YOLOX: Exceeding YOLO Series in 2021
我们将 YOLO 检测器切换到无锚方式，并采用其他高级检测技术，即解耦头和领先的标签分配策略 SimOTA，以在大型数据集上实现最先进的结果模型规模范围：对于只有 0.91M 参数和 1.08G FLOPs 的 YOLO-Nano，我们在 COCO 上获得了 25.3% 的 AP，比 NanoDet 高出 1.8% AP；对于业界使用最广泛的检测器之一 YOLOv3，我们对其进行了提升在 COCO 上达到 47.3% AP，比当前最佳实践高出 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 COCO 上以 68.9 FPS 的速度实现了
Evolving Systems. Volume 15, Issue 5, October 2024
1) 边界感知残差网络在带钢产品缺陷检测中的应用作者：胡成才，马睿……龚金南页数：1649 - 16632) 基于 YOLOX 的自然环境下茶芽检测改进模型作者：李秀桐，刘瑞欣……谢本良页数：1665 - 16793) 多目标环境下基于偏好的多智能体强化学习经验共享方案作者：左宣，张璞……刘准嘎页数：1681 - 16994) 利用阿基米德优化算法赋能非洲秃鹫优化器，实现全局优化和特征选择的最高效率作者：Reham R. Mostafa，Fatma A. Hashim……Ahmed M. Khedr页数：1701 - 17315) 一种新的特征可进化学习方法流作者：Yanfei Chen、Sa
