DBNet提出了一种文本检测模型。该模型将二值化操作插入了分割模型进行共同优化。每个像素点的阈值可以被计算得到。然而，标准的二值化是不可微的，所以提出了一个近似计算可微二值化（Differentiable Binarization, DB）。

结合demo版本的flash attention代码，进行原理和代码解读。

本文介绍了旋转目标检测的作用。重点介绍了旋转目标检测的损失函数设计问题。损失函数包含基于八点法和基于五点法的两种。

《SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers》 本文是将Transformer模型应用于语义分割任务的一个新的尝试，主要创新点如下： ● 使用分级的Transformer block设计，可以产生多种尺度的特征。 ● 使用重叠的patch融合策略，解决了各patch特征不连续问题。 ● 轻量级全MLP解码器设计，无需复杂和计算要求高的模块即可产生强大的表示。 ● 在三个公开可用的语义分割数据集的效率、准确性和鲁棒性方面创下了最新水平。