox assign。在分配过程中，FCOS利用了FPN层解决ambigous点的问题，通过多尺度特征融合和逐层分配目标来解决。

       3.1.1 prior generate

       FCOS通过映射特征图上的每一点回原始图像，形成点对点对应关系，生成先验。数据采集 asp 源码通过公式计算映射关系，其中s表示步长。

       3.1.2 bbox assigne

       分配正负样本时，FCOS借鉴了anchor base方法的正负样本分配机制，通过设计bbox assigner解决ambigous点问题。分配流程包括计算输出值、对输出进行exp操作和引入可学习参数scale，以及使用FPN层分而治之，进一步解决ambigous问题。

       3.1.3 centerness

       FCOS额外预测了centerness分支，以过滤远离目标中心的点，提高检测质量。centerness值范围为0~1，越靠近中心，值越大。测试时，最终score=cls_score*centerness。

       3.1.4 loss

       损失函数包括focal loss、IoU loss和交叉熵损失，用于训练分类、定位和centerness分支。

       3.2 模型结构

       模型继续沿用ResNet和FPN层，进行公平比较。FPN输出的特征层与RetinaNet类似，但FCOS在FPN输出的最后一层特征层上进行额外卷积，与RetinaNet在输入特征层上进行额外卷积不同。在推理阶段，注意centerness与分类分数的乘积作为最终得分，且需要进行NMS操作。

       4. 总结与未来方向

       FCOS是一个简单、温柔、有力量的锚框自由方法，地位重要，思想借鉴于语义分割，流程类似传统目标检测，包括生成先验、正负样本匹配、bbox编码和NMS等，额外加入centerness分支以提升检测质量。

       未来，FCOS的研究方向可能包括更深入的理论分析、模型优化和跨领域应用探索。

       5. 源码

       mmdetection提供了FCOS的配置文件和代码实现，包括多个版本和改进。了解这些细节有助于深入理解FCOS的实现和优化策略。

论文源码实战轻量化MobileSAM，分割一切大模型出现，模型缩小倍，速度提高倍

       MobileSAM是年发布的一款轻量化分割模型，对前代SAM模型进行了优化，模型体积减小倍，运行速度提升倍，同时保持了良好的分割性能。MobileSAM的使用方式与SAM兼容，几乎无缝对接，唯一的调整是在模型加载时需稍作修改。

       在环境配置方面，创建专属环境并激活，安装Pytorch，实现代码测试。

       网页版使用中，直接在网页界面进行分割操作，展示了一些分割效果。

       提供了Predictor方法示例，包括点模式、单点与多点分割，以及前景和背景通过方框得到掩码的实现。此外，SamAutomaticMaskGenerator方法用于一键全景分割。

       关于模型转换和推理，讲解了将SAM模型转换为ONNX格式，包括量化ONNX模型的使用方法。在ONNX推理中，输入签名与SamPredictor.predict不同，需要特别注意输入格式。

       总结部分指出，MobileSAM在体积与速度上的显著提升，以及与SAM相当的分割效果，对于视觉大模型在移动端的应用具有重要价值。

       附赠MobileSAM相关资源，包括代码、论文、预训练模型及使用示例，供需要的开发者交流研究。

       欢迎关注公众号@AI算法与电子竞赛，获取资源。

       无限可能，少年们，加油！