由于可用资源有限，我们仅在 cifar10 上测试模型。 我们主要想重现这样的结果： 使用 MAE 预训练 ViT 可以比直接使用标签进行监督学习训练获得更好的结果。这应该是自我监督学习比监督学习更有效的数据的证据。 主要遵循论文中的实现细节

BERT_NER模型权重

深度学习神经网络模型权重

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）； 正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展

visual studio2019手写数字识别工程（权重文件通用） 1.no_gpu_darknet版 yolov3手写数字识别 训练好 的模型权重 。基于opencv3.16版本库函数，附带已配置好的工程源码no_gpu_darknet版。已训练好，可直接使用。 2.一万多数据训练得到，准确率达95%以上 3.目标类别名为0，1，2，3，4，5，6，7，8，9 4.可以 检测图片、视频和调用摄像头，需要选择相应的代码语段 5.依据自己的电脑路径打开darknet_no_gpu.sln，然后配置好opencv3.16环境即可直接运行 E:\darknet-master_2\darknet-master_2\darknet-master\build\darknet\darknet_no_gpu.sln

FCOS3D是基于anchor-free网络FCOS演变而来，作者采用FCOS检测器作为baseline的目的是考虑到FCOS在处理遮挡和尺度变化问题上具有优势，从网络结构对比来看，FCOS3D的backbone和neck部分沿用FCOS的结构，检测头head部分因regression targets不同有所差异。

预告性文本模型权重.zip

PyTorch 模型部署到 ONNX，实现一个超分辨率模型，并把模型部署到 ONNX Runtime 这个推理引擎上。

云模型matlab代码，可以直接使用

TransUet官方代码中需要的预训练权重 这个是最小的一个模型权重，需要其他权重的可以私信我。